差分拉曼光谱结合聚类分析检验运动鞋鞋底

为建立一种快速、准确、无损的区分检验运动鞋鞋底的方法,采用差分拉曼光谱仪结合聚类分析方法对40个不同品牌,不同系列的白色运动鞋鞋底样品进行了检验研究。结果表明,根据鞋底样品的主要成分不同可将样品分为5类;同一类样品可依据添加的主要填料成分不同进行分组;同一组样品可依据特征峰的相对峰高比不同进行区分;利用聚类分析方法处理样品数据,当并类距离为2时,样品被分为5类,分类结果较为理想。该方法操作简便快速、结果准确可靠且无损检材,可为公安机关实际办案提供帮助。     

基于种属差异性利用XRF对塑钢窗的分类研究

建立了一种对未知产品信息的塑钢窗样本的快速分类方法。利用X射线荧光光谱法（XRF）,采用手持式荧光光谱仪,以Ag作阳极靶、电压为50 kV、电流为200 μA、采集时间为70 s,对40个不同产地、不同品牌、不同用途的塑钢窗进行元素分析。依据实验结果筛选出具有种属差异性的指标元素Pb、Ti、Cl,同时依据“含量标准偏差和”,综合考虑“品牌、产地、用途”之间的相对显著性关系,实现对塑钢窗样本的分类。结果表明,该方法可对样本进行完全分类,为现场勘查所采集的检材分类提供了新模式,具有一定的实战意义。     

X射线荧光光谱法检验轿车车灯灯罩的研究

建立一种快速便捷检验轿车车灯灯罩的方法。利用X射线荧光光谱仪,对30个轿车车灯灯罩样品进行检验分析,快速分析样品中所含元素的种类及含量,通过实时获得的元素信息,区分不同品牌、同一品牌不同系列的轿车车灯灯罩样品。     

基于化学计量学对黑色塑料袋的光谱检测

为了建立一种更加科学准确地区分检验黑色塑料袋物证的方法,本文利用X射线荧光光谱,在电压40k V、电流60 mA、测定时间60s的条件下,对41个不同品牌、不同规格的黑色塑料袋样品进行测定,根据特征元素Cl、Ba、Pb、Cr,将样品分为12组。为了实现对光谱数据的多维度分析,利用主成分分析法,从实验所得的数据中提取出4个因子,并结合Fisher判别分析,对测试数据进行判别分析。将样本聚为12类,与使用特征元素进行分类的结果一致,从而对黑色塑料袋样品进行分类,为犯罪现场黑色塑料袋物证的检验分析提供帮助。     

基于Fisher判别分析的一次性塑料手套光谱鉴别

为了建立一种快速准确且无损检材的检验一次性塑料手套的光谱分析方法,利用X-MET7000手持式X荧光光谱能量色散型分析仪,对39个不同品牌不同用途的一次性塑料手套进行检验分析,通过特征元素Cl与Cd将样品分为4组,对于同组样本还可通过Ca/Zn含量比进行进一步认定,效果较好。使用Fisher判别分析法,建立判别函数Y1、Y2与Y3,实现对新数据类别变量取值的预测,同时检验三个判别函数的判别能力。根据判别能力较强的第一和第二判别函数建立判别分布图,图中4组样本质心明显区分。为验证分类结果的准确性,对所得数据进行系统聚类和K-Means快速聚类,根据数据间的亲疏程度,进行分类,此方法为犯罪现场检验此类物证提供依据。     

基于K均值算法的X射线荧光光谱法检验药用铝塑包装片的研究

药用铝塑包装片是犯罪现场勘查过程中常见的物证,研究建立一种准确检验药用铝塑包装片种类的方法,可为法庭科学领域现场物证检验提供技术支撑。实验利用X射线荧光光谱仪(XRF)对30个不同品牌、不同厂家的药用铝塑包装片样品进行测定,按照元素含量对样品初步分组,用Pearson相关系数和假设检验分析样品的相关性;运用Python语言中sklearn模块对元素指标进行K均值聚类分析,通过误差平方和法(SSE)寻找最优K值,用轮廓系数评估聚类结果,最终实现不同样品的精确分类。     

X射线荧光光谱法结合HCA-PCA-BPNN实现塑料快递包装袋识别分类

X射线荧光光谱法与机器学习有机结合,建立现场塑料快递包装袋物证科学精准识别分类模型。利用X射线荧光光谱法对72个塑料快递包装袋样品无损检验,并依据光谱数据,利用定性半定量分析法对塑料快递包装袋初步分类。利用z-score标准化进行光谱预处理,并结合层次聚类、主成分分析和BP神经网络(HCA-PCA-BPNN)建立识别分类模型,确定最佳聚类类别。结果显示,72个样品聚为8类时,模型检验集预测判别正确率为97.9%,预测集预测判别正确率仅为72%,模型识别分类准确度较差;72个样品聚为3类时,模型检验集和预测集预测判别正确率均为100%,识别分类准确度较高,72个样品最佳聚类为3类。研究表明,X射线荧光光谱法结合HCA-PCA-BPNN可以为现场塑料快递包装袋物证无损且准确地识别分类提供一种方便可行的模式。     

判别分析结合系统聚类对易拉罐环的XRF检验

为实现对易拉罐环的鉴别分类,利用X射线荧光光谱法(XRF)对28个不同品种的易拉罐环样本成分进行检验。对样本元素的种类和含量进行初步分析后,根据样本中含量最多的5种元素进行系统聚类。经过系统聚类后样本被分为了5个类别,检验分类是否准确后将聚类分类结果作为分析依据进行判别分析,提取累积贡献率为98.2%的两个判别函数绘制判别分类图,发现样本在判别函数平面空间内类别之间明显区分开来,最终交叉验证正确率和原始分类正确率分别为82.1%和96.4%,表明该方法能对易拉罐环进行有效的分类识别。     

基于系统聚类-神经网络的塑料饮料瓶差分拉曼光谱检验

建立塑料饮料瓶物证快速准确检验鉴别方法。利用差分拉曼光谱法检验42个塑料饮料瓶样品，优化积分时间并进行重现性检验。在40 s最优积分时间条件下采集光谱，任选41个样品作为建立模型的数据集，剩余样品作为盲样，对41个样品材质初步定性分为聚对苯二甲酸乙二醇酯(PET)和聚乙烯(PE)两类。建立基于系统聚类(HCA)、多层感知器神经网络和径向基神经网络的PET样品鉴别模型，确定最优鉴别模型及样品最佳分类。结果表明，系统聚类-多层感知器神经网络为最优鉴别模型，PET样品最佳分类为2类。差分拉曼光谱法结合系统聚类和神经网络可实现塑料饮料瓶有效鉴别。     

差分拉曼光谱结合聚类分析检验电线塑料外皮研究

为建立一种高效准确的差分拉曼光谱检验电线塑料外皮的方法,利用便携式差分拉曼光谱仪测得了35个不同品牌不同类型的电线塑料外皮的差分拉曼光谱数据;再根据样品的主要成分和所含填料的不同,对样品进行初步分类;利用主成分分析对初步分类后的拉曼数据进行降维,再利用系统聚类将样品分组,最后应用K?均值聚类分析对分组结果准确性进行检验。其中,对于同组样品,可以用拉曼特征峰的相对峰高比进行区分。结果表明,当并类距离为1时,I?1组样品（只含滑石粉的白色样品）可分为7个小组,实现了对样品的区分;该方法不破坏检材,操作简单,可为微量物证检验和公安机关办案提供帮助。     

一次性塑料包装瓶盖(杯盖)的拉曼光谱分析

利用便携式拉曼光谱仪对收集到49个现售饮品或外卖配送饮品的一次性塑料杯盖样品和饮料瓶瓶盖样品进行检验分析,先根据样品外观进行分类,再根据拉曼位移按照成分进行分组,最后再通过计算相对峰高比进行进一步区分,都取得了较好的效果.建立了基于系统聚类的分类模型,利用主成分分析对60％的样本进行了降维和分类.最终被检样本被分为6类...     

红外光谱法结合K⁃均值聚类与神经网络对饮料瓶的检验研究

利用傅里叶变换红外光谱法对41个不同品牌的塑料饮料瓶进行快速无损检测.谱图数据在经过预处理后可将样品分为聚对苯二甲酸乙二醇酯和聚乙烯两类.每一类内部的各个样品红外特征峰存在差异.对于数量最多的一类样品,通过主成分分析将样品光谱数据降维并提取主成分,然后结合K-均值聚类对样品进一步分组.最后以聚类结果作为因变量,构建神经...     

基于光谱数据融合和人工神经网络的汽车灯罩鉴别

针对法庭科学领域对物证快速、无损、准确的检验需求，采用红外光谱原始数据和导数数据相结合的光谱数据融合技术对汽车灯罩样本进行分析。对收集的44个汽车灯罩样本采集红外谱图，采用自动基线校正、峰面积归一化、Savitzky?Golay 算法平滑对谱图进行预处理，并对处理后的数据进行一阶求导，结合人工神经网络（ANN）算法构建分类模型。在径向基函数神经网络（RBF）模型中，结合主成分分析对光谱原始数据、一阶导数数据和融合的数据进行分类，分类准确率分别为81.2 %、84.1 %和90.9 %；在多层感知器神经网络（MLP）模型中，结合主成分分析对光谱原始数据、一阶导数数据和融合的数据进行分类，分类准确率分别为84.1 %、86.4 %和97.7 %，且在对44个汽车灯罩样本的12种品牌进行分类时，分类准确率也达到97.7 %，实验结果理想。结果表明，基于红外光谱原始数据和导数数据相结合的光谱数据融合技术能够实现对汽车灯罩样本的准确分析，且满足快速、无损、准确的检验要求，可以为光谱融合技术在法庭科学领域中物证的检验提供一定参考。     

热解气氛对油漆稀料和塑料共热解特性的影响

为研究不同热解气氛对油漆稀料与聚对苯二甲酸乙二醇酯（PET）共热解特性的变化规律，采用同步热分析仪，根据预实验结果，测定在升温速率为10 ℃/min时，不同热解气氛（空气和氮气）条件下油漆稀料和PET塑料共热解过程中失重（TG）、焓变（DSC）的变化，并采用Coats?Redfern法对样品进行热动力学分析。结果表明，样品在氮气气氛下的热解过程存在明显的滞后现象，质量损失率为82.2 %；在空气气氛中更有利于油漆稀料和PET塑料的共热解反应中间产物的检出；PET塑料及其燃烧残留物在空气中的平均活化能均小于氮气中的值，但混合物在空气中400~475 ℃温度间活化能更低；500 ℃后混合物达到二次燃烧条件。     

一种高效制备高性能PLA/PBAT复合材料的方法及其性能研究

为解决聚乳酸（PLA）韧性较差这一问题，人们提出了诸多弹性体填充方案来增韧PLA，但这些方案大多会造成PLA的强度损失，或者引入不可降解的相容剂组分，因此，开发了一种由聚己二酸/对苯二甲酸丁二酯（PBAT）填充，由三螺杆挤出机挤出结合三辊式轧机冷压的方式制备样品。通过对本工艺制备的样品进行表征，在样品的扫描电子显微镜（SEM）照片中发现三辊冷压工艺对于PBAT的拉伸作用，在拉伸作用的诱导下产生了原位成纤现象。同时在差示扫描量热仪（DSC）测试中发现拉伸作用对PLA的结晶有促进作用，在拉伸试验中，证明了原位成纤和结晶度的提高分别对PLA起到了增韧和增强的作用，最后通过热失重（TG）测试对样品的热稳定性进行表征，探究了此工艺对于热稳定性的影响。并将此工艺的增韧机理进行了归纳，为PLA的增韧提供了新的思路。     

傅里叶变换红外光谱法检验手帕纸包装袋的研究

利用傅里叶变换红外光谱法,对不同品牌、不同系列的手帕纸包装袋样本进行分析检验。依据红外光谱图中吸收峰,可以将手帕纸包装袋样本加以区分。该检验方法不破坏检材,重现性好,可用于鉴定手帕纸包装袋样本。     

Hyperplane distance neighbor clustering based on local discriminant analysis for complex chemical processes monitoring

The collected training data often include both normal and faulty samples for complex chemical processes. However, some monitoring methods, such as partial least squares (PLS), principal component analysis (PCA), independent component analysis (ICA) and Fisher discriminant analysis (FDA), require fault-free data to build the normal operation model. These techniques are applicable after the preliminary step of data clustering is applied. We here propose a novel hyperplane distance neighbor clustering (HDNC) based on the local discriminant analysis (LDA) for chemical process monitoring. First, faulty samples are separated from normal ones using the HDNC method. Then, the optimal subspace for fault detection and classification can be obtained using the LDA approach. The proposed method takes the multimodality within the faulty data into account, and thus improves the capability of process monitoring significantly. The HDNC-LDA monitoring approach is applied to two simulation processes and then compared with the conventional FDA based on the K-nearest neighbor (KNN-FDA) method. The results obtained in two different scenarios demonstrate the superiority of the HDNC-LDA approach in terms of fault detection and classification accuracy.