基于随机森林利用差分拉曼光谱对塑料食品包装瓶的分类研究

目的 建立一种快速无损的检验塑料食品包装瓶的分析方法,提供一种快速分类模型。方法 利用差分拉曼光谱对100个塑料食品包装瓶样品进行检验,根据样品的差分拉曼特征峰可以对样品进行分类,样品可被分成聚对苯二甲酸乙二醇酯和聚丙烯两大类,对其中数目较多的第I类继续根据样品中所含填料的不同进行分类。利用贝叶斯判别、多层感知器和随机森林算法分别构建分类模型对继续分类结果进行分析验证。结果 第I类样本可继续被分为4类,贝叶斯判别结合留一交叉验证法分类正确率为71.7%,多层感知器神经网络分类模型的训练集和测试集分类正确率分别为100%和86.2%,随机森林分类模型的训练集和测试集分类正确率分别为100%和96.5%。通过比较发现,差分拉曼光谱与随机森林算法相结合可以对塑料食品包装瓶实现有效的分类。结论 该方法简单快速,样品用量少且无损样品,可为塑料食品包装品的物证鉴定提供科学依据。     

红外光谱结合主成分分析对纸质快递文件袋的分类研究

目的 建立一种快速无损的检验纸质快递文件袋的分析方法。方法 利用傅里叶变换红外光谱对63个纸质快递文件袋样品进行检验，分析样品的红外光谱吸收峰的峰位，结合主成分分析对光谱数据进行了降维处理并分类。利用费歇尔判别对快递文件袋的分类结果进行分析和验证。同时建立多层感知器神经网络和径向基函数神经网络2种分类模型，进行分析和验证。结果 63个纸质快递文件袋样品可被分成四大类，利用费歇尔分类模型进行验证，准确率为100%；多层感知器神经网络分类模型准确率为95.23%，径向基函数神经网络分类模型准确率为92.06%。通过比较发现，费歇尔判别可以实现对纸质快递文件袋更加有效地分类。结论 该方法简单快速，样品用量少且无损样品，可为快递文件袋类的物证鉴定提供科学依据。