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。     

拉曼光谱结合机器学习识别肥皂

通过拉曼光谱和机器学习对不同品牌、种类的肥皂进行准确和快速识别.通过采集不同厂家、不同品牌生产的56种肥皂的拉曼光谱数据,将拉曼光谱进行预处理后,进行系统聚类对拉曼光谱分类,结合光谱特征峰的比对,把样本分成5类.利用机器学习的SVM、KNN、贝叶斯方法,建立不同方法的判别分析,通过检验三种判别方法的准确度比对,综合比较...     

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。     

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。     

鞋底材料的中红外光谱可视化快速鉴别

借助中红外分析技术和化学计量分析,建立常见鞋底材料种类鉴别的分类模型,为鞋底种类鉴别提供有效的新方法。基于鞋底红外光谱矩阵数据,建立了层次聚类模型和K近邻模型。结果表明,K近邻模型中,43个样本分为7类,这与层次聚类模型中,组间平均距离为8时样本的分类结果一致;K近邻下,分类样本呈5个聚集区域,其中H、G、K 3类样本分布情况明显,相比较A类,E类分布较为集中,聚敛程度较大,L类分在E类,M类分在A类;模型总分类准确率达95.35 %,分类结果理想;选取各类中的一个样本,对其开展谱图解析,得到样本主要成分有顺丁橡胶、乙烯醋酸乙烯酯共聚物、聚氨酯、异戊橡胶、聚氯乙烯和苯乙烯丁二烯苯乙烯嵌段共聚物;中红外光谱技术结合化学计量分析可作为鞋底材料种类鉴别的一种无损、快速、准确的分析方法。     

差分拉曼光谱法对塑料牙刷柄的分析研究

建立一种区分塑料牙刷柄的方法。采用便携式差分拉曼光谱仪对22个品牌共40个塑料牙刷柄样品进行了检验,根据得到的差分拉曼光谱图的峰数、峰位以及相对峰高比等对塑料牙刷柄进行分析。结果表明:40个塑料牙刷柄样品均有丰富的差分拉曼光谱峰,相同品牌样品的差分拉曼光谱图基本没有太大差异,不同品牌样品的差分拉曼光谱存在一定差异。因此,可以利用差分拉曼光谱法对不同品牌的塑料牙刷柄进行区分,从而区分不同品牌的塑料牙刷。     

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Fisher判别⁃支持向量机的汽车灯罩显微激光拉曼光谱研究

为实现对司法鉴定工作中经常遇到的汽车灯罩类物证进行数据化、可视化的无损高效率鉴别,采用PCA主成分分析前处理结合FDA-SVM（RBF）组合分析鉴别物证的方法,对获取的“奥迪”“别克”等18个品牌的173组拉曼红外光谱数据进行了实验和理论分析。借助Pearson相关性分析和PCA主成分分析的结果选择特征位移,分别建立基于Fisher判别分析和SVM支持向量机的数据分类模型。结果表明,FDA模型和SVM（RBF）模型对灯罩样本的综合区分准确率分别为97 %和51.85 %,SVM模型对“奔驰”“别克”等8个品牌的区分准确率达到了100 %,FDA与SVM模型互相补充的FDA-SVM（RBF）模型可对不同品牌灯罩拉曼红外光谱进行准确区分,分类效果较好。该方法高效、准确,对侦查破案中借助灯罩物证鉴定缩小侦察范围有一定的参考意义。     

多维度结合XRF对塑钢窗的快速检验

为建立一种检验塑钢窗物证的方法，利用X射线荧光光谱仪对收集到的40个不同品牌、同一品牌不同系列、同一品牌同一系列不同批次塑钢窗进行检验。采用Niton XL3t GOLDD+手持式荧光光谱仪，通过预实验确定了检测条件：Ag作阳极靶；检测电压为50kV；检测电流为200μA；采集时间为70s，在此条件下对样品进行检测，根据不同塑钢窗样本所测出的特征元素种类及质量分数可对样本进行区分。为了使分类结果科学准确，首先利用主成分分析法对实验结果进行降维处理，指定提取了4个因子，再利用系统聚类和K?Means快速聚类方法对样品数据进行聚类处理，将40个样本分为28类，并利用Fisher判别分析法验证了分类结果的科学合理性。该方法结合谱图分析和化学计量学，能快速、准确、无损地对样品做出分类，为公安基层实际办案提供帮助。     

基于MLP-BDA融合模型的塑钢窗显微共聚焦拉曼光谱分类

为了对案件中出现的塑钢窗类检材进行无损、准确的识别与认定,通过实验建立了基于预处理并结合数学建模的分类方法.运用显微共聚焦拉曼光谱分析技术获取了"金鹏"、"瑞恒"等5个品牌共计150份的光谱谱图.基于构建的多层感知器模型,比较了 Savitzky-Golay滤波、希尔伯特变换和小波变换三种预处理方式在模型识别精度方面的...     

Correlation between failure mechanism and rupture lifetime of 2D-C/SiC under stress oxidation condition based on acoustic emission pattern recognition

Creep tests of 2D-C/SiC in a wet oxidizing atmosphere were implemented for six samples. The loading process was monitored by acoustic emission (AE). Principal component analysis and a fuzzy clustering algorithm were used to perform pattern recognition of the AE data. All of the AE events were divided into four clusters and labelled as matrix cracking, interfacial damage, fiber breakage and fiber-bundle breakage respectively, according to their physical origin. It was found C/SiC has very scattered rupture lifetimes even under the same test conditions, and the evolution of AE events corresponding to fiber failure is quite different. With increasing rupture lifetime, the AE energy of fiber-bundle breakage is higher, while the number of these events is less. Thus, it is concluded that local oxidation and damage development is the controlling failure mechanism for short-lived specimens and uniform oxidation and damage development is the controlling failure mechanism for long-lived specimens.     

聚乳酸／聚（3⁃羟基丁酸⁃co⁃3⁃羟基戊酸酯）共混材料3D打印线材改性研究

采用熔融共混法制备聚乳酸／聚（3?羟基丁酸?co?3?羟基戊酸酯）（PLA/PHBV），以及分别添加苯乙烯?甲基丙烯酸缩水甘油酯共聚物（ADR）、柠檬酸三丁酯（TBC）的共混物PLA/PHBV/ADR和PLA/PHBV/TBC，通过注塑和熔融沉积成型（FDM）技术制备了标准测试样条，研究了添加ADR和TBC后对PLA/ PHBV共混材料及三维（3D）打印样品热学性能和力学性能的影响。结果表明，PHBV结晶度均降低，加入ADR的注塑样品断裂伸长率最大提高到32 %，加入TBC的注塑样品拉伸强度和冲击强度提高，断裂伸长率提高到2.8 %；加入ADR的3D打印制品拉伸强度降低，断裂伸长率提高，添加TBC的3D打印制品相容性得到了明显的提升，通过扫描电子显微镜（SEM）观察无明显的颗粒相，拉伸强度在改性前后无明显变化。     

子空间夹角结合时间序列分析判定反应终点

拉曼光谱经过基线校正处理后,运用子空间模式识别原理,反应物水杨酸、醋酸酐以及催化剂氨基磺酸的拉曼光谱作为子空间,各个反应时刻的拉曼光谱作为被关注向量,求取被关注与子空间夹角,通过时间序列分析模型对空间向量夹角变动分析体系内组分变化情况设经验阀值δ(ti)小于0.5判定为反应终点,此时水杨酸的转化率为97.8%。     

中高温酸酐固化环氧树脂的自修复研究

基于兼具修复效率高、兼容性好、热稳定性较好等优点的微胶囊化环氧?胺自修复体系,研究了其在一种中高温（100~170 ℃）酸酐固化的商用环氧树脂中的自修复性能。首先研究了所选用修复剂的热稳定性及其在微胶囊化后在树脂基体中的热稳定性,进而采用人工预混注入修复剂的方法研究了所选用修复剂与酸酐固化环氧树脂的兼容性,最后在树脂基体中加入双组分微胶囊研究了该微胶囊化环氧-胺自修复酸酐固化环氧树脂的自修复性能,并探究了微胶囊比例与浓度及树脂固化程序对自修复性能的影响。结果表明,所选用的修复剂体系热稳定性较好,微胶囊化后在树脂基体中热稳定性较高,适用于酸酐中高温固化的环氧树脂的自修复,优化后的自修复效率较高,超过80 %。     

纳米玻璃粉掺杂双酚A型环氧树脂基复合材料的热稳定性能研究

采用双酚A型环氧树脂为基体,短切玻璃纤维和纳米玻璃粉为填料,通过模压加工工艺制备了双酚A型环氧树脂基复合材料。使用热失重分析仪和扫描电子显微镜分析研究了纳米玻璃粉含量对复合材料热稳定性能的影响,同时利用Kissinger法和Flynn?Wall?Ozawa法求解了双酚A型环氧树脂基复合材料的热分解动力学参数。结果表明,添加短切玻璃纤维后,双酚A型环氧树脂的最大热分解温度从365 ℃提高至369 ℃,而随着纳米玻璃粉的加入,其最大热分解温度进一步提升5 ~16 ℃。且复合材料的残炭率在65.41 %~69.15 %之间,相比双酚A型环氧树脂、短切玻璃纤维增强双酚A型环氧树脂基复合材料分别提高了69.88 %~71.51 %、22.95 %~27.11 %。同时纳米玻璃粉的加入也使得复合材料的热分解活化能得到提升,最高为153.14 kJ/mol,相比双酚A型环氧树脂单体及短切玻璃纤维材料增强双酚A型环氧树脂基复合材料的热分解活化能135.65 kJ/mol、137.46 kJ/mol显著增加。结果表明,纳米玻璃粉的引入改变了双酚A型环氧树脂基复合材料的内部微观结构,从而提高了其热稳定性能。     

线性富磷化阻燃剂在聚氨酯泡沫中的应用研究

通过界面聚合法合成了一种线性富磷化阻燃剂（LPRFR），将LPRFR与可膨胀石墨（EG）复配制备了阻燃聚氨酯泡沫（RPUF），使用红外光谱分析仪、核磁共振分析仪对阻燃剂LPRFR的化学结构进行了表征，并通过极限氧指数仪、锥形量热仪、扫描电子显微镜和红外光谱分析仪对RPUF的燃烧性能、微观形貌和化学结构进行了分析。结果表明，仅10 %（质量分数，下同）的LPRFR 与8 %EG复配后，RPUF的极限氧指数（LOI）便达到26.1 %；LPRFR和EG能大幅降低RPUF的热释放速率，并提高基体的成炭能力； LPRFR参与了燃烧过程中的成炭反应，形成了含P—O—C及P=O结构的高质量炭层，有效隔绝了氧气和热量；LPRFR是一种对于聚氨酯泡沫阻燃性能优异的新型阻燃剂。     

An Ultrasonic Evaluation and Quality Control Tool for Adhesive Bonds

The problem of predicting adhesive bond performance for both surface preparation and undercure defects has been studied using an ultrasonic, experimental test bed system. This experimental test bed incorporates the ultrasonic and computer equipment necessary to acquire and process data from various types of adhesively bonded test specimens. The computer hardware and software has been developed to allow the design of reliable pattern recognition algorithms for the evaluation of surface preparation and bond cure. The specific problem studied is the inspection of the adhesive bond in an aluminum to aluminum step-lap joint whose strength could be affected by improper surface preparation or undercure. A set of 154 bond specimens was used to design an algorithm that is 91% reliable for separating the specimens into a good class, those bonds with no defects, or a weak class, bonds with poor surface preparation or undercured adhesive layer. A Fisher Linear Discriminant function was selected by the test bed as the best pattern recognition routine for this classification problem.     

An adhesive bond strength prediction algorithm based on ultrasonic signal analysis

The problem of predicting adhesive bond defects for both surface preparation and undercure defects has been studied using an ultrasonic, experimental test bed system. This experimental test bed incorporates the ultrasonic and computer equipment necessary to acquire and process data from various types of adhesively bonded test specimens. The computer hardware and software have been developed to allow the design of reliable pattern recognition algorithms for the evaluation of surface preparation and bond cure. The specific problem studied is the inspection of the adhesive bond in an aluminium/aluminium step-lap joint whose strength could be affected by improper surface preparation or undercure. A set of 164 bond specimens was used to design an algorithm that is 91% reliable for separating the specimens into a good class, those bonds with no defects, or a week class, bonds with poor surface preparation on an undercured adhesive layer. A Fisher Linear Discriminant function was selected by the test bed as the best pattern recognition routine for this classification problem.