基于PCA⁃LDA的车用保险杠显微激光拉曼光谱模式分类

为实现对案发现场车用保险杠物证快速、无损、准确的分类与识别,提出了一种显微激光拉曼光谱分析技术结合多元建模用于车用保险杠模式分类方法。选择自动基线校正、峰面积归一化、Savitzky-Golay平滑（3次多项式,7点平滑）作为预处理方法,借助主成分分析和线性判别分析构建分类模型。结果表明,前27个主成分下,除了奥迪品牌的2个样本被误判在了广汽品牌的样本当中,其他不同品牌的样本均实现了100.00 %的准确区分,总体分类准确率为95.24 %,分类效果较为理想;针对实际案件中的未知样本,借助该方法确定其属于别克品牌,这与实际案件中物证信息相吻合;利用显微激光拉曼光谱分析技术多元建模分析可实现对不同品牌保险杠样本准确的识别与分类,可为微量物证鉴定方面的相关研究提供一定的思路与参考。     

基于数据融合策略植物油光谱模式的识别

为实现对不同植物油的快速无损分类识别,探究数据融合技术在提升光谱分类模型精度方面的可行性与应用价值,借助衰减全反射-傅里叶变换红外光谱技术、表面增强拉曼光谱技术结合多源数据融合技术,开展了对7种共计180份植物油样本的分类识别。基于单一光谱模型、数据层融合模型和特征层融合模型,比较了Bayes判别分析(BDA)和多层感知器神经网络(MLP)两种化学计量学方法在区分各样本时的差异,同时考察了主成分分析、广义最小平方、最大似然、主轴因式分解4种算法在特征提取方面的差异。结果表明,光谱数据融合在识别植物油方面具有显著的优势,BDA模型对各样本的区分能力强于MLP模型,相较于其他3种算法,主成分分析在油样特征提取方面展现了较为理想的结果。基于PCA特征提取的特征层融合BDA模型为最佳识别模型,以此实现了180份植物油样本100%的准确区分,同时对5种品牌花生油达到了100%的准确区分,实现了对各样本“种类-品牌”的两级识别分类工作。     

墙面涂料的显微共聚焦喇曼光谱无损鉴别

为了实现对墙面涂料物证的无损鉴别,提出了显微共聚焦喇曼光谱技术结合多元建模分析的无损鉴别墙面涂料方法。采用不同Savitzky-Golay(SG)平滑多项式次数及平滑点数对分类模型准确率的影响进行预处理,同时比较了不同分类模型的区分能力。结果表明,相较于径向基函数神经网络模型,多层感知器神经网络模型对各样本的区分能力更强,且经过SG平滑1次多项式结合平滑点数27点预处理后,多层感知器神经网络模型能够实现对梅菲特等3种不同品牌墙面涂料样本,以及梅菲特3种不同类型墙面涂料样本100%的准确区分。该方法提高了检验鉴定效率,降低了检验鉴定成本,具有一定的普适性。     

基于滤波器的动植物油光谱信号预处理方法比较及识别分类

为实现对动植物油的快速无损检验，探究滤波器在提高光谱分析模型区分能力方面的可行性，该研究借助衰减全反射-表面增强红外吸收光谱技术，采集了动物油(159份)和植物油(188份)共计347份样本的光谱信息数据，构建了Fisher判别分析、支持向量机和决策树3种分类模型。比较了希尔伯特变换、有限长单位脉冲响应滤波器、无限长冲激响应滤波器、快速傅里叶变换和小波变换5种滤波器对3种分类模型精度的影响，同时考察了滤波器窗函数(矩形窗、汉宁窗、海明窗、布莱克曼窗)、小波基函数(Morlet、Dgauss、Mexhat、Haar、Daubechies、Biorthogonal)、滤波方式(低通、高通、带通、带阻)在动植物油样本区分效果方面的差异性。结果发现，滤波器能显著提升光谱分析模型的准确性，低通和带阻滤波方式，矩形窗和布莱克曼窗函数能有效提升模型对样本的区分能力，相较于其他2种算法，支持向量机对各样本的识别区分能力最好。基于FIR低通/带阻滤波器处理后构建的SVM模型(RBF核函数)可作为动植物油样本识别的最佳模型，其对347份样本实现了100%的“类别-品牌”的两级准确区分。综上，滤波器可有效提...     

基于连续分类策略的动物油红外光谱无损识别

为实现对市面上常见以及实际案件中出现的动物油样本进行快速无损识别，借助光谱分析技术和机器学习算法，基于连续分类策略，对不同动物油样本在种类及品牌/来源地方面进行区分和认定。收集了247份动物油样本(鸡油、牛油、鹅油、猪油、羊油、鸭油),对其进行红外光谱扫描，采用自动基线校正和峰面积归一化消除样本基线漂移和量纲不一致情况；再分别采用Savitzky-Golay平滑、二项式平滑、邻域平均法、FFT滤波、一阶导数和二阶导数对红外光谱进行预处理，比较了6种预处理方法在降噪方面的差异性，同时构建不同预处理方法下的随机森林、贝叶斯网络以及最小二乘支持向量机3种分类模型，开展各样本“种类—品牌/来源地”的连续分类工作。结果表明，相较于未预处理模型，经过预处理后，模型的识别能力均有提升，其中采用FFT滤波预处理结合随机森林模型可较好区分6种动物油，其对6种动物油样本品牌/来源地的识别准确率由高到低依次为鸡油、牛油、鹅油、猪油、羊油、鸭油；对实际案件中2份检材进行验证性分析，结果与实际情况相符合。红外光谱结合机器学习算法可应用于基于连续分类策略的动物油的快速无损识别。