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差异。选择最佳预处理方式,进一步构建Bayesian分类模型对各样本进行分类区分。结果表明,显微共聚焦拉曼光谱能够反映出不同样本理化信息方面存在的差异。预处理能够提升模型的识别精度,其中小波变换处理(96%)>基于希尔伯特变换处理(80%)>基于Savitzky-Golay滤波处理(76%)>未处理(72%)。小波变换没有改变波峰区及其吸光度,但它去除了光谱数据中的噪声。基于小波变换处理结合Bayesian判别分析,成功实现了对150份样本100%的准确区分。

我国毒品整类列管制度的缘起、现状与思考

当前,全球毒情发生深刻复杂的变化,特别是以芬太尼类物质为代表的新精神活性物质来势凶猛,引发国内外的广泛关注。2019年中国政府宣布对芬太尼类物质实行整类列管,这是中国毒品列管制度的重大创新,为打击毒品犯罪提供全新思路。由于整类列管制度实施时间较短,需要不断完善法律规制标准、提高精准的检测技术以及提高民众认识。因此要积极推进毒品列管制度的创新和完善,加强技术研发和国际合作,开展多维度宣传,提高整体认知度,以期为建立符合中国特色的毒品管制制度提供思路与参考。

分子水平下融合机器学习模型的塑钢窗光谱多特征自动分类

为帮助侦查机关在案件侦办过程中获取更多线索,对工作中常见的塑钢窗物证进行高效、数据化无损鉴别,使用主成分分析(PCA)前处理结合Fisher判别分析-支持向量机(FDA-SVM)的最佳参数组合分析鉴别物证的方法,对提取的“金鹏“”海螺”等6个品牌的126组傅里叶变换红外光谱数据进行了理论和实验分析,实现了“品牌-批次”二维特征刻画与识别。选取全谱段、官能团区、指纹区三个不同谱段的PCA结果建立基于Fisher判别分析的数据分类模型,发现全谱段的分类准确率最高,为66.7%。为进一步提升对不同样本的区分能力,使用全谱段的特征值建立SVM模型,同时考查了惩罚因子C和径向基函数(RBF)伽马值σ对SVM分类模型分类准确率的影响,并得到了基于最佳参数组合(C=10,σ=2.5)的SVM分类模型。使用最佳分类模型对“海螺”品牌不同批次的塑钢窗样本进行区分,其分类准确率达到100%。所提方法分类结果理想,能满足塑钢窗快速分类的办案需求,可为其在法庭科学研究领域的应用提供一定的参考与借鉴。