扫描电镜/能谱法对粉底液的检测分类研究

为建立一种将扫描电镜/能谱法与多元统计学结合检测粉底液物证的方法。对收集到的50个粉底液样本进行前处理,利用扫描电镜/能谱仪对样本进行分析测试,将50个样本大致分成2大类;结合K-Means聚类对实验数据进行处理,将2大类样本细化分为4类;最后利用随机森林算法搭建分类模型,40个样本作为训练集,10个样本作为测试集,测试集的预测正确率达到86.6%,预测效果良好,可实现样本分类自动化。此方法操作简单,可实现无损检材、分类效果良好,可直接用于公安机关侦查破案,在法庭科学领域有广阔的应用前景。

基于显微共聚焦拉曼光谱结合机器学习方法对粉底液的分类研究

为建立一种快速检验粉底液样品的方法,运用显微共聚焦拉曼光谱和机器学习对不同品牌、色号、价格的粉底液进行分类研究。首先将收集到的50个粉底液样品的拉曼光谱数据利用Savitzky-Golay平滑和归一化算法进行预处理;其次通过主成分分析法进行特征值提取,提取前2个主成分用于后续研究;采用K-Means聚类法将50个样品分成5类,系统聚类法验证分类结果;最后以40个样品为训练集,10个样品为测试集搭建支持向量机(SVM)分类模型。结果表明在Linear核函数下的SVM模型训练集和测试集的准确率可达90%。说明该方法能够实现区分粉底液品牌和价格自动化,为公安机关物证检验、定罪处罚提供新思路。

高光谱结合化学计量学对粉底液的分类检验研究

为建立一种快速、无损的粉底液分类方法,将市面上随机收集的50个不同品牌、不同色号、不同产地、不同价位的粉底液在高光谱模式下选取波长范围在400~600nm进行无损检测,每组样本选取随机点位各测3次,共测得150组数据。将光谱数据采用Savitzky-Golay平滑处理,主成分分析对数据进行特征值提取,选取前7个主成分作为后续实验数据集;借助K-Means聚类法对150组数据分类,50个粉底液被分成5类,由Fisher判别式验证分类效果;最后以聚类结果为依据建立BP神经网络模型(BPNN),分类准确率达到88.89%,效果良好。研究表明BP神经网络结合高光谱技术自动识别、分类粉底液具有可行性和科学性,在公安机关物证检验及法庭科学上可发挥有效作用。