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。

红外光谱数据融合结合化学计量学无损检测汽车灯罩

汽车灯罩碎片是交通肇事案件现场经常出现的物证。为了实现对汽车灯罩物证的准确检验,该文提出一种将原始光谱与导数光谱相结合的光谱融合技术。收集不同类别和多种品牌的汽车灯罩共计44个,采用傅里叶变换红外光谱技术对样本进行分析,提取其原始光谱数据和一阶导数光谱数据,并结合化学计量学构建分类模型。在对汽车灯罩类别进行分类的Fisher判别分析模型中,单独的原始光谱数据和一阶导数光谱数据的分类准确率分别为86.40%和84.10%,融合后的光谱数据分类准确率达到93.20%,分类准确率明显提高。通过主成分分析优化模型后,融合光谱的分类准确率达到97.70%,且在进一步对汽车灯罩品牌进行分类时,分类准确率达到100.00%,实验结果理想。而在K近邻算法模型中,由于受到样本不均匀的影响,分类准确率较低。结果表明,基于原始光谱与导数光谱的光谱融合技术能够实现对汽车灯罩样本的准确分类,可以为光谱融合技术在分析检测领域的应用提供借鉴和参考。

基于Bayes判别的手帕纸红外光谱鉴别

手帕纸是犯罪现场常见的物证之一,在法庭科学领域备受关注。为了实现对市场上手帕纸的快速分类鉴别的目的,本文采用了具有无损检验特点的傅里叶红外光谱,结合主成分分析(PCA)与Bayes判别对8种品牌96个手帕纸样本建立分类模型。结果表明,分别利用PCA和Bayes判别对样本进行分类的准确率并不理想,采用Bayes判别对PCA降维后的特征向量进行建模,分类准确率可达100%。采用傅里叶红外光谱结合Bayes判别实现了对手帕纸的精准分类,为实践中手帕纸的分类鉴别提供一定的参考和借鉴。

基于多元建模分析的颜料光谱无损检验

日常生活中颜料应用广泛,在盗窃、凶杀等案件现场常常能提取到颜料物证,对颜料物证区分鉴定可为案件侦破提供帮助。本研究旨在分析多种化学计量方法结合红外光谱的识别效果,以期实现对此类案件现场颜料物证快速、无损、准确的检验与鉴定。借助因子分析技术提取不同维度的特征变量,建立基于径向基函数神经网络(RBF)以及Fisher判别分析(FDA)的分类模型,从而实现不同颜料间的区分和归类。基于因子分析提取不同维度的特征变量,建立径向基函数神经网络(RBF)分类模型,发现在30维度下识别准确率最高,贝碧欧品牌达到100%,晨光品牌颜料达到93.3%,总体分类准确率达到94.4%,实验结果较为理想。针对晨光和贝碧欧品牌的颜料,径向基函数神经网络(RBF)分类模型结合因子分析的分类准确率为94.4%,Fisher判别分析(FDA)结合因子分析的分类准确率为100%,针对晨光品牌颜料中的毕加索水粉画颜料、毕加索丙烯画颜料和普通水粉颜料,Fisher判别分析(FDA)结合因子分析的分类准确率为100%,相较而言,Fisher判别分析结合因子分析分类准确率更高。利用因子分析技术提取颜料红外光谱数据的特征变量,结合Fisher判别分析在颜料物证的区分鉴别方面效果理想,满足快速、无损、准确的检验需求,并且可以减小勘查人员的工作压力,提高检验鉴定效率,为快速破案提供基础保证,可为其他物证的鉴别与分析提供一定的参考。

基于多阶导数拉曼光谱组合技术的矿物油模式分类

为了实现对法庭科学领域重质矿物油物证的快速、准确、无损的鉴定,该文基于光谱分析技术提出了一种多阶导数光谱数据组合分析的方法。收集了80种不同型号、不同厂家的重质矿物油样本,利用傅里叶变换拉曼光谱分析法采集样本的原始光谱数据和导数光谱数据,并通过结合化学计量学构建分类模型。在构建的主成分分析(PCA)结合径向基函数神经网络(RBF)分类模型中,对单独的原始光谱、一阶导数谱和二阶导数谱数据的训练集准确率分别为80.0%、86.7%和86.2%,测试集准确率分别为73.3%、80.0%和72.7%;对组合后的原始光谱+一阶导数谱、原始光谱+二阶导数谱和一阶导数谱+二阶导数谱数据的分类中,训练集准确率分别为97.0%、96.7%和100%,测试集准确率分别为85.7%、90.0%和100%。结果表明,对组合后的导数光谱与原始光谱构建分类模型,准确率更高。其中,基于一阶导数谱+二阶导数谱数据构建的PCA结合RBF分类模型的结果最为理想,准确率达100%。而K最近邻算法模型由于受到样本不均匀的影响,整体分类准确率均较低。利用组合的导数光谱与原始光谱数据构建分类模型能够实现对重质矿物油样本的快速、准确、无损鉴别,可为光谱组合技术在法庭科学及其他分析测试领域的应用提供一定的借鉴和参考。

基于光谱分类模型的保险杠物证无损研究

采用中红外光谱结合化学计量学的方法对车用保险杠碎片进行鉴别,分别对52个车用保险杠碎片样本的全波段光谱数据、指纹区光谱数据和主成分分析降维后的光谱数据建立Fisher判别分析和K近邻算法2种分类模型,并对分类结果进行比较。结果表明,主成分分析提取特征变量后构建的分类模型,分类的准确率更高,对聚丙烯(PP)、PP/滑石粉、PP/滑石粉/碳酸钙(CaCO3)3种类型的样本分类准确率达到92.3%,对PP/滑石粉类型中的10种品牌样本分类准确率达到88.9%,分类结果理想;在构建的2种分类模型中,Fisher判别分析模型的分类率远高于K近邻算法模型,分析认为K近邻算法模型受到样本不均衡的影响;中红外光谱结合化学计量学可以实现对车用保险杠碎片的准确区分,且满足快速、无损的检验要求。

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。

基于多元分类模型的颜料红外光谱鉴别

颜料的检验与认定是司法鉴定中一项重要的工作。在传统的分析中,侦查人员往往通过人工逐一比对和分析,其耗时长,误差大,无法满足无损、快速、准确检验现场颜料样本的需求。该文提出一种检验方法,以期实现对物证无损、快速、准确的检验与鉴定。通过采集并分析不同品牌共计48个颜料样本的红外谱图,采用多元散射校正、Savitzky-Golay平滑和峰面积归一化开展预处理工作,建立基于K近邻算法等4种分类模型,从而实现不同颜料间的区分和归类。在区分水粉类颜料和毕加索丙烯画颜料时,相较于K近邻和Fisher判别模型,多层感知器分类模型准确率更高(总体分类准确率为100%),分类结果更好。在经过主成分分析提取特征变量后,分类模型对两类颜料的区分准确率均为100%。应用MLP结合PCA构建的分类模型对颜料样本的区分效果最佳。针对水粉类中的两类即普通水粉类和毕加索水粉类颜料样本,多层感知器分类模型对其的分类准确率为97.2%,针对普通水粉类样本的两个品牌(贝碧欧和晨光),多层感知器分类模型的分类准确率为100%,实验结果理想。利用中红外光谱结合多元分类模型可实现对颜料样本准确的鉴别与区分,其快速无损准确,降低检验鉴定成本,提高检验鉴定效率,可为其他物证的鉴别与分析提供一定的参考。

基于径向基函数的水性木器漆喇曼光谱鉴别

水性木器漆是一种犯罪现场常见的微量物证,在法庭科学领域广受关注。为了实现对水性木器漆中复杂化学成分的检测分类,采用具有较高分辨能力和无损检验特点的喇曼光谱,结合主成分分析和径向基函数神经网络两种数据挖掘技术,对3种品牌共38个水性木器漆样本的喇曼光谱进行了数据分析。结果表明,径向基函数模型下可得到准确率为78.9%的分类识别。采用傅里叶变换喇曼光谱结合径向基函数模型实现对水性木器漆的鉴别与分类,为实践中木器漆的分类研究提供新思路。

基于光谱融合-特征提取的海洛因及其添加剂无损分类研究

在近年来的多数治安案件中,有不少是由形形色色的毒品所引起的。为了提高检验的效率,降低检验成本,实现对海洛因样本主成分及添加剂的无损分类,提出了一种基于光谱融合,主成分分析和判别分析的鉴别方法。采集并获取了不同质量分数和添加剂共计45个海洛因样本的红外光谱,选择一阶求导、多元散射校正、Savitzky-Golay平滑和峰面积归一化开展预处理工作,并利用主成分分析进行特征变量提取和采用Fisher判别分析构建判别分类模型。实验对单独的原始光谱数据,一阶导数光谱数据和融合后的光谱数据进行比较。无论是对海洛因主成分的质量分数进行分类,还是对海洛因的添加剂分类,单一的分类模型都仅能实现66.7%~88.9%的准确区分。结果表明,基于融合的光谱数据构建的判别模型分类准确率更高,对主成分质量分数和海洛因添加剂的分类,均能达到100.0%。利用红外光谱数据融合技术结合主成分分析和判别分析达到了降低检验成本且无损的目的,能够最大程度的限制毒品的流动,对今后的毒品检测和维护社会治安稳定具有一定的贡献。

红外指纹区光谱结合多阶导数融合技术无损分类鞋底物证

为了提高检验效率,降低检验鉴定成本,实现对鞋底的快速无损分类。采用傅里叶变换红外指纹光谱及其多阶导数光谱对5类不同品牌共计50个样本的鞋底进行分析,并构建Bayes判别和支持向量机2种分类模型。结果表明,在鞋底鉴别过程中,基于原始数据、一阶导数数据和二阶导数数据建立的融合模型,初级融合模型的区分效果优于单一模型和中级融合模型,总体分类准确率能达到80%以上。而基于初级模型进行的成分特征提取中,BDA结合原始数据结合一阶导数模型是最好的,总体分类准确率达到92%。红外指纹光谱结合一阶求导、二阶求导构建不同的融合模型进行区分对比,选择最为有效的融合模型可实现对日常皮鞋、运动鞋鞋底快速的无损鉴别,对今后的治安工作作具有借鉴意义,不仅缩小排查范围,也为案件的快速侦破提供了一种新的方式。