基于多元分析的快递塑料包装袋样本光谱鉴别

为建立一种区分现场快递塑料包装袋物证的分类模型,利用X射线荧光光谱仪对39个不同颜色、不同公司的快递塑料包装袋样本进行检验。根据外表面颜色不同将39个样本初步分为3类;根据X射线荧光光谱仪测定的样本无机元素含量利用系统聚类进行进一步分组;通过判别分析构建分类模型,模型对已知样本归类准确率达100%。通过多元线性回归分析对分类结果进行检验,分类结果与判别分析结果一致。将2个未知样本代入模型进行验证,模型实现了100%的正确归类。

X射线荧光光谱结合聚类分析检验快递塑料包装袋

目的针对现场经常提取到的快递塑料包装袋物证,建立一种快速检验分析、样本分类的方法。方法采用X射线荧光光谱法对41个不同快递公司、不同来源地的快递塑料包装袋样品进行无机元素检验分析。根据不同样品的元素种类含量进行分类,并利用系统聚类和K-Means聚类,对样品进行聚类分析。结果根据检验得出无机元素含量及其主要元素的比值,对各样品进行有效区分。通过系统聚类的方法,将样品成功聚为4类。用K-Mean算法对聚类结果进行检验,其分组结果基本一致,说明该方法的聚类效果良好。结论利用X射线荧光光谱法结合聚类分析检验41个样品,结果表明,各类样品特征明显,具有较高的区分度,可以实现对不同公司、不同来源地的快递塑料包装袋进行区分。文中方法为公安工作中处理此类物证提供了一定的理论参考。

X射线荧光光谱法结合HCA-PCA-BPNN实现塑料快递包装袋识别分类

X射线荧光光谱法与机器学习有机结合,建立现场塑料快递包装袋物证科学精准识别分类模型。利用X射线荧光光谱法对72个塑料快递包装袋样品无损检验,并依据光谱数据,利用定性半定量分析法对塑料快递包装袋初步分类。利用z-score标准化进行光谱预处理,并结合层次聚类、主成分分析和BP神经网络(HCA-PCA-BPNN)建立识别分类模型,确定最佳聚类类别。结果显示,72个样品聚为8类时,模型检验集预测判别正确率为97.9%,预测集预测判别正确率仅为72%,模型识别分类准确度较差;72个样品聚为3类时,模型检验集和预测集预测判别正确率均为100%,识别分类准确度较高,72个样品最佳聚类为3类。研究表明,X射线荧光光谱法结合HCA-PCA-BPNN可以为现场塑料快递包装袋物证无损且准确地识别分类提供一种方便可行的模式。

基于K-means和簇内误差平方和的塑料快递包装袋X射线荧光光谱检验

提出了犯罪现场常见的塑料快递包装袋物证的识别分类模型。利用X射线荧光光谱法对60个不同产地和品牌的塑料快递包装袋样品进行了元素种类及含量的检验,并依据光谱数据进行了定性半定量分析,将60个样品初步分成13类。探究了簇内误差平方和(SSE)与聚类数的关系,并确定最优聚类数为6,利用K-means算法将60个样品成功聚成了6类,最后对聚类结果进行了Fisher判别分析。经检验,60个样品的原始分类正确率和交叉验证后的分类正确率分别为98.3%和91.7%,验证了基于K-means和SSE的塑料快递包装袋样品识别分类模型的准确性与科学性。基于X射线荧光光谱法、K-means和SSE,所提模型能无损、快速且有效地检验及识别分类塑料快递包装袋物证,结果准确可靠。