FTIR、ATR-FTIR和UV多光谱鉴别不同产地重楼

测定了云南省及贵州省6个不同产地重楼的FTIR、ATR-FTIR及UV信息,并对ATR-FTIR光谱数据进行ATR校正(ATR-FTIR-A)、一阶导数(FD)、二阶导数(SD)、标准正态变量(SNV)等预处理,结合偏最小二乘判别分析(PLS-DA)与支持向量机(SVM)建立了单光谱与低级数据融合分类判别模型。结果表明,校正后的重楼ATR-FTIR(ATR-FTIR-A)光谱信息与KBr压片法展现的信息基本吻合; UV二阶导数图谱较原始图谱分辨率提高; ATR-FTIR-A单光谱及ATR-FTIR-A-UV低级数据融合的PLS-DA及SVM模型鉴别效果最好,预测正确率均达到100. 00%。基于ATR-FTIR-A建立的PLS-DA或SVM产地鉴别模型分类正确率高,在实际生产应用中有简便、高效、准确等优点,若采用ATR-FTIR-A-UV建立模型可进一步加强模型稳定性。     

基于近红外光谱的塑料分选技术预处理方法的优化

为进行不同塑料种类的识别,采集了尼龙（PA）、聚丙烯（PP）、聚苯乙烯（PS）、聚氯乙烯（PVC）4类塑料的近红外光谱数据,并针对光谱数据采集时存在的噪声、基线和光程问题,基于3点Savitzky-Golay卷积平滑（S-G）、一阶导数（FD）、二阶导数（SD）、标准正态变量变换（SNV）、多元散射校正（MSC）进行了预处理组合优化研究,以竞争性自适应重加权算法（CARS）进行特征波长提取,并运用支持向量机算法（SVM）建立模型。结果显示：所有预处理方法中,预处理组合S-G+FD+SNV获得的结果最优,S-G+FD+SNV+SVM模型的平均准确率高达96.67%,其训练集和验证集的平均准确率均为100%。上述预处理组合优化方法可为4类常见塑料的鉴别研究提供参考。     

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。     

基于高光谱技术的玉石鉴定及模型研究

为了给玉石鉴定提供依据以及得到优化预测模型,分别对天然玉石和假玉石的可见光高光谱图像进行分析。针对高光谱图像数据的非线性、小样本以及空间光谱维数大等问题,本研究首先对原始光谱数据进行主成分分析(PCA),使高维光谱数据降维,通过对比分析其平均光谱图和方差贡献率图,发现天然玉石与假玉石的谱线之间存在很大的差距,证明了高光谱成像技术在玉石鉴定领域的可行性。然后分别采用费希尔(Fisher)判别法、反向传输(BP)神经网络以及支持向量机(SVM)判别法建立的三种数学模型对玉石进行分类模式判别,结果显示,用Fisher判别法能直接得到预测的类别归属,用BP神经网络以及SVM判别法得到的类别鉴定准确率分别为96.37%,82.5%。研究结果表明,高光谱技术结合BP人工神经网络预测建模方法可以作为快速和非破坏性预测玉石真假的有效手段。     

支持向量机结台主成分分析辅助激光诱导击穿光谱技术识别鲜肉品种

为提高激光诱导击穿光谱技术(Laser-induced breakdown spectroscopy,LIBS)对鲜肉品种的识别率,采用支持向量机结合主成分分析算法辅助LIBS技术对鲜肉品种进行识别.对鲜肉切片用载玻片压平,采用LIBS技术对鲜肉组织(猪肉、牛肉和鸡肉)表面进行光谱数据的采集,每种鲜肉采集150幅光谱并进行随机排列,取前75幅光谱作为训练集建立模型,后75幅作为测试集测试建模结果.研究选取K、Ca、Na、Mg、Al、H、O等元素的49条归一化谱线数据进行主成分分析,并用所得数据建立支持向量机分类模型.结果表明,通过主成分分析降维,输入变量从49个优化减少到18个,模型建模速度从88.91 s降至55.52 s,提高了支持向量机的建模效率;并使预测集的平均识别率提高到89.11%.本研究为激光诱导击穿光谱技术在鲜肉品种快速分类领域提供了方法和数据参考.     

基于高光谱的马铃薯微型种薯分类检测

采用高光谱分析技术结合模式识别,建立了8种马铃薯微型种薯（大西洋、荷兰-14、荷兰十五041、荷兰十五Q8、冀张薯12号、冀张薯8号、兴佳2号和Y2）的分类检测方法。采集276个种薯样本,对860~1 700 nm的原始光谱进行标准化、11点Savitzky-Golay平滑和4点差分一阶导数光谱预处理,将预处理后的光谱数据进行主成分分析,发现前3个主成分的累积贡献率为95.12%,包含了原始光谱的大部分信息,可作为分类变量。再分别使用线性判别分析、BP神经网络和支持向量机进行分类建模。最终通过分层、分步骤建立了8种马铃薯微型种薯的分类模型。首先采用线性判别分析模型区分大西洋、荷兰-14、荷兰十五041和其它品种,平均正确识别率达88.79%。再建立BP神经网络模型将其它品种样本区分为两类,一类为冀张薯8号和Y2,另一类为荷兰十五Q8、冀张薯12号和兴佳2号,平均正确识别率达93.24%。最后以BP神经网络模型区分冀张薯8号和Y2,平均正确识别率为77.78%;以支持向量机分类模型区分荷兰十五Q8、冀张薯12号和兴佳2号,平均正确识别率为87.23%。该研究建立的8种马铃薯种薯分步骤、分层分类识别模型的平均正确识别率达8975%,表明高光谱光谱分析技术可用于马铃薯微型种薯的分类检测。     

基于多特征算法选择的太赫兹时域光谱用于水稻种子掺假研究

该文提出了一种基于太赫兹时域光谱的水稻种子模式识别方法。实验以10种不同品牌混合掺假的水稻种子为样本,基于采集的样本太赫兹时域光谱数据,通过建立Relief、随机森林（RF）、支持向量机递归特征消除（SVM-RFE）和最大相关最小冗余（mRMR）模型分别对样本光谱波长进行特征选择,最后设计分类器对4种特征选择方法处理后的样本进行分类识别。结果表明,基于布谷鸟算法（CS）优化的极限学习机模型对经RF特征选择算法提取后的样本光谱数据具有最佳识别效果,其准确率可达100%,实验对于法庭科学领域内种子的掺假鉴定具有一定的借鉴意义。     

一种基于最小二乘支持向量机算法的近红外光谱判别分析方法

将最小二乘支持向量机(LSSVM)用于近红外(NIR)光谱分析,建立一种新型的NIR光谱快速鉴别方法。以丹参药材道地性鉴别为例,对其NIR漫反射光谱进行主成分分析后,运用LSSVM法建立NIR光谱非线性分类模型,对丹参药材道地性进行快速鉴别。将本方法与经典SVM和BP神经网络法相比较,结果表明,本法判别准确率高,计算时间少,可推广应用于中药等天然产物质量快速鉴别。     

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。     

高光谱喷墨打印墨水数据的非线性降维及分类建模方法研究

在法庭科学实践中,往往需要通过对文件中字迹墨水的成分分析来精确判定检材和样本文件的同一性。该文利用高光谱成像技术结合机器学习对喷墨打印墨水的种类进行区分,分别采集14套不同品牌、型号的4色（黑、青、品红和黄色）喷墨打印墨水打印的文件在400～1 000 nm范围的高光谱图像,共提取56种样品墨迹的光谱数据。使用均匀流形逼近与投影技术（UMAP）和T分布随机近邻嵌入技术（t-SNE）两种算法对高光谱喷墨打印墨水数据进行降维处理,然后建立极致梯度提升（XGBoost）、轻量级梯度提升机器学习（LightGBM）和支持向量机（SVM）3种分类模型,以1∶4的比例确定测试集和训练集,分别对原始数据和降维后的数据进行分类。实验结果显示,UMAP降维算法结合SVM模型对喷墨打印墨水分类的效果最优,黑色墨水样品的分类精度为90%左右,其余颜色墨水样品的分类精度均为100%。该研究为喷墨打印文件的检验鉴定提供了一种新的、无损、准确的鉴别方法。