基于滤波器-机器学习的食欲抑制剂光谱信号预处理比较

对现场缴获的食欲抑制剂进行快速检验能够为案件调查提供线索和方向，同时机器学习算法开展物证的快速无损检验是法庭物证学的重要研究之一。红外光谱是最经典的快速无损检验方法，滤波器能够有效地除去原始谱图的噪声和背景干扰，从而提高模型的识别效果。本文收集了从实际案件中缴获的4种食欲抑制剂样本共计291份，运用快速傅里叶变换滤波器和希尔伯特变换滤波器对样本原始光谱数据进行降噪处理，同时借助朴素贝叶斯和随机森林模型建立分类模型，开展识别工作，从而筛选除噪效果最优的滤波器，同时比较了朴素贝叶斯和随机森林模型的识别效果。结果表明，经滤波器处理后原始光谱数据的识别率和稳定性显著提升，希尔伯特变换滤波器的除噪效果要比快速傅里叶变换滤波器好，随机森林模型的识别率和稳定性均要比朴素贝叶斯模型强，随机森林模型对经希尔伯特变化滤波器处理后的训练集识别率为96.33%，测试集识别率为95.89%。该方法通过滤波器有效地滤除谱图的噪声，提高了模型定性识别能力，对法庭科学中食欲抑制剂的快速鉴定有一定的参考意义。