在法庭科學(xué)領(lǐng)域,硝基漆的檢驗(yàn)鑒別是一項(xiàng)重要的工作。為提高檢驗(yàn)工作效率,提高分析可靠性,提出一種基于中紅外光譜結(jié)合化學(xué)計(jì)量學(xué)的硝基漆鑒別方法。實(shí)驗(yàn)采集并獲取長(zhǎng)頸鹿等6種品牌共計(jì)59個(gè)樣本的紅外光譜數(shù)據(jù),借助主成分分析、K近鄰模型和判別分析構(gòu)建分類模型。結(jié)果表明,PCA模型和K近鄰模型對(duì)59個(gè)樣本的區(qū)分能力相對(duì)較弱,判別分析模型的區(qū)分能力較強(qiáng),實(shí)現(xiàn)了96.6%的準(zhǔn)確區(qū)分和歸類,分類結(jié)果理想。該方法能夠快速,準(zhǔn)確,無損地鑒別硝基漆,可為其他物證的檢驗(yàn)鑒別提供一定的借鑒和參考。 

【文章來源】：化學(xué)研究與應(yīng)用. 2020,32(08)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

59個(gè)樣本的紅外光譜圖

由圖2可知,六種類型的樣本被分在了不同的區(qū)域,其中長(zhǎng)頸鹿,大孚,燈塔,紅峰品牌硝基漆的樣本分布分散,紫荊花,真諦品牌的樣本分布較為集中,這表明PCA模型對(duì)紫荊花,真諦品牌樣本的分類能力強(qiáng),對(duì)長(zhǎng)頸鹿,大孚,燈塔,紅峰等品牌樣本區(qū)分能力較弱。相比較PCA2;PCA3判別軸,紫荊花品牌的樣本在PCA1判別軸上區(qū)分更為明顯,只有2個(gè)樣本誤判;長(zhǎng)頸鹿,大孚,燈塔,紅峰等品牌的樣本之間分布均十分接近,PCA模型對(duì)各個(gè)樣本的分類結(jié)果如下(見表3)。紫荊花品牌樣本的分類準(zhǔn)確率最高(66.7%),其次為燈塔品牌樣本(50.1%),長(zhǎng)頸鹿品牌樣本(33.3%),紅峰品牌樣本(25.0%),大孚和真諦品牌樣本的分類準(zhǔn)確率為0.0%。可見在主成分分析模型之下,六種品牌的樣本彼此間區(qū)分并不明顯,為進(jìn)一步實(shí)現(xiàn)對(duì)樣本明顯的分類和歸屬,實(shí)驗(yàn)借助K近鄰分析和判別分析進(jìn)行建模分析。表3 各個(gè)樣本的分類結(jié)果Table 3 The details of all samples 品牌 長(zhǎng)頸鹿 大孚 燈塔 紅峰 真諦 紫荊花 分類準(zhǔn)確率(%) 33.3 0.0 50.1 25.0 0.0 66.7

K近鄰算法的三個(gè)基本要素是K值的選擇,距離度量和分類決策規(guī)則。在建立K近鄰分析的模型時(shí),主要考慮的基本要素是K的取值。如果K值較小,容易發(fā)生擬合,K值較大時(shí)會(huì)增大學(xué)習(xí)的近似誤差。圖3為K選擇錯(cuò)誤統(tǒng)計(jì)圖,從圖3可知,模型分類的錯(cuò)誤率呈整體遞增趨勢(shì),當(dāng)K為1時(shí)錯(cuò)誤率最低,模型能較大程度實(shí)現(xiàn)樣本間的區(qū)分;當(dāng)K為10時(shí)錯(cuò)誤率最高,模型區(qū)分各樣本的能力較弱。實(shí)驗(yàn)選擇K為1的條件下構(gòu)建分類模型,得到了各樣本分類結(jié)果(見表4)。由表4可知,K近鄰模型對(duì)大孚和紅峰品牌的樣本區(qū)分準(zhǔn)確率較高(66.7%),其次為燈塔品牌的樣本(63.6%),對(duì)真諦品牌樣本的區(qū)分效果不理想�？傮w來看,K近鄰模型對(duì)各樣本區(qū)分效果依然不是十分理想,分析認(rèn)為這與樣本不均勻情況有關(guān),即有些類別的樣本數(shù)量多,而其他樣本的數(shù)量少時(shí)容易發(fā)生誤判現(xiàn)象。本實(shí)驗(yàn)中,不同品牌樣本數(shù)量不一致,如紅峰品牌樣本有16個(gè),真諦品牌樣本有7個(gè),大孚品牌樣本有10個(gè),樣本數(shù)不均勻的影響使得模型分類準(zhǔn)確率較低。為驗(yàn)證這一假設(shè),每種品牌樣本隨機(jī)抽選6個(gè),進(jìn)行實(shí)驗(yàn)驗(yàn)證,發(fā)現(xiàn)各樣本分類準(zhǔn)確率均有明顯提升,其中長(zhǎng)頸鹿、大孚和紅峰樣本的分類準(zhǔn)確率為80%,燈塔和真諦樣本的分類準(zhǔn)確率分別為60%和20%,紫荊花樣本分類準(zhǔn)確率為0%,分析認(rèn)為是樣本數(shù)較少所致,使得模型在計(jì)算過程中無法很好地保持在一個(gè)較高的精度。何亞[26]在用K近鄰分析鑒別分類記號(hào)筆的實(shí)驗(yàn)中,在對(duì)水性筆和油性筆的鑒別分類中實(shí)現(xiàn)100%的準(zhǔn)確分類,然而在進(jìn)一步的水性筆和油性筆的品牌鑒定分類時(shí),卻沒有達(dá)到一個(gè)理想的分類結(jié)果。分析原因也是訓(xùn)練樣本少,不能很好的體現(xiàn)模型的統(tǒng)計(jì)特性。表4 各個(gè)樣本的分類結(jié)果Table 4 The details of all samples 品牌 長(zhǎng)頸鹿 大孚 燈塔 紅峰 真諦 紫荊花 分類準(zhǔn)確率(%) 25.0 66.7 63.6 66.7 0 33.0

【參考文獻(xiàn)】：
期刊論文
[1]輪胎橡膠顆粒紅外光譜的多元分類研究[J]. 邱薇綸,穆義龍.  化學(xué)研究與應(yīng)用. 2019(11)
[2]掃描電鏡/能譜儀法分析車漆成分[J]. 張美多.  化工設(shè)計(jì)通訊. 2019(10)
[3]艦船甲板油漆紅外指紋圖譜的無損鑒別[J]. 何欣龍,王繼芬,韓育林,梁震龍,張玉龍.  兵器材料科學(xué)與工程. 2019(06)
[4]基于多層感知器-Fisher判別分析的車用保險(xiǎn)杠紅外光譜鑒別[J]. 何欣龍,王繼芬,李青山,何亞,姜曉佳,李超,彭山珊.  中國(guó)測(cè)試. 2019(05)
[5]基于紅外光譜多元分析的記號(hào)筆種類鑒別研究[J]. 何亞,王繼芬,何欣龍,鐘世豪,李超,彭山珊.  化學(xué)研究與應(yīng)用. 2019(01)
[6]紅外光譜結(jié)合神經(jīng)元網(wǎng)絡(luò)測(cè)定改性瀝青SBS含量[J]. 王康.  化學(xué)研究與應(yīng)用. 2018(12)
[7]傅里葉紅外光譜法結(jié)合化學(xué)計(jì)量學(xué)方法區(qū)分鑒別塑鋼窗[J]. 何欣龍,王繼芬,劉騰飛,張宇,牛凡,余靜.  理化檢驗(yàn)(化學(xué)分冊(cè)). 2018(11)
[8]透明膨脹型氨基樹脂基阻燃涂料的研究進(jìn)展及趨勢(shì)[J]. 李佳朋,劉寧,王奉強(qiáng),王清文.  涂料工業(yè). 2018(01)
[9]紅外光譜結(jié)合多元統(tǒng)計(jì)學(xué)檢驗(yàn)汽車前保險(xiǎn)杠[J]. 何欣龍,劉文浩,王繼芬.  光散射學(xué)報(bào). 2018(01)
[10]基于拉曼光譜和多元統(tǒng)計(jì)學(xué)研究藍(lán)色中性筆油墨[J]. 牛凡,黃建同,張?jiān)?何欣龍,王艷芳.  光散射學(xué)報(bào). 2017(03)



本文編號(hào)：3311254