分子水平下融合机器学习模型的塑钢窗光谱多特征自动分类

作者：张震; 王继芬; 鲁朋武; 付赵奎

来源：激光与光电子学进展, 2021, 1-13.

• ATR FT-IR
• 塑钢窗
• Fisher判别分析
• 支持向量机
• 分类
• 机器学习

为帮助侦察机关在案件侦办过程中获取更多线索，对工作中常见的塑钢窗物证进行高效、数据化无损鉴别，使用PCA主成分分析前处理结合FDA-SVM最佳参数组合分析鉴别物证的方法，对提取的“金鹏”、“海螺”等6个品牌的126组傅里叶变换红外光谱数据进行了理论和实验分析，实现了“品牌-批次”二维特征刻画与识别。选取全谱段、官能团区、指纹区三个不同谱段的PCA主成分分析结果进行建立基于Fisher判别分析的数据分类模型，发现全谱段的分类准确率最高，为66.7%。为进一步提升对不同样本的区分能力，使用全谱段的特征值建立SVM支持向量机模型，同时考察了惩罚因子C和RBF伽马值σ对SVM分类模型分类准确率的影响，得到基于最佳参数组合（C=10,σ=2.5）的SVM支持向量机分类模型。使用最佳分类模型对“海螺”品牌不同批次的塑钢窗样本进行区分，其分类准确率达到100%。该法分类结果理想，能满足塑钢窗快速分类的办案需求，以期为其在法庭科学研究领域的应用提供一定的参考与借鉴。

• 单位
  中国人民公安大学