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, 2022, 59(16): 514-520.

• 光谱学
• 塑钢窗
• Fisher判别分析
• 支持向量机
• 分类
• 机器学习

为帮助侦查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，使用主成分分析（PCA）前处理结合Fisher判别分析-支持向量机（FDA-SVM）的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结果建立基于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模型，同时考查了惩罚因子C和径向基函数（RBF）伽马值σ对SVM分类模型分类准确率的影响，并得到了基于最佳参数组合（C=10，σ=2.5）的SVM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%。所提方法分类结果理想，能满足塑钢窗快速分类的办案需求，可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