硝基漆品牌厂家红外光谱鉴别及预测模型建立
发布时间：2021-07-30 10:40
在法庭科学领域,硝基漆的检验鉴别是一项重要的工作。为提高检验工作效率,提高分析可靠性,提出一种基于中红外光谱结合化学计量学的硝基漆鉴别方法。实验采集并获取长颈鹿等6种品牌共计59个样本的红外光谱数据,借助主成分分析、K近邻模型和判别分析构建分类模型。结果表明,PCA模型和K近邻模型对59个样本的区分能力相对较弱,判别分析模型的区分能力较强,实现了96.6%的准确区分和归类,分类结果理想。该方法能够快速,准确,无损地鉴别硝基漆,可为其他物证的检验鉴别提供一定的借鉴和参考。
【文章来源】：化学研究与应用. 2020,32(08)北大核心CSCD
【文章页数】：6 页
【部分图文】：
59个样本的红外光谱图
由图2可知,六种类型的样本被分在了不同的区域,其中长颈鹿,大孚,灯塔,红峰品牌硝基漆的样本分布分散,紫荆花,真谛品牌的样本分布较为集中,这表明PCA模型对紫荆花,真谛品牌样本的分类能力强,对长颈鹿,大孚,灯塔,红峰等品牌样本区分能力较弱。相比较PCA2;PCA3判别轴,紫荆花品牌的样本在PCA1判别轴上区分更为明显,只有2个样本误判;长颈鹿,大孚,灯塔,红峰等品牌的样本之间分布均十分接近,PCA模型对各个样本的分类结果如下(见表3)。紫荆花品牌样本的分类准确率最高(66.7%),其次为灯塔品牌样本(50.1%),长颈鹿品牌样本(33.3%),红峰品牌样本(25.0%),大孚和真谛品牌样本的分类准确率为0.0%。可见在主成分分析模型之下,六种品牌的样本彼此间区分并不明显,为进一步实现对样本明显的分类和归属,实验借助K近邻分析和判别分析进行建模分析。表3 各个样本的分类结果Table 3 The details of all samples 品牌 长颈鹿 大孚 灯塔 红峰 真谛 紫荆花 分类准确率(%) 33.3 0.0 50.1 25.0 0.0 66.7
K近邻算法的三个基本要素是K值的选择,距离度量和分类决策规则。在建立K近邻分析的模型时,主要考虑的基本要素是K的取值。如果K值较小,容易发生拟合,K值较大时会增大学习的近似误差。图3为K选择错误统计图,从图3可知,模型分类的错误率呈整体递增趋势,当K为1时错误率最低,模型能较大程度实现样本间的区分;当K为10时错误率最高,模型区分各样本的能力较弱。实验选择K为1的条件下构建分类模型,得到了各样本分类结果(见表4)。由表4可知,K近邻模型对大孚和红峰品牌的样本区分准确率较高(66.7%),其次为灯塔品牌的样本(63.6%),对真谛品牌样本的区分效果不理想。总体来看,K近邻模型对各样本区分效果依然不是十分理想,分析认为这与样本不均匀情况有关,即有些类别的样本数量多,而其他样本的数量少时容易发生误判现象。本实验中,不同品牌样本数量不一致,如红峰品牌样本有16个,真谛品牌样本有7个,大孚品牌样本有10个,样本数不均匀的影响使得模型分类准确率较低。为验证这一假设,每种品牌样本随机抽选6个,进行实验验证,发现各样本分类准确率均有明显提升,其中长颈鹿、大孚和红峰样本的分类准确率为80%,灯塔和真谛样本的分类准确率分别为60%和20%,紫荆花样本分类准确率为0%,分析认为是样本数较少所致,使得模型在计算过程中无法很好地保持在一个较高的精度。何亚[26]在用K近邻分析鉴别分类记号笔的实验中,在对水性笔和油性笔的鉴别分类中实现100%的准确分类,然而在进一步的水性笔和油性笔的品牌鉴定分类时,却没有达到一个理想的分类结果。分析原因也是训练样本少,不能很好的体现模型的统计特性。表4 各个样本的分类结果Table 4 The details of all samples 品牌 长颈鹿 大孚 灯塔 红峰 真谛 紫荆花 分类准确率(%) 25.0 66.7 63.6 66.7 0 33.0
【参考文献】：
期刊论文
[1]轮胎橡胶颗粒红外光谱的多元分类研究[J]. 邱薇纶,穆义龙. 化学研究与应用. 2019(11)
[2]扫描电镜/能谱仪法分析车漆成分[J]. 张美多. 化工设计通讯. 2019(10)
[3]舰船甲板油漆红外指纹图谱的无损鉴别[J]. 何欣龙,王继芬,韩育林,梁震龙,张玉龙. 兵器材料科学与工程. 2019(06)
[4]基于多层感知器-Fisher判别分析的车用保险杠红外光谱鉴别[J]. 何欣龙,王继芬,李青山,何亚,姜晓佳,李超,彭山珊. 中国测试. 2019(05)
[5]基于红外光谱多元分析的记号笔种类鉴别研究[J]. 何亚,王继芬,何欣龙,钟世豪,李超,彭山珊. 化学研究与应用. 2019(01)
[6]红外光谱结合神经元网络测定改性沥青SBS含量[J]. 王康. 化学研究与应用. 2018(12)
[7]傅里叶红外光谱法结合化学计量学方法区分鉴别塑钢窗[J]. 何欣龙,王继芬,刘腾飞,张宇,牛凡,余静. 理化检验(化学分册). 2018(11)
[8]透明膨胀型氨基树脂基阻燃涂料的研究进展及趋势[J]. 李佳朋,刘宁,王奉强,王清文. 涂料工业. 2018(01)
[9]红外光谱结合多元统计学检验汽车前保险杠[J]. 何欣龙,刘文浩,王继芬. 光散射学报. 2018(01)
[10]基于拉曼光谱和多元统计学研究蓝色中性笔油墨[J]. 牛凡,黄建同,张云,何欣龙,王艳芳. 光散射学报. 2017(03)
本文编号：3311254
【文章来源】：化学研究与应用. 2020,32(08)北大核心CSCD
【文章页数】：6 页
【部分图文】：
59个样本的红外光谱图
由图2可知,六种类型的样本被分在了不同的区域,其中长颈鹿,大孚,灯塔,红峰品牌硝基漆的样本分布分散,紫荆花,真谛品牌的样本分布较为集中,这表明PCA模型对紫荆花,真谛品牌样本的分类能力强,对长颈鹿,大孚,灯塔,红峰等品牌样本区分能力较弱。相比较PCA2;PCA3判别轴,紫荆花品牌的样本在PCA1判别轴上区分更为明显,只有2个样本误判;长颈鹿,大孚,灯塔,红峰等品牌的样本之间分布均十分接近,PCA模型对各个样本的分类结果如下(见表3)。紫荆花品牌样本的分类准确率最高(66.7%),其次为灯塔品牌样本(50.1%),长颈鹿品牌样本(33.3%),红峰品牌样本(25.0%),大孚和真谛品牌样本的分类准确率为0.0%。可见在主成分分析模型之下,六种品牌的样本彼此间区分并不明显,为进一步实现对样本明显的分类和归属,实验借助K近邻分析和判别分析进行建模分析。表3 各个样本的分类结果Table 3 The details of all samples 品牌 长颈鹿 大孚 灯塔 红峰 真谛 紫荆花 分类准确率(%) 33.3 0.0 50.1 25.0 0.0 66.7
K近邻算法的三个基本要素是K值的选择,距离度量和分类决策规则。在建立K近邻分析的模型时,主要考虑的基本要素是K的取值。如果K值较小,容易发生拟合,K值较大时会增大学习的近似误差。图3为K选择错误统计图,从图3可知,模型分类的错误率呈整体递增趋势,当K为1时错误率最低,模型能较大程度实现样本间的区分;当K为10时错误率最高,模型区分各样本的能力较弱。实验选择K为1的条件下构建分类模型,得到了各样本分类结果(见表4)。由表4可知,K近邻模型对大孚和红峰品牌的样本区分准确率较高(66.7%),其次为灯塔品牌的样本(63.6%),对真谛品牌样本的区分效果不理想。总体来看,K近邻模型对各样本区分效果依然不是十分理想,分析认为这与样本不均匀情况有关,即有些类别的样本数量多,而其他样本的数量少时容易发生误判现象。本实验中,不同品牌样本数量不一致,如红峰品牌样本有16个,真谛品牌样本有7个,大孚品牌样本有10个,样本数不均匀的影响使得模型分类准确率较低。为验证这一假设,每种品牌样本随机抽选6个,进行实验验证,发现各样本分类准确率均有明显提升,其中长颈鹿、大孚和红峰样本的分类准确率为80%,灯塔和真谛样本的分类准确率分别为60%和20%,紫荆花样本分类准确率为0%,分析认为是样本数较少所致,使得模型在计算过程中无法很好地保持在一个较高的精度。何亚[26]在用K近邻分析鉴别分类记号笔的实验中,在对水性笔和油性笔的鉴别分类中实现100%的准确分类,然而在进一步的水性笔和油性笔的品牌鉴定分类时,却没有达到一个理想的分类结果。分析原因也是训练样本少,不能很好的体现模型的统计特性。表4 各个样本的分类结果Table 4 The details of all samples 品牌 长颈鹿 大孚 灯塔 红峰 真谛 紫荆花 分类准确率(%) 25.0 66.7 63.6 66.7 0 33.0
【参考文献】：
期刊论文
[1]轮胎橡胶颗粒红外光谱的多元分类研究[J]. 邱薇纶,穆义龙. 化学研究与应用. 2019(11)
[2]扫描电镜/能谱仪法分析车漆成分[J]. 张美多. 化工设计通讯. 2019(10)
[3]舰船甲板油漆红外指纹图谱的无损鉴别[J]. 何欣龙,王继芬,韩育林,梁震龙,张玉龙. 兵器材料科学与工程. 2019(06)
[4]基于多层感知器-Fisher判别分析的车用保险杠红外光谱鉴别[J]. 何欣龙,王继芬,李青山,何亚,姜晓佳,李超,彭山珊. 中国测试. 2019(05)
[5]基于红外光谱多元分析的记号笔种类鉴别研究[J]. 何亚,王继芬,何欣龙,钟世豪,李超,彭山珊. 化学研究与应用. 2019(01)
[6]红外光谱结合神经元网络测定改性沥青SBS含量[J]. 王康. 化学研究与应用. 2018(12)
[7]傅里叶红外光谱法结合化学计量学方法区分鉴别塑钢窗[J]. 何欣龙,王继芬,刘腾飞,张宇,牛凡,余静. 理化检验(化学分册). 2018(11)
[8]透明膨胀型氨基树脂基阻燃涂料的研究进展及趋势[J]. 李佳朋,刘宁,王奉强,王清文. 涂料工业. 2018(01)
[9]红外光谱结合多元统计学检验汽车前保险杠[J]. 何欣龙,刘文浩,王继芬. 光散射学报. 2018(01)
[10]基于拉曼光谱和多元统计学研究蓝色中性笔油墨[J]. 牛凡,黄建同,张云,何欣龙,王艳芳. 光散射学报. 2017(03)
本文编号：3311254
本文链接：https://www.wllwen.com/guanlilunwen/pinpaiwenhualunwen/3311254.html
