模式识别技术在法庭科学微量油漆物证鉴定中应用的研究

摘要

本文以各类案件中出现率极高的微量油漆物证的傅里叶红外光谱(FTIR)作为研究对象，将适合高维化学量测数据处理的模式识别方法SIMCA法和BP人工神经网络算法应用于微量油漆鉴定，用SIMCA方法对油漆样本的FTIR光谱进行了聚类分析，不同生产厂家的同一种类油漆经SIMCA方法聚类后，辨识率和拒绝率均达90％以上，取得了满意的聚类效果。在此基础上，采用三层BP(BackPropagation)人工神经网络，建立用于油漆样本红外光谱模式识别的ANN模型。运用Matlab5.2神经网络工具箱，设计了三类ANN识别程序。从识别结果来看，隐含层节点数为3的非线性-线性型人工神经网络的识别能力最强，识别正确率可达97％。本文对模式识别技术在法庭科学微量物证分析中的应用进行了探索性研究，对如何通过对物证样本的分析获取隐含其中的有用信息，进而实现基于计算机模式识别基础上的微量物证鉴定，提高微量物证鉴定的准确率和利用率进行了深入探讨。建立了以红外光谱数据对微量油漆物证进行分析鉴定的模式识别方法，结果准确、可行。可望成为法庭科学微量物证鉴定的新方法。 模式识别应用于法庭微量物证分析，不仅有理论价值，更有实际应用前景。微量物证本身是一类复杂的混合物，用简单的方法判断其各类光谱图只能实现种类的鉴别，但同类物证之间的细微差别难以快速、准确区分。因此引入模式识别这样的数据处理方法，是一种值得尝试的途径，在理论和实践上都具有重要意义。

目录

文摘

英文文摘

声明

1绪论

1.1选题及意义

1.2国内外研究现状

1.3问题分析

1.4主要研究内容

2微量物证及微量物证鉴定

2.1微量物证(Trace evidence)的基本概念

2.2微量物证的分类、特点及作用

2.3微量物证分析

2.4微量物证检验的发展趋势

3油漆的傅里叶红外光谱分析

3.1红外光谱分析原理

3.2油漆与油漆物证

3.3实验方法

4基于SIMCA聚类分析方法的油漆识别

4.1油漆的红外光谱图谱的构建比较及分析

4.2油漆模式识别类模型的建立

4.3光谱预处理方法

4.4油漆模型的诊断

4.5聚类结果分析图

4.6未知样品的预测

5基于BP人工神经网络的微量油漆鉴别

5.1神经元结构模型

5.2 BP人工神经网络的结构

5.3 BP人工神经网络算法原理

5.4学习规则

5.5 ANN模型

5.6样品分类

5.7特征吸光度值的提取及数据处理

5.8 ANN的设计

5.9识别结果

5.10讨论

6总结与展望

致谢

主要参考文献

攻读学位期间的成果