论文部分内容阅读
一次性口罩的分类识别在法庭科学物证鉴别中具有重要意义,因此,提出了一种基于拉曼光谱和机器学习的一次性口罩分类识别方法。首先,采集来自不同城市、不同厂家生产的37种一次性口罩样品的拉曼光谱数据。然后,利用Savitzky-Golay平滑和归一化算法对数据进行预处理,通过主成分分析法和拉曼光谱特征峰对照方法划分口罩类别。最后,构建了基于支持向量机(SVM)、贝叶斯判别分析和前反馈(BP)神经网络的一次性口罩分类识别模型。实验结果表明,SVM模型训练集和测试集的准确率分别为93.3%和100.0%,贝叶斯判别分析模型的训练集和测试集准确率均为100.0%,BP神经网络模型的训练集、验证集、测试集准确率分别为93.9%、60.0%、60.0%。因此,将贝叶斯判别分析模型作为口罩分类识别的最佳模型,为法庭科学技术的物证检验提供了一定的借鉴意义。