何欣龍， 王繼芬*， 吳福璐， 李錦澤， 張 強， 陳 多

(1.中國人民公安大學刑事科學技術學院,北京 102600；2.吉林省長春市農(nóng)安縣公安局,吉林長春 130200； 3.中國人民公安大學信息技術與網(wǎng)絡安全學院,北京 102600； 4.中國人民公安大學交通管理工程學院,北京 102600)

橡膠顆粒的鑒別是司法鑒定中一項重要的工作。橡膠原材料主要有生膠、硫化體系、防護體系、填充補強體系和其他添加劑，而常見的橡膠成品有輪胎、膠鞋等，它在人們生活及尖端高科技等諸多領域都得到廣泛的應用[1]。在物證鑒定領域，輪胎橡膠作為一種微量物證，常見于交通肇事及其他一些訴訟案件中，因此，實現(xiàn)不同種類輪胎橡膠顆粒的精確識別與分類具有重要的意義，目前尚未見到較為普適的報道。

衰減全反射-傅里葉變換紅外(ATR-FTIR)光譜[2]作為一種無損檢驗技術，其特征性高、分析速度快、樣品用量少，可為一些無法用常規(guī)紅外光譜測量的樣品(橡膠)提供制樣攝譜技術，并實現(xiàn)非均勻樣品和不平整樣品表面的微區(qū)無損測量[3]，極大滿足了對樣本快速準確且無損檢驗的需求。歐陽愛國等[4]借助紅外光譜對甲醇和乙醇柴油進行了鑒別和含量測定，模型誤判率低于7.1%，實驗結(jié)果十分理想。蔡嘉華等[5]則利用ATR-FTIR光譜結(jié)合小波和小波包變換，研究并提高了苯丙酮尿癥篩查模型的性能。史令飛等[6]采用最小二乘支持向量機(LS-SVM)結(jié)合紅外光譜法實現(xiàn)了對潤滑油酸值更為準確地測定。

聚類分析和神經(jīng)網(wǎng)絡是化學計量學研究中的熱門領域，其中神經(jīng)網(wǎng)絡具有強大的特征提取與抽象能力，能夠整合多源信息，處理異構數(shù)據(jù)，是目前大數(shù)據(jù)分析中最成功的方法[7 - 8]。主要方法有前饋神經(jīng)網(wǎng)絡(FFNN)、徑向基函數(shù)神經(jīng)網(wǎng)絡(RBF)和霍普菲爾網(wǎng)絡(HN)等。其中，RBF可以根據(jù)具體問題確定相應的網(wǎng)絡拓撲結(jié)構，具有自學習、自組織、自適應功能，能夠以任意精度逼近任意連續(xù)函數(shù)，特別適合于解決分類問題，同時其有很快的學習收斂速度，可以進行大范圍的數(shù)據(jù)融合，可以并行高速地處理數(shù)據(jù)，進而發(fā)掘數(shù)據(jù)內(nèi)部難以解析的規(guī)律性[9 - 10]。本實驗借助ATR-FTIR光譜，結(jié)合凝聚型層次聚類分析(CHCA)和RBF對輪胎橡膠進行建模區(qū)分，同時對相關結(jié)果進行討論，以期為案發(fā)現(xiàn)場輪胎橡膠顆粒的種類鑒別提供一種新的準確研究方法。

1 實驗部分

1.1 儀器及樣本

Nicolet 5700型傅立葉變換紅外光譜儀(Thermo Fisher Scientific公司)；衰減全反射套件(ATR，Thermo Fisher Scientific公司，選Ge晶體作為晶體材料)，掃描次數(shù)32次；光譜分辨率4 cm-1；以空氣為背景進行光譜采集；光譜數(shù)據(jù)處理采用OPUS軟件(德國Bruker公司)，選取波數(shù)在4 000～500 cm-1段譜圖，需注意避免CO2和水分對實驗結(jié)果的干擾，每個樣本采集3次，取平均值。

從建材市場收集75個不同品牌和生產(chǎn)廠家的輪胎橡膠樣本。

1.2 實驗方法

1.2.1 建模CHCA是一種有效的分類方法，其能有效處理大數(shù)據(jù)集，應付不同的數(shù)據(jù)類型，算法的效率能滿足大數(shù)據(jù)量高復雜性要求且對數(shù)據(jù)的輸入順序不敏感。RBF是一種將輸入矢量擴展或者預處理到高維空間中的神經(jīng)網(wǎng)絡學習方法[9]，具有局部響應特性和唯一最佳逼近點，能以任意精度逼近任一連續(xù)函數(shù)，常用于非線性系統(tǒng)的定量預測，快捷且準確度高[10]。它由輸入層、隱含層和輸出層3層構成，其中輸入層是將特征向量輸入神經(jīng)網(wǎng)絡，隱含層即傳遞函數(shù)，將低維的模式輸入數(shù)據(jù)變換到高維空間內(nèi)，以利于輸出層進行分類識別[11]，隱層的轉(zhuǎn)移函數(shù)一般采用高斯函數(shù)，其形式為：

f(‖x-xc‖)=exp{-‖x-xc‖2/(2×σ)2)}

(1)

其中，x是空間中的任意一點，xc為核函數(shù)中心，‖‖是歐式范數(shù)，σ為函數(shù)的寬度參數(shù)，直接控制函數(shù)的徑向作用范圍。

輸出層，即第j個輸出點為：

(2)

其中ω為神經(jīng)網(wǎng)絡權值，i=1,2,3,…,M。

1.2.2 方法借助ATR-FTIR光譜獲取樣本的紅外光譜數(shù)據(jù)，剔除波數(shù)在2 406～2 271 cm-1(CO2峰)的干擾數(shù)據(jù)，選擇Z標準化(即ZCore標準化)預處理，消除光譜數(shù)據(jù)量綱不一致影響，選擇主成分分析對樣本進行降維，簡化計算復雜性，篩選出具有高識別特征的變量，借助CHCA和RBF展開對特征變量的區(qū)分建模。

2 結(jié)果與討論

2.1 CHCA分析

75個輪胎橡膠樣本主成分分析的特征根方差貢獻率摘要見表1。由表1可知，共提取到5個主成分，“Total”是特征根，即為主成分影響力度的指標，一般以1為標準，只需提取特征根大于1的主成分，同時滿足累計方差貢獻率(Cumulative%)大于85%，才能作為代表原始變量的主成分分數(shù)[12]。表中PCA1、PCA2、PCA3和PCA4的特征根分別為307.081、254.337、106.486和99.212，其值均大于1，可以作為代表原始變量的主成分分數(shù)。各成分方差貢獻率分別是33.342%、27.615%、11.562%、10.772%和4.899%，累計方差貢獻率為88.191%，其值大于85%，表明5個主成分可解釋樣本的特征信息，可作為特征變量建立分類模型。

表1 特征根方差貢獻率

選擇 “PCA1”、“PCA2”、“PCA3”、“PCA4”和“PCA5”為特征變量，借助CHCA分析構建模型，結(jié)果見表2。由表2可知，75個樣本分為了9大類，在此基礎上又分成了20小類。其中，A類共有12個樣本，是玲瓏品牌的輪胎橡膠；B類共有14個樣本，有佳通品牌的輪胎橡膠顆粒；C類是吉路爾品牌的輪胎橡膠顆粒，D類有朝陽和新陶品牌的輪胎橡膠顆粒，E類有WANALI品牌的輪胎橡膠顆粒，F(xiàn)類是青島平度豪邁輪橡膠顆粒，G類有朝陽和三角品牌的輪胎橡膠顆粒，H類有金宇品牌的輪胎橡膠顆粒，I類有Annait品牌的輪胎橡膠顆粒，J類有東風和泰發(fā)品牌的輪胎橡膠顆粒，K類是德國馬牌和正新品牌的輪胎橡膠顆粒，L類是MAXXIS和玲瓏品牌的輪胎橡膠顆粒，M類有DUNLOP品牌、佳通品牌、三角品牌的輪胎橡膠顆粒，N類是三角品牌的輪胎橡膠顆粒，O類是佳通品牌的輪胎橡膠顆粒，P類是韓泰品牌的輪胎橡膠顆粒，Q類是，R類是KUMHO品牌的輪胎，T類是米其林品牌的輪胎橡膠顆粒。

表2 75個樣本凝聚型層次聚類分析結(jié)果

圖1 特征變量重要性圖Fig.1 Significance chart of characteristic variables

2.2 RBF分析

為檢驗模型的重現(xiàn)性和準確率，采用RBF開展驗證性分析?；诰C合考慮神經(jīng)元個數(shù)和網(wǎng)絡性能，以及模型準確度的目的，輸入層選擇PCA1、PCA2、PCA3、PCA4和PCA5為變量因子，隱含層神經(jīng)元個數(shù)的確定采用遞增方法，即隱含層神經(jīng)元個數(shù)從零開始遞增，每增加一個神經(jīng)元都能最大限度的降低誤差，如果未達到網(wǎng)絡設計精度則繼續(xù)增加神經(jīng)元個數(shù)，直到滿足精度[9]。選擇隨機生成種子數(shù)為229176228，防止過度擬合集合為30.0%，模型終止條件為達到精度或者達到最大神經(jīng)元個數(shù)，構建RBF輪胎橡膠分類的標準模型。得到了特征變量重要性圖如圖1所示。圖1可直觀看出5個特征變量在做出分類預測時的重要程度。“特征4”為區(qū)分貢獻最大的特征，其重要性達0.22，其次為“特征3”，重要性為0.21，“特征1”重要性為0.20，“特征5” 重要性為0.19，“特征2”為區(qū)分貢獻最小的特征，重要性為0.18，所有特征變量的重要程度值總和為1。

表3即模型對各類別樣本的預測結(jié)果。第1類中，31個樣本實現(xiàn)了準確的歸類，2個樣本(1105-5和1221-15)預測錯誤，準確率為93.94%；第3類中，2個樣本(1221-16和1221-48)預測有誤；第4類中，1113-8和1130-5樣本預測有誤；其他幾類均實現(xiàn)了100%的準確預測?？傮w預測準確率為92.0%，模型結(jié)果分類理想。

表3 RBF模型對樣本的預測結(jié)果

2.3 紅外譜圖分析

對歸屬類別存在差異樣本的紅外譜圖展開解析，結(jié)果見圖2。由圖2a可知，樣本1221-15與第1和3類樣本譜圖的走向基本一致，在波數(shù)1 250～1 500 cm-1處均有三個尖峰，在波數(shù)1 000 cm-1均有一個寬峰，相比較第3類樣本，1221-15與第1類樣本的譜圖更相近，故而仍將其歸為第1類樣本。由圖2b可知，樣本1105-5與第1和3類樣本譜圖的走向基本一致，在波數(shù)1 000 cm-1左右均有一個寬峰，樣本1105-5與第1類樣本的峰強基本一樣，與第3類樣本之間的區(qū)分較為分明顯，故而仍將其歸為第1類樣本。圖2c中，樣本1221-16與第3類樣本譜圖走向基本一致，與第1類樣本譜圖差異明顯，仍然將其歸為第1類樣本。圖2d中，樣本1221-48與第2和3類樣本走向基本一致，在波數(shù)為750 cm-1左右1221-48與第3類樣本均有一個尖峰，而第2類樣本沒有，故而將樣本1221-48歸為第3類。圖2e中，樣本1113-8和1130-5和第2類樣本(1221-2和1221-47)相比較，其譜圖走向不一致，出峰位置各有差異，仍將其歸為單獨一類。綜上，75個樣本的歸屬情況如表2所示。

圖2 差異樣本紅外(IR)光譜圖比較Fig.2 Comparison of IR spectra for samplesa.The spectra comparison of 1221-15 with 1 and 3;b.The spectra comparison of 1105-5 with 1 and 3;c.The spectra comparison of 1221-16 with 1 and 3;d.The spectra comparison of 1105-5 with 2 and 3;e.The spectra comparison of 1113-8 with 1130-5 and 2.

3 結(jié)論

本實驗利用紅外光譜檢測、凝聚型層次聚類分析和徑向基函數(shù)模型對輪胎橡膠顆粒進行了準確的識別與分類，不僅實現(xiàn)了量少、快速和無損檢驗的目的，而且借助數(shù)學模型展開模式識別，實現(xiàn)了對輪胎橡膠顆粒更為合理和有效地鑒別。模型對各樣本的總體分類準確率達92.0%，分類結(jié)果較為理想，這也為其他物證的分類識別提供了一種新的思路和參考。后期將針對性收集相關樣本，同時考慮各個類別樣本的內(nèi)部差異，進而更深入地構建分類模型，以期實現(xiàn)對輪胎橡膠健全的分類研究體系，為法庭科學中輪胎橡膠物證的鑒別提供一定的參考和借鑒。