高级检索

ISSN1001-3806CN51-1125/TN 网站地图

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多元统计分析的香烟烟灰XRF快速检验

付钧泽 姜红 李意 满吉

引用本文:
Citation:

基于多元统计分析的香烟烟灰XRF快速检验

    作者简介: 付钧泽(1996-),男,硕士研究生,现主要从事刑事科学技术方面的研究.
    通讯作者: 姜红, jiangh2001@163.com
  • 中图分类号: O657.34

Rapid XRF test of cigarette ash based on multivariate statistical analysis

    Corresponding author: JIANG Hong, jiangh2001@163.com ;
  • CLC number: O657.34

  • 摘要: 香烟烟灰是案件现场中重要的物证。为了对香烟烟灰进行快速无损检测,采用多元统计分析方法,利用能量色散型X射线荧光光谱仪对收集到的83个烟灰样品进行了理论分析和实验验证,建立了基于化学计量学的香烟烟灰分类模型。借助聚类分析对样品聚类区分,聚类结果的准确性通过回归分析进行检验;而后采用物质元素作为变量,通过判别分析建立判别分类模型。结果表明,聚类结果良好,回归分析显示聚类分析的类别与各元素可建立良好拟合关系;判别分析得到的分类模型的准确率达到100%,若想对未知香烟烟灰样品进行归类,只需要输入判别模型的相关变量,在判别分布图中会显示出其位置, 就能对样品类别进行归类。此方法简单快速、结果准确可靠,为公安基层实际办案提供了参考。
  • Figure 1.  Dendrogram of cluster results

    Figure 2.  Histogram of residuals

    Figure 3.  Expected cumulative probability-cumulative probability of observation of standardized residual

    Figure 4.  Joint distribution of discriminant functions

    Table 1.  Sample table of cigarette ash

    serial number sample name and series
    1# Huanghelou (yellow hard box)
    2# Huanghelou (snow view two)
    3# Huanghelou (xueya serial)
    4# Nanjing (twelve hairpins in Jinling)
    5# Lanzhou (luck filter)
    6# Hongta Mountain (classic 1956)
    7# Changbai Mountain (red hard box)
    8# Changbai Mountain (yellow hard box)
    9# Zhongnanhai Five (white hard box)
    10# Seven Wolves (white hard box)
    11# Baisha(blue hard box)
    12# Taishan Xinyue (white hard box)
    13# Golden Leaves (rose gold hard box)
    14# Cloud(red hard box)
    15# Cloud(red soft box)
    16# Huanghelou(golden blue soft box)
    17# Huanghelou(red soft box)
    18# Red Double Happiness (gold soft box)
    19# International Double Happiness (red soft box)
    20# Memory Huangshan (yellow soft box)
    21# Yuxi(soft box)
    22# Great Hall of the People (guci box)
    23# Huanghelou(blue soft box)
    24# Liqun (gray hard box)
    25# Lanzhou(blue hard box)
    26# Baisha(red hard box)
    27# Furongwang(gold hard box)
    28# Gui(golden hard box)
    29# Changbai Mountain(777 box)
    30# Pride(white hard box)
    31# Golden Bridge(Golden hard box)
    32# Cloud Hulunbuir (green and yellow hard box)
    33# Nanjing(mengdu)
    34# Nanjing(xuanhemen)
    35# Nanjing(red hard box)
    36# Great Hall of People(red hard box)
    37# Zhonghua(red hard box)
    38# Zhonghua(red soft box)
    39# Lanzhou(purple hard box)
    40# Lanzhou(luck filter)
    41# ESSE(blue hard box)
    42# ENNE(white packaging)
    43# Dubao(white soft box)
    44# Huangshan(jimei)
    45# Huangshan Red Square Seal(red soft box)
    46# Red River Panda(red soft box)
    47# Peony (red soft box)
    48# Suyan(red soft box)
    49# Yuxi(hard box)
    50# Hongta Mountain(classic 100)
    51# Red Double Happiness(shangpai)
    52# Zhonghua(full open)
    53# Zhonghua(export)
    54# Great Hall of the People(legend)
    55# Great Hall of the People(shengjing)
    56# Red Golden Dragon(red soft box)
    57# Honghe(red and white hard box)
    58# Marlboro(blue hard box)
    59# Changbai Mountain(lanshang)
    60# Marlboro(gray hard box)
    61# Huangshan Red Square Seal(yellow hard box)
    62# Panda(orange hard box)
    63# Seven Stars(white hard box)
    64# Jianpai HD Silver 4(white hard box)
    65# Furongwang(yellow hard box)
    66# Panda(jiaozi)
    67# Seven Stars(black mark)
    68# Zhongnanhai(menthol flavor)
    69# KOOL
    70# Suyan(fuyun)
    71# Hongtashan(classic 150)
    72# Hongtashan(century)
    73# Taishan(soft box)
    74# Nanjing(xiqing)
    75# Baisha(boutique cigarette)
    76# Red double Happiness (hepai)
    77# Red double Happiness (jiangshan)
    78# Nanjing(red hard box)
    79# Zhonghua(red soft box 330)
    80# China Red
    81# Taishan(yellow hard box)
    82# Changbai Mountain(hailan)
    83# Dougle Happiness
    下载: 导出CSV

    Table 2.  Classification results of tobacco ash samples

    classification sample number
    70#, 74#, 65#, 77#, 78#, 73#, 79#, 76#, 81#, 68#, 80#, 71#
    18#, 63#, 56#, 60#, 64#, 41#, 53#, 58#
    8#, 29#, 7#, 59#, 82#, 51#, 67#, 69#, 72#, 75#, 40#, 83#, 27#, 34#, 37#, 33#, 2#, 42#, 66#
    3#, 16#, 47#, 12#, 24#, 14#, 25#, 5#, 30#, 15#, 45#, 17#, 19#, 22#, 11#, 4#, 13#, 36#, 55#, 54#, 31#, 32#, 10#, 61#, 9#, 43#, 38#, 52#, 23#, 1#, 21#, 49#, 28#, 46#, 6#, 50#, 35#, 44#, 48#, 20#, 26#, 39#, 57#, 62#
    下载: 导出CSV

    Table 3.  Analysis of variance results

    model sum of squares degree of freedom mean square jointhypothesestset signification
    1 regression 78.147 14 5.582 18.867 0.000
    residual 20.118 68 0.296
    total 98.265 82
    下载: 导出CSV

    Table 4.  Model summary

    model R R2 adjusted R2 error of standard estimation Durbin-Watson
    1 0.892 0.795 0.793 0.544 2.010
    下载: 导出CSV

    Table 5.  Wilks Lambda result

    function test Wilks Lambda chi square degree of freedom signification
    1~3 0.010 337.430 42 0.000
    2~3 0.129 149.223 26 0.000
    3 0.497 51.065 12 0.000
    下载: 导出CSV

    Table 6.  Eigenvalue of discriminant function

    function characteristic value percent of variance/% cumulative/% regular correlation
    1 12.173* 76.0 76.0 0.961
    2 2.837* 17.7 93.7 0.860
    3 1.013* 6.3 100.0 0.709
    下载: 导出CSV

    Table 7.  Sample back judgment output table

    classifi-cation forecast group members total
    1 2 3 4
    initial count 1 12 0 0 0 12
    2 0 8 0 0 8
    3 0 0 19 0 19
    4 0 0 0 44 44
    percentage/% 1 100 0 0 0 100
    2 0 100 0 0 100
    3 0 0 100 0 100
    4 0 0 0 100 100
    下载: 导出CSV
  • [1]

    YANG M N, JIANG H, ZHONG Y. Study on the neutron activation analysis of cigarette evidence[J].Guangdong Public Security Technology, 2017, 25(2):12-17(in Chinese). doi: 10.1007/BF02520575
    [2]

    JIANG H.Evidence examination of cigarettes[M].Beijing:Chinese People Public Security Official University Publishing House, 2018:201-202(in Chinese).
    [3]

    FU J Z, JIANG H, CHEN Y T, et al.A study on test of tipping paper with Fourier transform infrared spectroscopy[J].China Pulp & Paper, 2017, 38(20):43-48(in Chinese).
    [4]

    FU J Z, JIANG H, LI X R, et al.A study on discrimination of cigarette tipping paper by SEM/EDS[J].Heilongjiang Pulp & Paper, 2017, 45(3):10-19(in Chinese).
    [5]

    MA Sh N, WANG J M, FENG Y J, et al.Improvement of pretreatment method for determination of metal elements in cigarette ash by atomic absorption spectrometry[J].Journal of Light Industry, 2019, 34(5):32-39(in Chinese).
    [6]

    CUI D S, LIU X X.Icp-ms determined 39 elements in cigarette, ash and filter tip of a brand and preliminarily quantified the amount of elements consumed by smokers[J].Studies of Trace Elements and Health, 2009, 26(4):53-54(in Chinese). doi: 10.1176/appi.ajp.161.3.573
    [7]

    PEREZBERNAL J L, AMIGO J M, FERNANDEZTORRES R, et al.Trace-metal distribution of cigarette ashes as marker of tobacco brands[J].Forensic Science International, 2011(1):119-125.
    [8]

    HAN J T.Quantitative analysis for metallic elements in tobacco based on LIBS technique[D].Lanzhou: Northwest Normal University, 2012: 3(in Chinese).
    [9]

    ZHAO L, CHEN X Y, LI F C, et al.A preliminary study of mineral components of Chinese-produced cigarettes[J].Acta Petrologica et Mineralogica, 2009, 28(2):135-140(in Chinese).
    [10]

    GARG A N, SINGH V, CHUTKT N L, et al.Trace element characteristics of Indian cigarette tobacco by instrumental neutron activation analysis[J].Journal of Radioanalytical & Nuclear Chemistry, 1995, 195(1):161-172. doi: 10.1007/BF02036486
    [11]

    WU Q H, LI J, ZHANG Z Y.Discrimination of cigarette ash by SEM/EDS[J].Chinese Journal of Forensic Sciences, 2018, 19(1):76-81(in Chinese).
    [12]

    MA X, JIANG H, YANG J Q.Examination of plastic pack belts(ropes) via X-ray fluorescence spectrometry combined with multivariate statistical analysis[J].Laser & Optoelectronics Progress, 2019, 56(22):223005(in Chinese).
    [13]

    SAPKOTA Y, MCDONALD L M, GRIGGS T C, et al. Portable X-ray fluorescence spectroscopy for rapid and cost-effective determination of elemental composition of ground forage[J]. Frontiers in Plant Science, 2019, 10(5):317.
    [14]

    GAO J, SHENG C, SHEN R X, et al.Determination of inorganic elements in particulate matter by wavelength dispersive X-ray fluore-scence spectrometry[J].Chinese Journal of Analysis Laboratory, 2018, 37(7):809-812(in Chinese).
    [15]

    LIU W.Experimental study on fluorescent X-ray spectrum analysis for ferruginous marl[J].Journal of Anhui University of Technology(Natural Science Edition), 2012, 29(1):45-48(in Chinese).
    [16]

    WANG L, ZHANG J Q, HUA B.Determination of Zn, Al, Mg, Si, Fe, Ti, Ca, Zr and Ce components in zinc aluminum magnesium alloy by X ray fluorescence spectrometry[J].Chinese Journal of Analysis Laboratory, 2017, 36(6):738-741(in Chinese).
    [17]

    HE X L, WANG J F, HE Y, et al.Infrared spectroscopy identification of plastic steel windows based on Bayes discrimination analysis[J].Laser Journal, 2019, 40(11):33-37(in Chinese).
    [18]

    MURUGAN R, RAMASAMY T. Mutated k-means algorithm for dynamic clustering to perform effective and intelligent broadcasting in medical surveillance using selective reliable broadcast protocol in VANET[J]. Computer Communications, 2020, 150(1):563-568. doi: 10.1016/j.eswa.2014.01.021
    [19]

    YAN Q Y. Model-free tests for series correlation in multivariate linear regression[J]. Journal of Statistical Planning and Inference, 2020, 206(3):179-195.
    [20]

    LIU M, WANG Y Y.Exploring in durbin-watson autocorrelation test[J].The Journal of Quantitative & Technical Economics, 2014, 31(6):153-160(in Chinese).
    [21]

    HE X L, WANG J F, YU J Y, et al.Identification Raman spectroscopy of vehicle bumpers based on discrimination analysis[J].Laser Journal, 2019, 40(10):21-25(in Chinese).
    [22]

    GONG Y W, NIU J J.A hierarchical model of college students' physical health comprehensive evaluation was constructed based on Fisher's discriminant method[J].Contemporary Sports Technology, 2019, 9(30):143-144(in Chinese). doi: 10.1021/jp512930d
    [23]

    CHEN Y T, JIANG H.A method of discriminating cigarette inner li-ner by SEM/EDX[J].Heilongjiang Pulp & Paper, 2017, 45(4):9-22(in Chinese).
    [24]

    HE X L, WANG J F.The identification about the automotive bumper based on Newton interpolation polynomial-Infrared derivative spectroscopy[J/OL].(2019-11-06)[2019-12-27].http://kns.cnki.net/kcms/detail/51.1125.TN.20191106.1008.002.html(in Ch-inese).
  • [1] 欧阳爱国蔡会周李斌刘刚 . 玉米粉中苯甲酸的太赫兹光谱定量检测研究. 激光技术, 2020, 44(4): 478-484. doi: 10.7510/jgjs.issn.1001-3806.2020.04.014
    [2] 陆俊高淑梅熊婕杨幼益陈国庆 . 女性尿液荧光光谱学特性及机理分析. 激光技术, 2010, 34(1): 45-47,84. doi: 10.3969/j.issn.1001-3806.2010.01.013
    [3] 侯伟王继芬 . 基于红外指纹光谱的快速鉴别黑色记号笔墨水. 激光技术, 2020, 44(4): 436-440. doi: 10.7510/jgjs.issn.1001-3806.2020.04.007
    [4] 季佳华王继芬王冠翔卫辰洁高舒娴 . 基于径向基函数的水性木器漆喇曼光谱鉴别. 激光技术, 2020, 44(6): 762-767. doi: 10.7510/jgjs.issn.1001-3806.2020.06.020
    [5] 付奎娄本浊孙彦清龙姝明黄朝军 . Zn0.95-xBe0.05MnxSe稀磁半导体的光谱特性分析. 激光技术, 2015, 39(1): 135-139. doi: 10.7510/jgjs.issn.1001-3806.2015.01.027
    [6] 徐永浩宋彪陈晓帆黄梅珍 . 微型近红外光谱仪在苹果糖度测量中的应用研究. 激光技术, 2019, 43(6): 735-740. doi: 10.7510/jgjs.issn.1001-3806.2019.06.001
    [7] 毕琳娜陈国庆王俊颜浩然 . 甲基对硫磷溶液的荧光光谱及其特性----. 激光技术, 2010, 34(2): 253-257. doi: 10.3969/j.issn.1001-3806.2010.02.030
    [8] 张咏程瑶闫雨桐陈超陈国庆 . 几种常见食用油加热后荧光光谱特性变化的研究. 激光技术, 2013, 37(1): 109-113. doi: 10.7510/jgjs.issn.1001-3806.2013.01.027
    [9] 杨成方李雷张枫王道光刘诚刘莹 . 奶粉-三聚氰胺的荧光光谱特性研究. 激光技术, 2010, 34(2): 193-196,201. doi: 10.3969/j.issn.1001-3806.2010.02.014
    [10] 杜家蒙陈国庆马超群奚留华朱纯赵金辰顾颂 . 应用3维同步荧光光谱测定胭脂红浓度. 激光技术, 2017, 41(4): 503-506. doi: 10.7510/jgjs.issn.1001-3806.2017.04.009
    [11] 宋鑫澍陈国庆朱焯炜马超群朱纯张笑河刘怀博朱从海 . 3维荧光光谱测定白酒年份酒中乙酸的体积分数. 激光技术, 2018, 42(4): 531-535. doi: 10.7510/jgjs.issn.1001-3806.2018.04.018
    [12] 魏柏林陈国庆徐建才闫冠峰马超群朱拓高淑梅 . 荧光光谱结合概率神经网络用于无醇啤酒的识别. 激光技术, 2010, 34(6): 794-797. doi: 10.3969/j.issn.1001-3806.2010.06.020
    [13] 史院平朱拓陈国庆高淑梅郑磊马超群 . 运用荧光光谱特征参量识别五粮液白酒. 激光技术, 2011, 35(5): 684-687. doi: 10.3969/j.issn.1001-3806.2011.05.029
    [14] 谷玲黄奇峰马超群史院平陈国庆高淑梅 . 液态纯牛奶的3维荧光光谱特性与成分分析. 激光技术, 2011, 35(6): 742-744,769. doi: 10.3969/j.issn.1001-3806.2011.06.005
    [15] 方梓秋陈国庆吴亚敏 . 乙酸乙酯溶液的时间分辨荧光光谱研究. 激光技术, 2020, 44(2): 206-211. doi: 10.7510/jgjs.issn.1001-3806.2020.02.012
    [16] 林伟豪高致慧杨勇黄必昌贺威 . 基于激光光谱差分法检测NO2. 激光技术, 2014, 38(6): 835-838. doi: 10.7510/jgjs.issn.1001-3806.2014.06.024
    [17] 葛文萍地里木拉提·吐尔逊王耀祥田维坚 . 3种聚合物光纤γ射线辐照光谱特性实验研究. 激光技术, 2007, 31(5): 534-536.
    [18] 赵双琦熊博王晓飞孔全存 . 可调谐激光光谱系统中光学条纹的补偿方法. 激光技术, 2017, 41(5): 688-692. doi: 10.7510/jgjs.issn.1001-3806.2017.05.014
    [19] 赖思良王辉龚萍高慧李召松谢亮潘教青 . 基于近红外波段激光光谱吸收的丙烷探测研究. 激光技术, 2017, 41(2): 284-288. doi: 10.7510/jgjs.issn.1001-3806.2017.02.028
    [20] 严阳华文深刘恂崔子浩 . 高光谱解混方法研究. 激光技术, 2018, 42(5): 692-698. doi: 10.7510/jgjs.issn.1001-3806.2018.05.020
  • 加载中
图(4) / 表(7)
计量
  • 文章访问数:  179
  • HTML全文浏览量:  188
  • PDF下载量:  1
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-12-23
  • 录用日期:  2020-02-25
  • 刊出日期:  2020-11-25

基于多元统计分析的香烟烟灰XRF快速检验

    通讯作者: 姜红, jiangh2001@163.com
    作者简介: 付钧泽(1996-),男,硕士研究生,现主要从事刑事科学技术方面的研究
  • 1. 中国人民公安大学 侦查学院,北京 100038
  • 2. 北京华仪宏盛技术有限公司,北京 100024

摘要: 香烟烟灰是案件现场中重要的物证。为了对香烟烟灰进行快速无损检测,采用多元统计分析方法,利用能量色散型X射线荧光光谱仪对收集到的83个烟灰样品进行了理论分析和实验验证,建立了基于化学计量学的香烟烟灰分类模型。借助聚类分析对样品聚类区分,聚类结果的准确性通过回归分析进行检验;而后采用物质元素作为变量,通过判别分析建立判别分类模型。结果表明,聚类结果良好,回归分析显示聚类分析的类别与各元素可建立良好拟合关系;判别分析得到的分类模型的准确率达到100%,若想对未知香烟烟灰样品进行归类,只需要输入判别模型的相关变量,在判别分布图中会显示出其位置, 就能对样品类别进行归类。此方法简单快速、结果准确可靠,为公安基层实际办案提供了参考。

English Abstract

    • 随着烟民数量逐年增多,烟草消耗量越来越大,香烟的种类日益增多[1],在各类案件现场经常能提取到香烟烟灰物证。通过对提取到的烟灰物证进行检验,运用多元统计方法建立分析模型,可以对香烟烟灰物证进行快速识别[2]。香烟物证是法庭科学研究的重点问题,笔者已对香烟水松纸做过系统地研究[3-4]。MA等人[5]利用原子吸收法测定了卷烟烟灰中金属元素,提出了先进行灰化再微波消解的干湿结合前处理方法。CUI等人[6]采用电感耦合等离子体质谱法(inductively coupled plasma mass sprctrometry,ICP-MS)对香烟中的微量元素进行了准确测定。PÉREZBERNAL等人[7]利用电感耦合等离子体原子发射光谱法研究了14种微量元素在不同品牌香烟烟灰中的分布情况。HAN[8]利用激光诱导击穿光谱技术测量了烟草和烟灰中一些金属元素的含量。ZHAO等人[9]利用X射线衍射法对28种国产香烟烟灰中矿物成分进行了研究。GARG等人[10]采用中子活化分析法对香烟烟灰中微量元素进行了检验。WU等人[11]利用扫描电镜/能谱法对25个不同的香烟烟灰样品进行了分析,结果表明同一品牌不同档次、同一厂家不同品牌的香烟灰样品中的元素种类和相对百分含量存在明显差异。上述方法中,有的仪器设备价格昂贵,样品制备复杂,最佳操作条件遴选过程周期较长、灵敏度较低。而X射线荧光光谱法具有分析时间短、分析元素广、工作曲线线性范围宽、对检材无损且光谱干扰少等优点,被广泛应用于冶金、化工等行业[12-16]

      本实验中采用手持式能量色散型X射线荧光光谱仪对收集到的83个不同品牌、同一品牌不同系列的香烟烟灰样品进行检验,结合系统聚类的方法对样品准确分类,并通过回归分析及判别分析法验证其准确性。取得了良好的实验效果,可为案件现场香烟烟灰物证快检提供借鉴。

    • OXFORD X-MET7500型荧光光谱仪(OXFORD公司);Poly-MHP透射膜、样品盒;Rh为阳极靶,电压为40kV,电流为50mA,测试时间为90s。

    • 不同品牌、同一品牌不同系列的香烟烟灰样本83个, 见表 1

      Table 1.  Sample table of cigarette ash

      serial number sample name and series
      1# Huanghelou (yellow hard box)
      2# Huanghelou (snow view two)
      3# Huanghelou (xueya serial)
      4# Nanjing (twelve hairpins in Jinling)
      5# Lanzhou (luck filter)
      6# Hongta Mountain (classic 1956)
      7# Changbai Mountain (red hard box)
      8# Changbai Mountain (yellow hard box)
      9# Zhongnanhai Five (white hard box)
      10# Seven Wolves (white hard box)
      11# Baisha(blue hard box)
      12# Taishan Xinyue (white hard box)
      13# Golden Leaves (rose gold hard box)
      14# Cloud(red hard box)
      15# Cloud(red soft box)
      16# Huanghelou(golden blue soft box)
      17# Huanghelou(red soft box)
      18# Red Double Happiness (gold soft box)
      19# International Double Happiness (red soft box)
      20# Memory Huangshan (yellow soft box)
      21# Yuxi(soft box)
      22# Great Hall of the People (guci box)
      23# Huanghelou(blue soft box)
      24# Liqun (gray hard box)
      25# Lanzhou(blue hard box)
      26# Baisha(red hard box)
      27# Furongwang(gold hard box)
      28# Gui(golden hard box)
      29# Changbai Mountain(777 box)
      30# Pride(white hard box)
      31# Golden Bridge(Golden hard box)
      32# Cloud Hulunbuir (green and yellow hard box)
      33# Nanjing(mengdu)
      34# Nanjing(xuanhemen)
      35# Nanjing(red hard box)
      36# Great Hall of People(red hard box)
      37# Zhonghua(red hard box)
      38# Zhonghua(red soft box)
      39# Lanzhou(purple hard box)
      40# Lanzhou(luck filter)
      41# ESSE(blue hard box)
      42# ENNE(white packaging)
      43# Dubao(white soft box)
      44# Huangshan(jimei)
      45# Huangshan Red Square Seal(red soft box)
      46# Red River Panda(red soft box)
      47# Peony (red soft box)
      48# Suyan(red soft box)
      49# Yuxi(hard box)
      50# Hongta Mountain(classic 100)
      51# Red Double Happiness(shangpai)
      52# Zhonghua(full open)
      53# Zhonghua(export)
      54# Great Hall of the People(legend)
      55# Great Hall of the People(shengjing)
      56# Red Golden Dragon(red soft box)
      57# Honghe(red and white hard box)
      58# Marlboro(blue hard box)
      59# Changbai Mountain(lanshang)
      60# Marlboro(gray hard box)
      61# Huangshan Red Square Seal(yellow hard box)
      62# Panda(orange hard box)
      63# Seven Stars(white hard box)
      64# Jianpai HD Silver 4(white hard box)
      65# Furongwang(yellow hard box)
      66# Panda(jiaozi)
      67# Seven Stars(black mark)
      68# Zhongnanhai(menthol flavor)
      69# KOOL
      70# Suyan(fuyun)
      71# Hongtashan(classic 150)
      72# Hongtashan(century)
      73# Taishan(soft box)
      74# Nanjing(xiqing)
      75# Baisha(boutique cigarette)
      76# Red double Happiness (hepai)
      77# Red double Happiness (jiangshan)
      78# Nanjing(red hard box)
      79# Zhonghua(red soft box 330)
      80# China Red
      81# Taishan(yellow hard box)
      82# Changbai Mountain(hailan)
      83# Dougle Happiness
    • 将收集到的烟灰样品装入样品盒内,用Poly-MHP透射膜将装有烟灰的样品盒上端封住,在上述实验条件下进行检测。借助SPSS24.0软件,Zscore标准化处理数据[17]。利用数理统计方法,对样品进行分析。

    • 按照相似性将物理或抽象对象分类,各个类别由类似对象组成,这一过程称为聚类。聚类分析是按照一定的相似性对样品分类后,通过分析发现全局数据的分布模式及样品之间的相互关系[18]。现将样品数据进行标准化处理,然后采用Ward法作为类间亲疏程度的度量方法,平方欧氏距离作为个体间距离的计算方式。样品经过聚类分析后的分类结果见图 1

      Figure 1.  Dendrogram of cluster results

      图 1所示,为了不使样品分类类别过多,同时达到聚类分析的目的,取重新标定距离为5,所有样品被分为4类(见表 2)。

      Table 2.  Classification results of tobacco ash samples

      classification sample number
      70#, 74#, 65#, 77#, 78#, 73#, 79#, 76#, 81#, 68#, 80#, 71#
      18#, 63#, 56#, 60#, 64#, 41#, 53#, 58#
      8#, 29#, 7#, 59#, 82#, 51#, 67#, 69#, 72#, 75#, 40#, 83#, 27#, 34#, 37#, 33#, 2#, 42#, 66#
      3#, 16#, 47#, 12#, 24#, 14#, 25#, 5#, 30#, 15#, 45#, 17#, 19#, 22#, 11#, 4#, 13#, 36#, 55#, 54#, 31#, 32#, 10#, 61#, 9#, 43#, 38#, 52#, 23#, 1#, 21#, 49#, 28#, 46#, 6#, 50#, 35#, 44#, 48#, 20#, 26#, 39#, 57#, 62#
    • 为了考察聚类结果的准确性,借助多元线性回归分析考察聚类结果分成的不同类别与各个元素变量之间的相互依赖的关系。回归分析是研究变量之间相关关系的一种统计方法,运用十分广泛,这种技术通常用于预测分析[19]。回归模型的相关参量方差分析结果见表 3。回归模型的分析结果见表 4。残差直方图见图 2。标准化残差预期累积概率-累积目标概率图见图 3

      Table 3.  Analysis of variance results

      model sum of squares degree of freedom mean square jointhypothesestset signification
      1 regression 78.147 14 5.582 18.867 0.000
      residual 20.118 68 0.296
      total 98.265 82

      Table 4.  Model summary

      model R R2 adjusted R2 error of standard estimation Durbin-Watson
      1 0.892 0.795 0.793 0.544 2.010

      Figure 2.  Histogram of residuals

      Figure 3.  Expected cumulative probability-cumulative probability of observation of standardized residual

      表 3可知,回归模型的显著性水平为0.000(预测变量:常数、铅、铁、钴、钾、钛、锆、锌、铜、钙、汞、锰、钡、铷、锶),其显著性概率远远小于0.01,故说明该模型内各个元素变量对类别变量的影响达到显著性水平。

      R2代表着模型参量对因变量的解释能力,不同模型可以直接用R2来判断模型精确度的高低,其值越接近1,说明回归直线对于观测值的拟合效果越好。由表 4可知,该回归模型的调整后R=0.793,拟合度较好(预测变量同表 3)。Durbin-Watson统计量的值为2.010,与临界值(d=2)十分接近,在无自相关性的值域之中,认定残差独立,通过检验。说明变量之间基本没有自相关性,各个元素变量的独立性较好[20]

      图 2可知,标准化残差直方图呈一个倒扣的钟形,左右两侧基本对称。由图 3可知,标准化残差的预期累积概率-累积目标概率图中散点大部分靠近斜线,综合而言,残差符合正态分布。根据以上残差独立性检验和残差正态性检验的结果,认为数据基本满足线性回归要求,所建立的模型可按照拟合质量进行预测,即通过2.1节中聚类分析得到的样品类别与各元素之间可建立良好的拟合关系,说明聚类结果较为准确。

    • 判别分析是一种判断个体所属类别的统计分析手段[21-22],是根据已知对象的某些观测值和其所属类别来判断未知对象所属类别,因此可将判别分析与聚类分析相结合,建立判别模型对聚类分析结果进行检验。将2.1节中聚类分析的结果作为已知类别,对样品聚类结果进行逐步判别分析,根据判别函数计算得出相对应的得分, 样品最终划入得分最高的类中[23-24]。4个类别Wilk的Lambda检验判别结果见表 5

      Table 5.  Wilks Lambda result

      function test Wilks Lambda chi square degree of freedom signification
      1~3 0.010 337.430 42 0.000
      2~3 0.129 149.223 26 0.000
      3 0.497 51.065 12 0.000

      表 5可知,软件在判别过程中建立了3个判别函数,函数1、2、3的显著性水平均小于0.05,说明3个判别函数显著成立,采用这3个函数得到的判别结果较好,判别函数的特征值见表 6

      Table 6.  Eigenvalue of discriminant function

      function characteristic value percent of variance/% cumulative/% regular correlation
      1 12.173* 76.0 76.0 0.961
      2 2.837* 17.7 93.7 0.860
      3 1.013* 6.3 100.0 0.709

      表 6中的方差百分比反映了典型函数所能解释的方差变异程度(*表示分析中使用了前3种典型的判别函数),由函数1的方差百分比值为76.0%,函数2的方差百分比值为17.7%,函数3的方差百分比为6.3%,函数1所能解释的信息远远比函数2及函数3多。所以选取函数1作为区分样品的主要判别依据。函数1与函数2之间典型相关性系数分别为0.961和0.860,表示样品在函数1和函数2这两个维度上具有显著差异。故选择函数1和函数2作为函数判别轴建立联合分布图,结果见图 4

      Figure 4.  Joint distribution of discriminant functions

      图 4可知,1代表第Ⅰ类样品,2代表第Ⅱ类样品,3代表第Ⅲ类样品,4代表第Ⅳ类样品。这4类样品在函数1、函数2的判别轴上区分明显。由于函数1是区分样品的主要依据,在函数1的维度上,4类样本之间的差异性显著,同一类的样品均落在了同一区域。利用Fisher判别函数进行回判,样品回判正确率为100%,表明该判别模型对样品的区分效果显著。结果见表 7

      Table 7.  Sample back judgment output table

      classifi-cation forecast group members total
      1 2 3 4
      initial count 1 12 0 0 0 12
      2 0 8 0 0 8
      3 0 0 19 0 19
      4 0 0 0 44 44
      percentage/% 1 100 0 0 0 100
      2 0 100 0 0 100
      3 0 0 100 0 100
      4 0 0 0 100 100

      第Ⅰ类样品的线性判别函数是:

      $ \begin{array}{l} {Y_1} = - 24.019 - 4.080{X_1} + 1.949{X_2} + 1.869{X_3} + {\rm{ }}\\ \;\;\;\;\;\;\;\;4.030{X_4} - 6.936{X_5} + 1.422{X_6} - 0.246{X_7} + {\rm{ }}\\ \;\;\;\;\;\;\;\;2.423{X_8} + 8.208{X_9} - 12.735{X_{10}} - 4.689{X_{11}} - {\rm{ }}\\ \;\;\;\;\;\;\;\;1.304{X_{12}} - 6.957{X_{13}} - 8.006{X_{14}} \end{array} $

      (1)

      第Ⅱ类样品线性判别函数是:

      $ \begin{array}{l} {Y_2} = - 28.162 + 1.769{X_1} - 2.951{X_2} - 5.120{X_3} - \\ \;\;\;\;\;\;\;\;5.183{X_4} + 12.992{X_5} - 1.291{X_6} - 2.038{X_7} - \\ \;\;\;\;\;\;\;\;3.221{X_8} - 4.050{X_9} + 12.648{X_{10}} + 8.530{X_{11}} + \\ \;\;\;\;\;\;\;\;1.592{X_{12}} + 1.760{X_{13}} + 0.106{X_{14}} \end{array} $

      (2)

      第Ⅲ类样品线性判别函数是:

      $ \begin{array}{l} {Y_3} = - 4.974 + 0.185{X_1} + 1.956{X_2} + 2.897{X_3} + \\ \;\;\;\;\;\;\;\;0.348{X_4} - 3.235{X_5} + 0.961{X_6} - 0.348{X_7} + \\ \;\;\;\;\;\;\;\;0.297{X_8} + 0.347{X_9} - 3.112{X_{10}} - 3.673{X_{11}} - \\ \;\;\;\;\;\;\;\;1.666{X_{12}} + 0.935{X_{13}} - 0.415{X_{14}} \end{array} $

      (3)

      第Ⅳ类样品线性判别函数是:

      $ \begin{array}{l} {Y_4} = - 3.180 + 0.711{X_1} - 0.840{X_2} - 0.830{X_3} - \\ \;\;\;\;\;\;\;\;0.307{X_4} + 0.927{X_5} - 0.568{X_6} + 0.588{X_7} - \\ \;\;\;\;\;\;\;\;0.204{X_8} - 1.652{X_9} + 2.517{X_{10}} + 1.314{X_{11}} + \\ \;\;\;\;\;\;\;\;0.785{X_{12}} + 1.174{X_{13}} + 2.344{X_{14}} \end{array} $

      (4)

      (1) 式~(4)式中的Y1~Y4分别为判别函数的因变量,X1~X14分别为判别函数的自变量。

      表 7显示,100.0%的初始样品被正确分类,利用判别模型预测的样品类别与实际样品类别完全一致,若要检验其它未知样品的分类,只需将样品元素含量输入各变量中,就能直接在联合分布图上找到与之距离最近的分组质心,进而完成对未知样品的准确分类。

    • 本实验中利用X射线荧光光谱仪建立了一种鉴别香烟烟灰成分的方法,能够对香烟烟灰样品进行快速无损检测。首先根据X射线荧光光谱数据对样品进行定性半定量分析初步归类,而后利用SPSS软件,采用Ward法对样品进行更为科学的聚类, 实现了对香烟烟灰样品的种属划分。最后使用回归分析和判别分析对聚类结果进行评价,从而发现各元素与聚类分析产生的类别具有很强的拟合关系,再借助判别分析确定各类样品之间质心完全分离开来,判别情况良好,印证了系统聚类结果是准确可靠的。同时建立了判别函数模型,借助Fisher函数进行回判,得出的分类结果其归类正确率为100%。利用该方法对现场提取到的未知香烟烟灰物证,可通过该判别模型进行快速分类,从而提高烟灰物证的检验效率,为侦查提供帮助。

参考文献 (24)

目录

    /

    返回文章
    返回