CN115760162A - 一种海洛因溯源的预测模型的建立方法及海洛因溯源的方法 - Google Patents
一种海洛因溯源的预测模型的建立方法及海洛因溯源的方法 Download PDFInfo
- Publication number
- CN115760162A CN115760162A CN202211478707.4A CN202211478707A CN115760162A CN 115760162 A CN115760162 A CN 115760162A CN 202211478707 A CN202211478707 A CN 202211478707A CN 115760162 A CN115760162 A CN 115760162A
- Authority
- CN
- China
- Prior art keywords
- near infrared
- heroin
- training set
- infrared spectrum
- data training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及海洛因溯源技术领域，具有涉及一种海洛因溯源的预测模型的建立方法及海洛因溯源的方法。本发明提供的建立方法，包括以下步骤：将已知产地信息的不同产地的海洛因样品进行近红外光谱测定，得到近红外光谱数据训练集；将所述近红外光谱数据训练集进行光谱预处理，得到消噪后的数据训练集；对所述消噪后的数据训练集进行特征分析，得到特征数据训练集；通过粒子群优化‑极限学习机算法建立所述特征数据训练集与样品来源的预测模型，所述预测模型为特征数据训练集的近红外光谱吸收强度和海洛因样品产地之间的模型。本发明的预测模型能够对待检测海洛因样品实现现场快速、无损、有效溯源。
Description
技术领域
本发明涉及海洛因溯源技术领域，具有涉及一种海洛因溯源的预测模型的建立方法及海洛因溯源的方法。
背景技术
毒品案件中的毒品都为非法生产，由于制毒原料来源不同，生产设备、生产者技术水平和生产工艺流程存在差异，不同的制毒工厂生产的同一类毒品所含的有效成分含量、杂质种类及含量、残留溶剂种类及含量等都会有所不同，这为利用现代分析技术推断毒品的来源提供了物质基础。毒品溯源技术主要是利用各种先进的分析技术和手段对缴获的毒品样品进行全面的理化检验及成分分析，建立样品信息数据库，再利用科学的统计方法和大数据分析方法，来推测毒品的同一案件认定、可能产地、相关加工工艺和运输过程等毒品来源信息。
常用的毒品检测方法主要有化学法、色谱法和光谱法，化学法简单快速，但不易检测出微量或化学结构相近的毒品，且结果受杂质干扰较大。色谱法需对样品进行预处理，程序较为复杂，且需专业人员位于实验室操作，无法做到现场快速检测。
发明内容
有鉴于此，本发明提供一种海洛因溯源的预测模型的建立方法及海洛因溯源的方法，本发明提供的建立方法得到的预测模型能够用于海洛因的现场溯源方法，步骤简单，且能够准确溯源。
为了实现上述发明目的，本发明提供一种海洛因溯源的预测模型的建立方法，包括以下步骤：
将已知产地信息的不同产地的海洛因样品进行近红外光谱测定，得到近红外光谱数据训练集；
将所述近红外光谱数据训练集进行光谱预处理，得到消噪后的数据训练集；
对所述消噪后的数据训练集进行特征分析，得到特征数据训练集；
通过粒子群优化-极限学习机算法建立所述特征数据训练集与样品来源的预测模型，所述预测模型为特征数据训练集的近红外光谱吸收强度和海洛因样品产地之间的模型。
优选地，所述近红外光谱测定的参数包括：光谱分辨率为5.85nm；扫描点数为228，光谱采集模式为反射模式，光谱扫描次数≥6。
优选地，所述光谱预处理的方法包括平滑处理、多元散射校正、标准正态变量校正、小波变换、正交信号校正和导数法处理中的一种或多种。
优选地，所述特征分析为采用连续投影法、相关系数法、无信息变量消除法、遗传算法或间隔偏最小二乘法进行波长选择。
优选地，所述粒子群优化-极限学习机算法的最佳神经元个数设定为30；所述粒子群优化-极限学习机算法以Sigmoidal函数为隐含层神经元激励函数。
本发明还提供了一种海洛因溯源的方法，包括以下步骤：
测定待测海洛因样品的近红外光谱；
将所述近红外光谱进行光谱预光谱，得到消噪后的近红外光谱；
对所述消噪后的近红外光谱进行特征分析，得到特征近红外光谱；
将所述特征近红外光谱代入所述的预测模型建立方法得到的预测模型中，得到待测海洛因样品的来源信息。
本发明提供一种海洛因溯源的预测模型的建立方法，包括以下步骤：将已知产地信息的不同产地的海洛因样品进行近红外光谱测定，得到近红外光谱数据训练集；将所述近红外光谱数据训练集进行光谱预处理，得到消噪后的数据训练集；对所述消噪后的数据训练集进行特征分析，得到特征数据训练集；通过粒子群优化-极限学习机算法建立所述特征数据训练集与样品来源的预测模型，所述预测模型为特征数据训练集的近红外光谱吸收强度和海洛因样品产地之间的模型。本发明通过所述的预测模型对待检测的海洛因样品能够实现现场快速、无损、有效溯源，为禁毒实战中的案件侦破提供制毒、贩毒线索，并为犯罪场所的认定、案件性质的确定提供依据。
另外，本发明所提出的建立方法具有模型泛化能力强、训练参数少、准确性高的优点，并能够实现对海洛因毒品的现场快速确定案件来源，为禁毒实战中的案件侦破提供制毒、贩毒线索，为犯罪场所的认定、案件性质的确定提供依据，从而更好地服务公安实战。
本发明还提供了一种海洛因溯源的方法，包括以下步骤：测定待测海洛因样品的近红外光谱；将所述近红外光谱进行光谱预光谱，得到消噪后的近红外光谱；对所述消噪后的近红外光谱进行特征分析，得到特征近红外光谱；将所述特征近红外光谱代入所述的预测模型建立方法得到的预测模型中，得到待测海洛因样品的来源信息。本发明提供的预测方法操作简单，可适用于现场对海洛因溯源。
附图说明
图1为标准品的近红外光谱数据训练集的原始光谱图；
图2为消噪后的数据训练集的光谱图。
具体实施方式
本发明提供了一种海洛因溯源的预测模型的建立方法，包括以下步骤：
将已知产地信息的不同产地的海洛因样品进行近红外光谱测定，得到近红外光谱数据训练集；
将所述近红外光谱数据训练集进行光谱预处理，得到消噪后的数据训练集；
对所述消噪后的数据训练集进行特征分析，得到特征数据训练集；
通过粒子群优化-极限学习机算法建立所述特征数据训练集与样品来源的预测模型，所述预测模型为特征数据训练集的近红外光谱吸收强度和海洛因样品产地之间的模型。
本发明将已知产地信息的不同产地的海洛因样品进行近红外光谱测定，得到近红外光谱数据训练集。
在本发明中，所述海洛因样品优选选自不同产地、不同批次的海洛因样品；所述海洛因样品的产地优选包括缅甸、泰国、越南和老挝。
在本发明中，所述近红外光谱测定的仪器优选为手持式近红外光谱仪；所述手持式近红外光谱仪优选为苏州扬光绿能股份有限公司生产的手持式近红外光谱仪DLP-NIR-G1。在本发明中，所述近红外光谱测定的参数包括：光谱分辨率优选为5.85nm；扫描点数优选为228，光谱采集模式优选为反射模式，光谱扫描次数优选≥6。
得到近红外光谱数据训练集后，本发明将所述近红外光谱数据训练集进行光谱预处理，得到消噪后的数据训练集。
在本发明中，所述光谱预处理的方法优选包括平滑处理、多元散射校正、标准正态变量校正、小波变换、正交信号校正和导数法处理中的一种或多种，更优选为导数法。在本发明中，所述导数法优选为一阶导数法。在本发明实施例中所述光谱预处理优选为选取Savitzky-Golay(SG)一阶导数法对所述标准品的近红外光谱数据训练集进行预处理操作，窗口大小设置为11，选用二次多项式，对光谱数据进行光谱预处理。
得到消噪后的数据训练集后，本发明对所述消噪后的数据训练集进行特征分析，得到特征数据训练集。
在本发明中，所述特征分析为采用连续投影法、相关系数法、无信息变量消除法、遗传算法或间隔偏最小二乘法进行波长选择。
在本发明中，所述连续投影算法进行波长选择优选为将波长投影到其他波长上，比较投影向量大小，以投影向量最大的波长为待选波长，最终基于矫正模型选择最终的特征波长。在本发明中，所述海洛因样品的原始近红外光谱数据的波长范围为900～1700nm，使用连续投影算法设定起始特征波长分别为1050nm和1300nm，特征变量分别为150和200，对原始光谱数据进行特征分析，优选波长为1050～1200nm和1300～1500nm。
得到特征数据训练集后，本发明通过粒子群优化-极限学习机算法建立所述特征数据训练集与样品来源的预测模型，所述预测模型为特征数据训练集的红外光谱强度和海洛因样品产地之间的模型。
在本发明中，所述粒子群优化-极限学习机算法的最佳神经元个数设定为30，以Sigmoidal函数为隐含层神经元激励函数。
在本发明中，所述近红外光谱主要是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生，记录的是含氢基团X-H(X＝＝C、N、O)振动的倍频和合频吸收，不同基团(如甲基、亚甲基、苯环等)或同一基团在不同化学环境中的近红外吸收波长与强度均有明显差异。海洛因的主要成分包括C-H、N-H、O-H等分子结构，所包含的有机组分的物理化学信息在近红外光谱中均有体现，而海洛因的主要成分的不同是由于原产地的不同导致的。基于上述原理建立所述特征数据训练集与样品来源的预测模型。
本发明还提供了一种海洛因溯源的方法，包括以下步骤：
测定待测海洛因样品的近红外光谱；
将所述近红外光谱进行光谱预光谱，得到消噪后的近红外光谱；
对所述消噪后的近红外光谱进行特征分析，得到特征近红外光谱；
将所述特征近红外光谱代入所述的预测模型建立方法得到的预测模型中，得到待测海洛因样品的来源信息。
下面将结合本发明中的实施例，对本发明中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
对云南省某公安局缴获的4个不同案件的180个海洛因毒品样品进行近红外光谱测定，得到近红外光谱数据训练集。
近红外光谱测定的参数设定为：光谱采集模式为反射模式，光谱分辨率为5.85nm，扫描点数为228，将光谱仪的光源放置于海洛因毒品样本上，每个样本光谱扫描6次，取6次光谱的平均值作为原始光谱数据，从而得到近红外光谱数据训练集，如图1所示，从图1可知：不同来源的毒品由于海洛因毒品的纯度和掺杂的成分不同，从而导致样本的近红外光谱吸收度不同。
将所述标准品的近红外光谱数据训练集进行光谱预处理，得到消噪后的数据训练集，所述光谱预处理具体操作为：选取Savitzky-Golay(SG)一阶导数法对原始得到的光谱数据进行光谱预处理操作，窗口大小设置为11，选用二次多项式，光谱预处理的结果如图2所示，从图2可知：经过预处理后的光谱图像有效消除了光谱的基线漂移，提高了光谱的信噪比。
使用连续投影算法进行特征分析，确定建模的波长范围为1050～1200nm和1300～1500nm。
通过粒子群优化-极限学习机算法建立所述特征数据训练集与样品来源的预测模型。
在本发明中，所述粒子群优化-极限学习机算法的最佳神经元个数设定为30，以Sigmoidal函数为隐含层神经元激励函数，输入权重Wi和隐层的偏置bi将会在训练过程中由计算机随机确定。
为了验证本发明的建立方法的有效性和准确性，本发明另外获取4个案件中的海洛因毒品样本共计20个，按照上述预测模型进行检测，通过所得预测模型获取海洛因样品的来源，所得海洛因样品的来源与实际记录的样品来源进行比对，确认本发明的方法的有效性，如表1所示。
表1预测结果与实际测量结果对比
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和饰也应视为本发明的保护范围。
Claims (6)
1.一种海洛因溯源的预测模型的建立方法，其特征在于，包括以下步骤：
将已知产地信息的不同产地的海洛因样品进行近红外光谱测定，得到近红外光谱数据训练集；
将所述近红外光谱数据训练集进行光谱预处理，得到消噪后的数据训练集；
对所述消噪后的数据训练集进行特征分析，得到特征数据训练集；
通过粒子群优化-极限学习机算法建立所述特征数据训练集与样品来源的预测模型，所述预测模型为特征数据训练集的近红外光谱吸收强度和海洛因样品产地之间的模型。
2.根据权利要求1所述的建立方法，其特征在于，所述近红外光谱测定的参数包括：光谱分辨率为5.85nm；扫描点数为228，光谱采集模式为反射模式，光谱扫描次数≥6。
3.根据权利要求1所述的建立方法，其特征在于，所述光谱预处理的方法包括平滑处理、多元散射校正、标准正态变量校正、小波变换、正交信号校正和导数法处理中的一种或多种。
4.根据权利要求1所述的建立方法，其特征在于，所述特征分析为采用连续投影法、相关系数法、无信息变量消除法、遗传算法或间隔偏最小二乘法进行波长选择。
5.根据权利要求1所述的建立方法，其特征在于，所述粒子群优化-极限学习机算法的最佳神经元个数设定为30；所述粒子群优化-极限学习机算法以Sigmoidal函数为隐含层神经元激励函数。
6.一种海洛因溯源的方法，其特征在于，包括以下步骤：
测定待测海洛因样品的近红外光谱；
将所述近红外光谱进行光谱预光谱，得到消噪后的近红外光谱；
对所述消噪后的近红外光谱进行特征分析，得到特征近红外光谱；
将所述特征近红外光谱代入权利要求1～5任一项所述的预测模型建立方法得到的预测模型中，得到待测海洛因样品的来源信息。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2022109838771 | 2022-08-17 | ||
| CN202210983877 | 2022-08-17 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115760162A true CN115760162A (zh) | 2023-03-07 |
Family
ID=85336506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211478707.4A Pending CN115760162A (zh) | 2022-08-17 | 2022-11-23 | 一种海洛因溯源的预测模型的建立方法及海洛因溯源的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115760162A (zh) |
-
2022
- 2022-11-23 CN CN202211478707.4A patent/CN115760162A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gendrin et al. | Pharmaceutical applications of vibrational chemical imaging and chemometrics: a review | |
| Edelman et al. | Hyperspectral imaging for non-contact analysis of forensic traces | |
| Gowen et al. | Recent applications of chemical imaging to pharmaceutical process monitoring and quality control | |
| Clarke | Extracting process-related information from pharmaceutical dosage forms using near infrared microscopy | |
| US8368880B2 (en) | Chemical imaging explosives (CHIMED) optical sensor using SWIR | |
| Fortier et al. | Identification of cotton and cotton trash components by Fourier transform near-infrared spectroscopy | |
| Fontana et al. | Raman spectroscopic sensors for inorganic salts | |
| Zou et al. | Advances in rapid drug detection technology | |
| da Silva Fernandes et al. | Non-destructive detection of adulterated tablets of glibenclamide using NIR and solid-phase fluorescence spectroscopy and chemometric methods | |
| CN110243806A (zh) | 拉曼光谱下基于相似度的混合物组分识别方法 | |
| Douglas et al. | Evaluation of vis-NIR reflectance spectroscopy sensitivity to weathering for enhanced assessment of oil contaminated soils | |
| Garcia-Allende et al. | Quality control of industrial processes by combining a hyperspectral sensor and Fisher's linear discriminant analysis | |
| Song et al. | Low-cost hyper-spectral imaging system using a linear variable bandpass filter for agritech applications | |
| Pagnin et al. | Multivariate analysis and laser-induced breakdown spectroscopy (LIBS): a new approach for the spatially resolved classification of modern art materials | |
| CN112098340A (zh) | 基于高光谱成像技术的绿松石鉴别方法及流水线工艺 | |
| Bonifazi et al. | Hyperspectral imaging as a technique for investigating the effect of consolidating materials on wood | |
| Algethami et al. | Chemical fingerprinting and quantitative monitoring of the doping drugs bambuterol and terbutaline in human urine samples using ATR-FTIR coupled with a PLSR chemometric tool | |
| FeNg et al. | Rapid classification of citrus fruits based on Raman spectroscopy and pattern recognition techniques | |
| Celani et al. | Assessing utility of handheld laser induced breakdown spectroscopy as a means of Dalbergia speciation | |
| CN115760162A (zh) | 一种海洛因溯源的预测模型的建立方法及海洛因溯源的方法 | |
| Usman et al. | Applications of miniaturized and portable near infrared (NIR), Fourier transform infrared (FT-IR) and Raman spectrometers for the inspection and control of pharmaceutical products | |
| Saleh et al. | Development of distribution maps of spectrally similar degradation products by Raman chemical imaging microscope coupled with a new variable selection technique and SIMCA classifier | |
| Bonifazi et al. | Near infrared spectroscopy as a tool for in vivo analysis of human muscles | |
| Serranti et al. | Hyperspectral imaging applied to asbestos containing materials detection: specimen preparation and handling | |
| Banas et al. | Influence of spectral resolution, spectral range and signal-to-noise ratio of Fourier transform infra-red spectra on identification of high explosive substances |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |