线性降维结合支持向量机的签字笔墨迹鉴别研究

利用高光谱成像技术，共采集了10种黑色签字笔墨水在400nm～1000nm范围内的469条光谱用于建模和预测分析。建模分析结果表明：直接基于降维方法如线性判别分析（LDA）、偏最小二乘判别分析（PLS-DA）和核偏最小二乘判别分析（kPLS-DA）的分类模型在数据集中表现不佳，预测集分类准确率分别为79.88%、79.29%和79.88%。支持向量机（SVM）和一维卷积神经网络（1D-CNN）算法建立的分类模型能够将分类准确率分别提升至83.43%和88.16%；基于偏最小二乘判别分析（PLS-DA）和线性判别分析（LDA）先进行降维，再与SVM结合形成的PLS-SVM和LDA-SVM策略，比单独使用PLS-DA、LDA和SVM所建立的模型具有更高的分类准确率；将偏最小二乘判别分析（PLS-DA）、LDA和主成分分析（PCA）降维后的数据进行合并，再建立SVM模型能够将分类准确率提升至最高的91.72%，其预测结果的Cohen’s KAPPA系数也能够达到0.9075。对此，利用先线性降维再结合SVM建立分类模型的方法是几种分类方法中的最优策略，能够对不同品牌和类型的黑色签字笔的快速、...