高光譜噴墨打印墨水?dāng)?shù)據(jù)的非線性降維及分類建模方法研究

李 碩，崔 嵐，付 沛

（中國(guó)刑事警察學(xué)院 刑事科學(xué)技術(shù)學(xué)院，遼寧 沈陽(yáng) 110035）

數(shù)字化的進(jìn)步和科技的發(fā)展促進(jìn)了噴墨打印機(jī)的使用。在文件檢驗(yàn)領(lǐng)域，噴墨打印文件的鑒定已成為重點(diǎn)內(nèi)容。目前，噴墨打印文件的鑒定方法已經(jīng)十分成熟，如薄層色譜法（TLC）［1］和氣相色譜-質(zhì)譜聯(lián)用（GC-MS）［2］等理化檢驗(yàn)法，以及利用傅里葉紅外光譜［3］和拉曼光譜［4］等儀器進(jìn)行檢驗(yàn)的方法。這些方法各有優(yōu)勢(shì)，但理化檢驗(yàn)具有破壞性，且局限性較大；傅里葉紅外光譜和拉曼光譜雖可實(shí)現(xiàn)無(wú)損檢驗(yàn)，但無(wú)法實(shí)現(xiàn)更精細(xì)的墨水型號(hào)區(qū)分［4］?？紤]到法庭科學(xué)對(duì)物證完整性的要求，理想的檢測(cè)方法應(yīng)具有非破壞性、穩(wěn)定性以及準(zhǔn)確性的特點(diǎn)。

高光譜成像技術(shù)（HSI）是一種生成光譜變化空間圖的技術(shù)，數(shù)據(jù)以三維數(shù)據(jù)立方體的形式表示，包含大量的光譜信息。高光譜成像技術(shù)最初用于衛(wèi)星成像［5］，后來(lái)廣泛應(yīng)用于其他領(lǐng)域，如食品質(zhì)量［6］、醫(yī)學(xué)成像［7］和材料科學(xué)［8］等。目前，高光譜成像技術(shù)在刑事科學(xué)技術(shù)領(lǐng)域中的使用頻率也越來(lái)越高。如在痕跡物證檢驗(yàn)相關(guān)研究中，Glomb等［9］使用高光譜成像技術(shù)實(shí)現(xiàn)了紡織物上潛在槍彈殘留物的自動(dòng)標(biāo)識(shí)。El-Sharkawy 等［10］使用高光譜相機(jī)對(duì)三硝基甲苯（TNT）、環(huán)三亞甲基三硝胺（RDX）和環(huán)四亞甲基四硝胺（HMX）等常見爆炸物進(jìn)行了遠(yuǎn)程識(shí)別。在文件物證檢驗(yàn)相關(guān)研究中，王書越等結(jié)合高光譜成像技術(shù)和深度學(xué)習(xí)，分別提出了一種快速無(wú)損識(shí)別黑色簽字筆墨水種類［11］和印臺(tái)油墨類型［12］的新方法。劉猛等［13］采用高光譜成像技術(shù)實(shí)現(xiàn)了激光打印墨粉的種類鑒別。上述研究成果表明，高光譜成像技術(shù)在物證種類鑒定方面具有優(yōu)勢(shì)。

不同品牌、型號(hào)的噴墨打印墨水的化學(xué)成分不同，進(jìn)而對(duì)光源的吸收度不同。本文基于高光譜成像技術(shù)對(duì)噴墨打印墨水進(jìn)行種類鑒別。選擇占噴墨打印機(jī)市場(chǎng)95%以上份額的3 種品牌（惠普、佳能、愛(ài)普生）的噴墨打印機(jī)，采用均勻流形逼近與投影技術(shù)（UMAP）和T 分布隨機(jī)近鄰嵌入技術(shù)（t-SNE）兩種降維算法處理采集到的高光譜墨水?dāng)?shù)據(jù)，然后分別使用極致梯度提升（XGBoost）、輕量級(jí)梯度提升機(jī)器學(xué)習(xí)（LightGBM）和支持向量機(jī)（SVM）3 種算法構(gòu)建分類模型，通過(guò)準(zhǔn)確率和精確率評(píng)估模型性能，篩選最佳算法組合，實(shí)現(xiàn)了對(duì)噴墨打印墨水的精確分類。

1 實(shí)驗(yàn)部分

1.1 儀器與材料

采用加拿大蒙特利爾Photon etc. 公司生產(chǎn)的GRAND-EOS 高光譜儀器提取高光譜圖像。其由CCD相機(jī)、過(guò)濾器、濾光輪、環(huán)形鹵素?zé)艄庠春洼d物臺(tái)組成，可采集的光譜波長(zhǎng)范圍為400～1000 nm，光譜分辨率為1 nm。

選擇市面常見的3種品牌（惠普、佳能、愛(ài)普生）不同型號(hào)的14臺(tái)噴墨打印機(jī)共計(jì)56種原裝墨水進(jìn)行實(shí)驗(yàn)，打印機(jī)型號(hào)和原裝墨水型號(hào)見表1，并將打印機(jī)按1～14依次編號(hào)。統(tǒng)一使用亞太森博品牌A4型號(hào)75 g復(fù)印紙作為承印紙張，采集每臺(tái)打印機(jī)PGBK/BK、C、M、Y四種純色料的樣品，打印模式選擇打印測(cè)試頁(yè)；每臺(tái)打印機(jī)打印5份樣品，共計(jì)280份樣品。

表1 噴墨打印機(jī)型號(hào)和原裝墨水型號(hào)Table 1 Inkjet printer models and original ink models

1.2 圖像采集

圖像采集時(shí)保證室內(nèi)處于黑暗環(huán)境，防止外界光線對(duì)實(shí)驗(yàn)的影響。首先，調(diào)整載物臺(tái)高度，使物鏡下的樣品呈現(xiàn)面積為20 mm×20 mm。然后將樣品置于載物臺(tái)上，在樣品下方放置產(chǎn)商提供的黑白方格紙，用于后續(xù)的配準(zhǔn)矯正。調(diào)整相機(jī)曝光時(shí)間至0.5 s，光譜波長(zhǎng)范圍為400～1000 nm，間隔為5 nm，執(zhí)行采集任務(wù)。

1.3 圖像處理與光譜數(shù)據(jù)采集

采集圖像時(shí)，儀器噪聲、暗電流和背景等因素會(huì)對(duì)圖像產(chǎn)生干擾。為了更好地進(jìn)行數(shù)據(jù)分析和解釋，確保數(shù)據(jù)的可比性和一致性，通過(guò)系統(tǒng)提供的控制和分析軟件PHySpec 對(duì)高光譜圖像依次進(jìn)行去暗噪、配準(zhǔn)校正、波長(zhǎng)矯正和強(qiáng)度歸一化處理。

處理后的圖像包含了樣品的空間和光譜信息，每個(gè)高光譜圖像代表一個(gè)波長(zhǎng)的強(qiáng)度圖，可以查看與像素相關(guān)的反射光譜。提取樣品中感興趣區(qū)域（ROI）的光譜信息，在每種樣品色料飽滿的區(qū)域提取6個(gè)ROI點(diǎn)位，每種顏色各420條數(shù)據(jù)，共1680條高光譜數(shù)據(jù)。

1.4 模型建立

1.4.1 降維算法原理高光譜數(shù)據(jù)包含了大量的光譜信息，每個(gè)數(shù)據(jù)點(diǎn)都是一個(gè)高維向量。降維算法能夠有效去除數(shù)據(jù)中的冗余信息、改善可視化、提高分類模型性能［14］。Devassy等［15］分別使用主成分分析（PCA）和t-SNE對(duì)高光譜數(shù)據(jù)進(jìn)行降維處理，結(jié)果表明t-SNE更適用于高光譜中性筆油墨數(shù)據(jù)的降維。Myasnikov［16］從分類質(zhì)量的角度比較了UMAP 和PCA、等高線圖、局部線性嵌入等降維方法的效果，結(jié)果顯示UMAP 降維的效果最好。綜上，非線性降維算法更適合高光譜數(shù)據(jù)的降維處理。本研究選擇t-SNE 和UMAP 兩種非線性降維算法對(duì)高光譜噴墨打印墨水?dāng)?shù)據(jù)進(jìn)行降維處理，并選用散點(diǎn)圖實(shí)現(xiàn)降維效果的可視化。

（1）t-SNE 是Maaten和Hinton 于2008年提出的算法［17］，其主要原理是通過(guò)保留數(shù)據(jù)點(diǎn)之間的相似性關(guān)系尤其是在高維空間中較遠(yuǎn)的數(shù)據(jù)點(diǎn)之間的相對(duì)距離，將數(shù)據(jù)點(diǎn)映射到低維空間。首先，需要計(jì)算高維數(shù)據(jù)中每對(duì)數(shù)據(jù)點(diǎn)i和j之間的相似度（通常使用高斯分布的條件概率來(lái)度量），計(jì)算公式如式（1）所示。

式中，xi和xj分別為數(shù)據(jù)點(diǎn)i和j的高維表示，σi是根據(jù)數(shù)據(jù)點(diǎn)i到其最近鄰的距離自適應(yīng)確定的高斯分布方差。

其次，計(jì)算低維空間中每對(duì)數(shù)據(jù)點(diǎn)i和j之間的相似度q（i，j），公式如式（2）所示。

式中，yi和yj分別為數(shù)據(jù)點(diǎn)i和j在低維空間中的表示，yk表示低維空間中的另一個(gè)數(shù)據(jù)點(diǎn)，用于計(jì)算與yi和yj之間的相似性。

最后，使用梯度下降等優(yōu)化方法，最小化兩個(gè)相似度分布之間的差異，通過(guò)最小化損失函數(shù)來(lái)實(shí)現(xiàn)，函數(shù)見式（3）。

（2）UMAP 是McInnes 等于2018年提出的算法［18］，其基于拓?fù)鋽?shù)據(jù)分析和流形學(xué)習(xí)的思想，主要目標(biāo)是保留數(shù)據(jù)之間的拓?fù)浣Y(jié)構(gòu)和流形特性。首先通過(guò)計(jì)算每對(duì)數(shù)據(jù)點(diǎn)之間的局部相似性度量來(lái)構(gòu)建一個(gè)高維空間的鄰接圖，再使用優(yōu)化技術(shù)將高維空間中的數(shù)據(jù)映射到低維空間。這個(gè)相似性度量通常使用高斯核距離或T分布相似性來(lái)度量，公式見式（4）和式（5）。對(duì)于數(shù)據(jù)點(diǎn)i和j，相似性度量表示為s（i，j）。

式中，xi和xj分別為數(shù)據(jù)點(diǎn)i和j的高維表示，k為高斯核帶寬，α為T分布參數(shù)。

通過(guò)KL散度來(lái)實(shí)現(xiàn)低維嵌入中點(diǎn)對(duì)之間T分布相似性和高維空間中相似性之間差異的最小化，計(jì)算公式見式（6）。

式中，p（i，j）為高維空間中的相似性度量，q（i，j）為低維嵌入中的T分布相似性。

1.4.2 分類模型構(gòu)建為比較不同模型在樣品數(shù)據(jù)分類精度方面的差異，選擇XGBoost、LightGBM和SVM3種算法構(gòu)建分類模型。

（1）XGBoost 由Chen 和Guestrin 在2016年首次提出［19］，是一種基于梯度提升決策樹的機(jī)器學(xué)習(xí)算法。其基本原理是通過(guò)將多個(gè)決策樹組合成一個(gè)強(qiáng)大的模型，從而提高預(yù)測(cè)準(zhǔn)確性。決策樹是一種用于分類和回歸的樹狀結(jié)構(gòu)，其中每個(gè)葉子節(jié)點(diǎn)代表一個(gè)類別或一個(gè)預(yù)測(cè)值。XGBoost 通過(guò)迭代訓(xùn)練多個(gè)決策樹來(lái)提高預(yù)測(cè)準(zhǔn)確性。在每次迭代中，算法會(huì)訓(xùn)練一個(gè)新的決策樹，以糾正前一輪迭代中產(chǎn)生的誤差。這種迭代過(guò)程會(huì)一直持續(xù)，直到算法達(dá)到預(yù)定的停止條件。在該過(guò)程中，XGBoost通過(guò)引入一些特殊的技術(shù)來(lái)提高梯度，提升決策樹的效率和準(zhǔn)確性。例如使用梯度優(yōu)化算法來(lái)最小化損失函數(shù)，以確保每個(gè)新的決策樹都會(huì)貢獻(xiàn)最大化的預(yù)測(cè)準(zhǔn)確性。

（2）LightGBM 是微軟亞洲研究院（MSRA）于2017年提出的提升框架［20］，也是一種基于決策樹的梯度提升集成方法。LightGBM 使用基于直方圖的方法，其中使用分布直方圖將數(shù)據(jù)劃分到圖格中，使用圖格（而不是每個(gè)數(shù)據(jù)點(diǎn)）進(jìn)行迭代、計(jì)算增益和拆分?jǐn)?shù)據(jù)，使用基于梯度的一側(cè)采樣（GOSS） 對(duì)LightGBM中的數(shù)據(jù)集進(jìn)行采樣，是一種快速、分布式、高性能的基于決策樹算法的梯度提升框架。

（3）SVM 是Cortes和Vapnik 在1995年提出的分類算法［21］，是一種二分類模型。其基本原理是求解能夠正確劃分訓(xùn)練數(shù)據(jù)集并且?guī)缀伍g隔最大的分離超平面，即通過(guò)尋找一個(gè)能夠?qū)深悩颖痉珠_的超平面，使得該超平面到兩類樣本的最近點(diǎn)的距離最大化，從而實(shí)現(xiàn)分類。在實(shí)際應(yīng)用中，SVM 也可以使用核函數(shù)將數(shù)據(jù)映射到高維空間中，使數(shù)據(jù)在高維空間中線性可分。其常用的核函數(shù)有線性核、多項(xiàng)式核和高斯核等。

使用準(zhǔn)確率（Acc）和精確率（Pre）評(píng)價(jià)上述模型，計(jì)算公式如式（7）和式（8）所示。

式中，TP為真正例；FP為假正例；TN為真負(fù)例；FN為假負(fù)例。

實(shí)驗(yàn)使用Anaconda 虛擬環(huán)境的python3.11 解釋器，配置XGBoost、LightGBM、sklearn. SVM、sklearn. model_selection、sklearn. manifold和sklearn. metrics 等Python模塊來(lái)進(jìn)行編碼和數(shù)據(jù)分析，相關(guān)分析均在一臺(tái)配置為Intel 8th core i7 CPU、16 GB 內(nèi)存、NVDIA GEFORCE GTX1050ti顯卡、1T 硬盤的電腦上完成。實(shí)驗(yàn)流程圖如圖1所示。

圖1 實(shí)驗(yàn)流程圖Fig.1 Experimental flowchart

2 結(jié)果與討論

2.1 光譜特征分析

所有噴墨打印墨水樣品的原始譜圖如圖2 所示。譜圖縱坐標(biāo)代表吸光度，呈負(fù)值顯示是由圖像降噪時(shí)強(qiáng)度歸一化所導(dǎo)致。歸一化的作用在于使高光譜圖像中不同波長(zhǎng)或頻率的信號(hào)強(qiáng)度具有相對(duì)一致的尺度，以使不同區(qū)域或不同時(shí)期的光譜圖像更容易進(jìn)行比較和分析。從圖2A 中可以看出黑色墨水的譜圖走勢(shì)基本一致：在400～590 nm波段內(nèi)呈勻速下降的趨勢(shì)，590～600 nm 波段內(nèi)的吸光度急劇下降，660 nm 波段處曲線開始上升；600～680 nm 波段處出現(xiàn)低反射區(qū)，并在640 nm波段附近形成一個(gè)波谷。從圖2B 中可以看出：青色墨水的曲線在400～590 nm波段內(nèi)有一部分呈下降趨勢(shì)，而另一部分保持平緩，然后在580～600 nm 波段處急劇下降，并在640 nm 波段處開始上升；其在600～680 nm波段處出現(xiàn)低反射區(qū)，并在640 nm 波段附近形成一個(gè)波谷。從圖2C 可以看出，品紅色墨水的曲線在400～560 nm 波段分3 部分并均呈下降趨勢(shì)，隨后在560～630 nm波段上升，之后逐漸匯聚在一起。其中兩種樣品在590～600 nm處的吸光度呈急劇下降趨勢(shì)，然后繼續(xù)上升。從圖2D 可以看出，黃色墨水在400～520 nm 波段處開始下降，部分緩慢下降，部分迅速下降；在520 nm波段左右形成波谷后，曲線呈上升趨勢(shì)。

圖2 黑色（A）、青色（B）、品紅色（C）和黃色（D）樣品的原始譜圖Fig.2 Original spectra of black（A），cyan（B），magenta（C） and yellow（D） samples

從原始譜圖曲線走勢(shì)來(lái)看，有兩類黑色墨水的成分差異較大，青色墨水中3 類樣品的成分差異較大，而品紅色和黃色墨水的譜圖較為混亂。由于通過(guò)高光譜原始譜圖對(duì)噴墨打印墨水種類進(jìn)行區(qū)分的效果不理想，本文借助機(jī)器學(xué)習(xí)對(duì)上述高光譜噴墨打印墨水?dāng)?shù)據(jù)進(jìn)行種類分析。

2.2 光譜數(shù)據(jù)降維

2.2.1 t-SNE 降維方法由t-SNE 原理可知，影響降維結(jié)果的主要參數(shù)包括投影維度、困惑度和學(xué)習(xí)率等。使用網(wǎng)格搜索（GridSearch）尋找最佳超參數(shù)配置，并以KL散度作為評(píng)估指標(biāo)。KL值越小表示t-SNE 降維后的數(shù)據(jù)與原始數(shù)據(jù)之間的差異越小。最佳參數(shù)配置見表2，t-SNE 的降維可視化效果如圖3所示。從散點(diǎn)圖來(lái)看，t-SNE算法具有很好的可視化效果。

圖3 t-SNE對(duì)黑色（A）、青色（B）、品紅色（C）和黃色（D）樣品數(shù)據(jù)降維后的散點(diǎn)圖Fig.3 Scatter plots of t-SNE for black（A），cyan（B），magenta（C），and yellow（D） sample data class 1-14 were the sample numbers

表2 不同方法的最優(yōu)參數(shù)Table 2 Optimal parameters of different methods

2.2.2 UMAP 降維方法影響UMAP 降維結(jié)果的主要參數(shù)包括維度數(shù)量、近鄰數(shù)量和距離度量等。尋找最佳參數(shù)組合的方法與t-SNE 相同，最佳參數(shù)配置見表2。UMAP 降維的可視化效果如圖4 所示。從散點(diǎn)圖可見，UMAP算法的可視化效果較好。

圖4 UMAP對(duì)黑色（A）、青色（B）、品紅色（C）和黃色（D）樣品數(shù)據(jù)降維后的散點(diǎn)圖Fig.4 Scatter plots of UMAP for black（A），cyan（B），magenta（C），and yellow（D） sample data class 1-14 were the same as those in Fig.3

2.3 數(shù)據(jù)分類效果與評(píng)價(jià)

使用XGBoost、LightGBM 和SVM 模型分別對(duì)原始高光譜數(shù)據(jù)、t-SNE 降維后數(shù)據(jù)和UMAP 降維后的數(shù)據(jù)進(jìn)行分類，以1∶4 的比例確定測(cè)試集和訓(xùn)練集。為達(dá)到最佳分類效果，利用網(wǎng)格搜索來(lái)調(diào)試3種模型的參數(shù)，嘗試不同的參數(shù)組合，并使用5折交叉驗(yàn)證評(píng)估每個(gè)組合的性能。3種模型對(duì)樣品的分類精度結(jié)果見表3。最佳參數(shù)配置見表2。

表3 XGBoost、LightGBM和SVM模型對(duì)樣品分類的精度Table 3 Accuracy of XGBoost，LightGBM，and SVM models for sample classification

2.3.1 XGBoost 模型由XGBoost 模型對(duì)噴墨打印墨水樣品的分類精度結(jié)果可知，XGBoost 對(duì)原始數(shù)據(jù)進(jìn)行分類的效果最差，青色墨水的精度值為81.38%，品紅色和黃色墨水的精度值分別為88.31%和84.11%，而黑色墨水的精度值最低，為60.59%；對(duì)t-SNE 和UMAP 降維后，分類的精度明顯升高，青色、品紅色和黃色墨水的精度值均在96%以上，而黑色墨水的精度值偏低，僅為88%左右。

2.3.2 LightGBM 模型由LightGBM 模型對(duì)噴墨打印墨水樣品的分類精度結(jié)果可知，其對(duì)原始數(shù)據(jù)分類的精度最低，黑色墨水的精度值為61.11%，青色墨水的精度值為81.98%，品紅色和黃色墨水的精度值分別為89.35%和86.70%；對(duì)經(jīng)t-SNE 降維的數(shù)據(jù)的分類效果較好，青色和品紅色墨水的精度值分別為98.95%和99.30%，黃色墨水精度值為96.21%，而黑色墨水的精度值僅有88.36%；對(duì)經(jīng)UMAP 降維的數(shù)據(jù)分類的效果最好，其中青色、品紅色和黃色墨水的精度值均為100.00%，但黑色墨水的精度值為89.04%，效果較差。

2.3.3 SVM 模型由SVM 模型對(duì)噴墨打印墨水樣品的分類精度結(jié)果可知，其對(duì)原始數(shù)據(jù)分類的效果最差，青色、品紅色和黃色墨水的精度值均在90%左右，黑色墨水的精度值為62.35%；對(duì)t-SNE 降維后的數(shù)據(jù)的分類效果較好，其中黑色墨水的精度值為88.18%，青色和黃色墨水相近，精度值分別為97.04%和96.38%，品紅色墨水的精度值為99.30%；對(duì)UMAP 降維后的數(shù)據(jù)的分類效果最好，其中青色、品紅色和黃色墨水的精度值均為100.00%，黑色墨水的精度值為88.18%。

2.3.4 分類結(jié)果討論綜上所述，UMAP 降維算法結(jié)合SVM 分類模型對(duì)高光譜墨水?dāng)?shù)據(jù)的分類效果最好，能夠有效區(qū)分不同品牌、型號(hào)的噴墨打印墨水。究其原因，首先，在降維算法上，t-SNE 在一些情況下可能陷入局部最優(yōu)，但UMAP 通常在大規(guī)模數(shù)據(jù)和全局結(jié)構(gòu)的保持方面更出色；其次，在分類模型中，XGBoost和LightGBM側(cè)重于構(gòu)建集成的決策樹模型，通過(guò)多個(gè)弱學(xué)習(xí)器的組合來(lái)提高整體性能，而SVM在高維空間中能夠更好地處理復(fù)雜的決策邊界，UMAP的降維過(guò)程則有助于提取數(shù)據(jù)中的關(guān)鍵特征，為SVM提供更有價(jià)值的信息量的輸入，有助于提高SVM在高光譜墨水?dāng)?shù)據(jù)上的分類性能。

為了探究黑色墨水分類精度偏低的原因，列出了3種模型對(duì)經(jīng)UMAP和t-SNE降維后的黑色墨水?dāng)?shù)據(jù)進(jìn)行分類的混淆矩陣圖，如圖5 所示。由圖5 可知，對(duì)UMAP 降維后的數(shù)據(jù)進(jìn)行分類時(shí)，XGBoost 模型和LightGBM 模型將9 號(hào)墨水的5 個(gè)樣品錯(cuò)分到10 號(hào)，將10 號(hào)墨水的9 個(gè)樣品錯(cuò)分到9 號(hào)；SVM 模型將10 號(hào)墨水的所有樣品全部錯(cuò)分到9 號(hào)。對(duì)t-SNE 降維后的數(shù)據(jù)進(jìn)行分類時(shí)，XGBoost 模型和LightGBM 模型把9號(hào)墨水的4個(gè)樣品錯(cuò)分到10號(hào)，把10號(hào)墨水的10個(gè)樣品錯(cuò)分到9號(hào)；SVM模型把10號(hào)墨水的所有樣品全部錯(cuò)分到9 號(hào)。由此可見9 號(hào)和10 號(hào)黑色墨水樣品錯(cuò)分情況嚴(yán)重，10 號(hào)樣品常常被錯(cuò)分為9 號(hào)，導(dǎo)致分類精度較低。說(shuō)明9 號(hào)和10 號(hào)樣品的成分相近，難以區(qū)分，而其余型號(hào)的黑色墨水的分類準(zhǔn)確率較高。

圖5 XGBoost（A）、LightGBM（B）和SVM（C）對(duì)黑色墨水?dāng)?shù)據(jù)分類的混淆矩陣圖Fig.5 Confusion matrix plot of XGBoost（A），LightGBM（B），and SVM（C） for black ink data classification

3 結(jié) 論

本文以不同品牌、型號(hào)的噴墨打印墨水為研究對(duì)象，使用高光譜成像技術(shù)提取墨水的光譜數(shù)據(jù)，將數(shù)據(jù)非線性降維后構(gòu)建模型，比較分類效果。結(jié)果顯示：UMAP 算法結(jié)合SVM 模型對(duì)高光譜噴墨打印墨水?dāng)?shù)據(jù)的分類效果最好。除黑色樣品因有兩種成分相近導(dǎo)致分類精度在90%左右外，其余顏色樣品的分類精度均達(dá)到100%，能夠?qū)崿F(xiàn)對(duì)噴墨打印墨水的精確區(qū)分。該研究為噴墨打印文件的檢驗(yàn)鑒定提供了一種無(wú)損、準(zhǔn)確的方法。