机器学习预测弹药射击残留物

的模型会发生复杂的化学反应,射击枪弹药的射击残留物可以预测组件。机器学习方法可以绕过瓶颈在当前的司法程序。

过去,射击残留物分析在很大程度上依靠发射弹药,经常被怀疑,怀疑枪械生产参考残留物,法医犯罪现场样本进行比较。然而,这是耗时的,依赖于可用的弹药和武器,和之前是很难做逮捕嫌疑人或弹药是否缺失或通过一个目标。

为了克服这些限制,领导的一个团队马特奥Gallidabino诺森布里亚大学一直在研究机器学习,分场人工学习拆开数据之间的复杂关系。他们已经开发出一种方法,预测所使用的弹药武器不需要参考样品准备从一个可疑的武器和弹药。

我们报告的方法基本上是一个全新的法医分析方法,尤其是那些保护小的痕迹特征的源材料在其形成和转移过程,“Gallidabino解释道。我们报告的使用这种方法主要是支持重建和犯罪调查,并建立快速射击残留物和弹药类型之间的联系。这可能是一个改变游戏规则的工具在这些情况下,多种枪支弹药类型。”

发展定性profile-profile关系(QPPR)建模技术,准备大量的有机使用九个类型的弹药射击残留物样本和测试样本开始和结果使用气相色谱射击残留物。然后使用这些数据来测试14机器学习技术,得到一个优化模型,预测的资料无烟粉末,用作推进剂的枪支,会像之前解雇基于放电后的有机射击残留物的形象。

Gallidabino的团队正在继续调查QPPR造型的广泛应用和正在寻求扩大其功能,包括其他复杂的痕量物质的分析,如爆炸物或促进剂。我的最终目的是开发一个集成的和普遍的,易于使用的软件解决方案来支持广泛的分析和分析不同的材料通常存在于法医学帮助法医从业人员在不同的学科方法源代码级的问题。

杰森伯工作在化学弹道学利物浦约翰摩尔斯大学研究小组表示,英国研究的巨大潜力将证据基于有机射击残留物档案——这是一个激动人心的发展。他认为这个方法可以超越法医科学:“我能看到这个被应用到其他地区比较的化学痕迹是必需的。有无数的可能性。