JP2020161044A - System, method, and program for managing data - Google Patents
System, method, and program for managing data Download PDFInfo
- Publication number
- JP2020161044A JP2020161044A JP2019062539A JP2019062539A JP2020161044A JP 2020161044 A JP2020161044 A JP 2020161044A JP 2019062539 A JP2019062539 A JP 2019062539A JP 2019062539 A JP2019062539 A JP 2019062539A JP 2020161044 A JP2020161044 A JP 2020161044A
- Authority
- JP
- Japan
- Prior art keywords
- data
- composition
- composition data
- row
- dimensional vector
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 44
- 239000000203 mixture Substances 0.000 claims abstract description 325
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000013523 data management Methods 0.000 claims abstract description 55
- 239000002994 raw material Substances 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims description 48
- 239000011342 resin composition Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000010606 normalization Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229910001335 Galvanized steel Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000008397 galvanized steel Substances 0.000 description 1
- 238000005246 galvanizing Methods 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本開示の一側面はデータ管理システム、データ管理方法、およびデータ管理プログラムに関する。 One aspect of the disclosure relates to data management systems, data management methods, and data management programs.
装置の制御、データ解析等の様々な目的のために、物理的特徴を示す大量のデータを記憶するデータベースが用いられることがある。例えば、特許文献１には、熱間圧延における変形抵抗に影響を与える因子および該変形抵抗をそれぞれ説明変数および目的変数とし、過去のそれぞれの実績データをデータベースとして蓄えるデータベース作成工程を含む、熱間圧延における変形抵抗予測方法が記載されている。特許文献２には、被めっき鋼板に溶融亜鉛めっきを施し、ワイピングノズルでガスを噴射して所定のめっき付着量に調整する溶融亜鉛付着量制御方法であって、入力項目および出力項目の実績データをデータベースとして蓄えるデータベース作成工程を含む該方法が記載されている。
A database that stores a large amount of data showing physical characteristics may be used for various purposes such as device control and data analysis. For example,
組成物を示すデータを扱う場合には、世の中に存在する組成物は数え切れないほど多いので、その組成物データは膨大なものになる。そのため、作業に必要であると期待されるデータをその膨大なデータから特定することは容易ではない。そこで、組成物に関するデータを自動的に且つ適切に選別する仕組みが望まれている。 When dealing with data showing compositions, the composition data is enormous because there are innumerable compositions in the world. Therefore, it is not easy to identify the data expected to be necessary for the work from the huge amount of data. Therefore, a mechanism for automatically and appropriately selecting data on a composition is desired.
本開示の一側面に係るデータ管理システムは、少なくとも一つのプロセッサを備える。少なくとも一つのプロセッサは、Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成されるＮ個の組成物を示す第１組成物データを取得するステップであって、該第１組成物データの個々のデータレコードが個々の組成物を示す、該ステップと、Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成される基準組成物を示す基準組成物データを取得するステップと、第１組成物データに対応するＮ×Ｍ行列の各行と、基準組成物データに対応するＭ次元ベクトルとの類似度を算出するステップと、Ｎ×Ｍ行列のＮ行のうち、Ｍ次元ベクトルとの類似度が所与の基準を満たす行を選択するステップと、選択された行に対応するデータレコードによって構成される第２組成物データを生成するステップと、第２組成物データを出力するステップとを実行する。 The data management system according to one aspect of the present disclosure includes at least one processor. At least one processor is a step of acquiring first composition data showing N compositions composed of at least one of the M candidate raw materials, and is an individual of the first composition data. Data record shows the individual compositions, the step of acquiring the reference composition data showing the reference composition composed of at least one of the M candidate raw materials, and the first composition. The step of calculating the similarity between each row of the N × M matrix corresponding to the data and the M-dimensional vector corresponding to the reference composition data, and the similarity of the N rows of the N × M matrix with the M-dimensional vector are Performs a step of selecting rows that meet a given criterion, a step of generating second composition data composed of data records corresponding to the selected rows, and a step of outputting second composition data. ..
このような側面によれば、Ｎ個の組成物と基準組成物とがそれぞれ、Ｎ×Ｍ行列の各行とＭ次元ベクトルとによって表され、各行とそのベクトルとの類似度が算出される。そして、Ｎ個の組成物の中から、基準組成物と類似する組成物が選択される。したがって、組成物に関するデータを自動的に且つ適切に選別することができる。 According to such an aspect, the N compositions and the reference composition are represented by each row of the N × M matrix and an M-dimensional vector, respectively, and the similarity between each row and the vector is calculated. Then, a composition similar to the reference composition is selected from the N compositions. Therefore, the data regarding the composition can be automatically and appropriately selected.
本開示の一側面によれば、組成物に関するデータを自動的に且つ適切に選別することができる。 According to one aspect of the present disclosure, data relating to the composition can be automatically and appropriately sorted.
以下、添付図面を参照しながら本開示での実施形態を詳細に説明する。なお、図面の説明において同一または同等の要素には同一の符号を付し、重複する説明を省略する。 Hereinafter, embodiments of the present disclosure will be described in detail with reference to the accompanying drawings. In the description of the drawings, the same or equivalent elements are designated by the same reference numerals, and duplicate description will be omitted.
［システムの概要］
実施形態に係るデータ管理システム１０は、複数の組成物を示すデータから、所与の条件を満たす組成物のデータを選び出すコンピュータシステムである。組成物とは、複数の原材料を合成することで構成される物質のことをいう。組成物の種類は何ら限定されず、例えば樹脂組成物であってもよい。本開示では、組成物を示すデータを「組成物データ」ともいう。組成物の原材料とは、組成物を作製するために意図的に用いられる物質のことをいう。原材料は、組成物が完成した際に原形をとどめていてもよいし、とどめていなくてもよい。
[System overview]
The
組成物の種類は数え切れないほど多いので、組成物データは膨大になる。組成物データは研究、開発、解析、設計、特定等における各種のデータ処理のために用いられ、例えば材料設計、材料開発等に用いられる。しかし、膨大な組成物データをそのまま使うと、重要な情報がそのデータに埋もれてしまって、処理の精度が低くなるおそれがある。一例として、樹脂組成物に関する処理では、或る目的のために考慮される樹脂組成物の数が非常に多くなり、これに伴って樹脂組成物の原材料が多岐にわたる。そのため、このような樹脂組成物のデータの、原材料に対応する次元数も非常に大きくなる。例えば、１０万個のオーダーの樹脂組成物の少なくとも一つに用いられる原材料の個数は１０００のオーダーになり得る。原材料を次元に置き換えると、樹脂組成物のデータは、１０００００（サンプル）×１０００（次元）のような膨大なものになる。このデータを１０００００×１０００の行列で表し、樹脂組成物で用いられている原材料を非ゼロ要素で表した場合には、個々の樹脂組成物のデータは、ゼロ要素が非常に多い疎なデータになる。そのため、このデータをそのまま使うと、処理精度の低下を引き起こす可能性がある。 Since there are countless types of compositions, the composition data is enormous. The composition data is used for various data processing in research, development, analysis, design, identification, etc., and is used, for example, in material design, material development, and the like. However, if a huge amount of composition data is used as it is, important information may be buried in the data and the processing accuracy may be lowered. As an example, in the treatment relating to a resin composition, the number of resin compositions considered for a certain purpose becomes very large, and the raw materials of the resin composition are diversified accordingly. Therefore, the number of dimensions of the data of such a resin composition corresponding to the raw material is also very large. For example, the number of raw materials used in at least one of the resin compositions on the order of 100,000 can be on the order of 1000. When the raw materials are replaced with dimensions, the data of the resin composition becomes enormous, such as 100000 (sample) × 1000 (dimensions). When this data is represented by a matrix of 100000 × 1000 and the raw materials used in the resin composition are represented by non-zero elements, the data of each resin composition becomes sparse data with a large number of zero elements. Become. Therefore, if this data is used as it is, it may cause a decrease in processing accuracy.
データ処理に適した組成物データを得るために、データ管理システム１０はその目的に応じて適切な組成物データを選別する。この選別の目的は何ら限定されず、これに伴って、データ管理システム１０は任意の目的で用いられ得る。例えば、データ管理システム１０は、特定の製品に関連する材料系に関する処理のために組成物データを選別してもよい。いずれにしても、組成物データを適切に選別することで、組成物データのデータレコードの個数だけでなく、選別後の組成物データの次元数を小さくすることができる。選別後の組成物データの次元数が小さいということは、元の組成物データよりもゼロ要素が少ない密な組成物データが得られることを意味する。この密な組成物データを用いることで重要な情報が顕現され易くなるので、処理の精度の向上が期待できる。選別された組成物データを用いることで各種のデータ処理を効率的に実行することが可能になる。
In order to obtain composition data suitable for data processing, the
［システムの構成］
図１はデータ管理システム１０の機能構成の一例を示す図である。データ管理システム１０はハードウェア装置としてプロセッサ１０１、メモリ１０２、および通信インタフェース１０３を備える。プロセッサ１０１は例えばＣＰＵであり、メモリ１０２は例えばフラッシュメモリ、ハードディスク等の記憶装置で構成される。しかし、データ管理システム１０を構成するハードウェア装置の種類はこれらに限定されず、任意に選択されてよい。データ管理システム１０の各機能は、プロセッサ１０１が、メモリ１０２に格納されているプログラムを実行することで実現される。例えば、プロセッサ１０１は、メモリ１０２から読み出したデータまたは通信インタフェース１０３を介して受信したデータに対して所定の演算を実行する。そして、プロセッサ１０１は演算結果を、通信インタフェース１０３を介して演算結果を他の装置に送信したり、メモリ１０２に格納したりする。
[System configuration]
FIG. 1 is a diagram showing an example of a functional configuration of the
データ管理システム１０は１台のコンピュータで構成されてもよいし、複数のコンピュータの集合、すなわち分散システムで構成されてもよい。組成物データを処理することができる限り、データ管理システム１０に用いられるコンピュータは限定されない。例えば、パーソナルコンピュータ、ワークステーション、タブレット端末、スマートフォン等の様々な種類のコンピュータをデータ管理システム１０の少なくとも一部として用いることができる。データ管理システム１０のために複数台のコンピュータを用いる場合には、これらのコンピュータがインターネット、イントラネット等の通信ネットワークを介して接続されることで、論理的に一つのデータ管理システム１０が構築される。
The
本実施形態では、データ管理システム１０は通信ネットワークＮを介して第１データベース２１および第２データベース２２と接続する。第１データベース２１および第２データベース２２の少なくとも一方は、データ管理システム１０内に設けられてもよいし、データ管理システム１０とは異なるコンピュータシステム内に設けられてもよい。通信ネットワークＮの構成および種類は限定されない。例えば、通信ネットワークＮはインターネット、イントラネット、またはこれらの組合せによって構築されてもよい。また、通信ネットワークＮは有線ネットワーク、無線ネットワーク、またはこれらの組合せによって構築されてもよい。
In the present embodiment, the
第１データベース２１は、データ管理システム１０によって処理される前の組成物データを記憶する装置である。第２データベース２２は、所与の条件を満たすとデータ管理システム１０によって判定された組成物データ、すなわち、データ管理システム１０によって選択されたデータを記憶する装置である。本実施形態では、第１データベース２１に記憶される組成物データを「第１組成物データ」といい、第２データベース２２に記憶される組成物データを「第２組成物データ」という。データ管理システム１０は第１データベース２１から第１組成物データを読み出し、この第１組成物データを処理することで第２組成物データを生成し、この第２組成物データを第２データベース２２に格納する。
The
第１組成物データの個々のデータレコードは個々の組成物を示す。より具体的には、各データレコードは、組成物を一意に特定するための識別子である組成物ＩＤと、該組成物を構成する原材料の情報とを含み、したがって、組成物と原材料との組合せを示す。第２組成物データのデータ構造は第１組成物データに対応する。 The individual data records of the first composition data indicate the individual compositions. More specifically, each data record contains a composition ID, which is an identifier for uniquely identifying the composition, and information on the raw materials that make up the composition, and thus the combination of the composition and the raw materials. Is shown. The data structure of the second composition data corresponds to the first composition data.
第１組成物データおよび第２組成物データのデータ構造は限定されず、任意の方針で設計されてよい。組成物ＩＤの表現方法は限定されず、例えば組成物ＩＤは組成物の名称でもよいし、アルファベット、数字、またはこれら双方の組合せで表される番号で表されてもよい。原材料の情報の表現方法も限定されない。例えば、個々のデータレコードが、複数の候補原材料に対応する複数のカラムを有し、組成物の原材料に対応するカラムに該原材料の配合比が設定されてもよい。配合比の表現方法は限定されず、例えば、質量比、重量比、または体積比で表されてもよい。あるいは、原材料の情報は、原材料の識別子で表されてもよく、例えば名称、番号等で表されてもよい。第１組成物データで示される組成物の個数をＮとすると、Ｎ個の組成物のそれぞれは、Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成される。したがって、第１組成物データは、Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成されるＮ個の組成物を示すデータである、ということができる。値Ｍ，Ｎの具体的な数値は限定されない。上述したように、例えば、値Ｍは１０００のオーダーになり得、値Ｎは１０万のオーダーになり得る。 The data structures of the first composition data and the second composition data are not limited, and may be designed according to any policy. The expression method of the composition ID is not limited, and for example, the composition ID may be represented by the name of the composition, an alphabet, a number, or a number represented by a combination of both. The method of expressing information on raw materials is also not limited. For example, each data record may have a plurality of columns corresponding to a plurality of candidate raw materials, and the blending ratio of the raw materials may be set in the columns corresponding to the raw materials of the composition. The method of expressing the compounding ratio is not limited, and may be expressed by, for example, a mass ratio, a weight ratio, or a volume ratio. Alternatively, the raw material information may be represented by a raw material identifier, for example, a name, a number, or the like. Assuming that the number of compositions shown in the first composition data is N, each of the N compositions is composed of at least one of the M candidate raw materials. Therefore, it can be said that the first composition data is data showing N compositions composed of at least one of the M candidate raw materials. The specific numerical values of the values M and N are not limited. As mentioned above, for example, the value M can be on the order of 1000 and the value N can be on the order of 100,000.
第１組成物データは実測値に基づいて生成されてもよいし、コンピュータシミュレーションによって生成されてもよいし、人手によって入力されてもよい。第１組成物データは任意のコンピュータシステムによって生成されて第１データベース２１に格納されてよい。例えば、その生成および格納の処理はデータ管理システム１０によって実行されてもよいし、データ管理システム１０とは異なるコンピュータシステムによって実行されてもよい。
The first composition data may be generated based on actual measurement values, may be generated by computer simulation, or may be manually input. The first composition data may be generated by any computer system and stored in the
プロセッサ１０１は取得部１１、選別部１２、および出力部１３として機能する。取得部１１は第１組成物データを取得する機能要素である。選別部１２は、第１組成物データのうち、所与の基準を満たすデータを第２組成物データとして選択する機能要素である。出力部１３はその第２組成物データを出力する機能要素である。
The
データ管理システム１０が複数のコンピュータで構成される場合には、どのプロセッサがどの機能要素を実行するかが任意に決定されてよい。いずれにしても、少なくとも一つのプロセッサを備える論理的なデータ管理システム１０が取得部１１、選別部１２、および出力部１３として機能する。本開示において、「少なくとも一つのプロセッサが、第１の処理を実行し、第２の処理を実行し、…第ｎの処理を実行する。」との表現、またはこれに対応する表現は、第１の処理から第ｎの処理までのｎ個の処理の実行主体、すなわちプロセッサが途中で変わる場合を含む概念である。すなわち、この表現は、ｎ個の処理のすべてが同じプロセッサで実行される場合と、ｎ個の処理においてプロセッサが任意の方針で変わる場合との双方を含む概念である。
When the
メモリ１０２は、コンピュータをデータ管理システム１０として機能させるためのデータ管理プログラム１１０を記憶する。データ管理プログラム１１０は、コンピュータを取得部１１、選別部１２、および出力部１３として機能させるためのプログラムコードを含む。データ管理プログラム１１０は、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、半導体メモリ等の有形の記録媒体に固定的に記録された上で提供されてもよい。あるいは、データ管理プログラム１１０は、搬送波に重畳されたデータ信号として通信ネットワークを介して提供されてもよい。提供されたデータ管理プログラムはメモリ１０２に記憶される。プロセッサ１０１がメモリ１０２と協働してそのデータ管理プログラム１１０を実行することで、上記の各機能要素が実現する。メモリ１０２はプロセッサ１０１の動作に必要な他の情報を記憶してもよい。例えば、メモリ１０２は組成物データの選別に必要なデータ、アルゴリズム、または数式を予め記憶してもよい。
The
通信インタフェース１０３はプロセッサ１０１と連携してデータの送受信を実行する。例えば、通信インタフェース１０３は取得部１１と連携して第１データベース２１から第１組成物データを受信する。また、通信インタフェース１０３は出力部１３と連携して第２データベース２２に向けて第２組成物データを送信する。
The
［システムの動作］
図２を参照しながら、データ管理システム１０の動作を説明するとともに本実施形態に係るデータ管理方法について説明する。図２はデータ管理システム１０の動作の一例を処理フローＳ１として示すフローチャートである。
[System operation]
The operation of the
ステップＳ１１では、取得部１１が第１組成物データを取得する。本開示では、取得部１１は通信ネットワークＮを介して第１データベース２１にアクセスし、この第１データベース２１から第１組成物データを読み出す。
In step S11, the
ステップＳ１２では、取得部１１が選別条件を取得する。選別条件とは、第１組成物データのうちの少なくとも一部を第２組成物データとして選択するための基準のことをいう。本実施形態では、選別条件は基準組成物を示す基準組成物データを含む。基準組成物とは、第１組成物データの少なくとも一部を選択するための基準として用いられる組成物のことをいう。第１組成物データで示される組成物に対応して、基準組成物の種類も何ら限定されない。例えば、基準組成物は樹脂組成物でもよい。第１組成物データで示される個々の組成物と同様に、基準組成物も、Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成される。基準組成物データのデータ構造は限定されず、任意の方針で設計されてよい。例えば、基準組成物データのデータ構造は第１組成物データに対応してもよい。基準組成物データは実測値に基づいて生成されてもよいし、コンピュータシミュレーションによって生成されてもよいし、人手によって入力されてもよい。基準組成物データは、複数の組成物に基づいて生成されてもよく、例えば、該複数の組成物を示すベクトルの和または平均に基づいて生成されてもよい。この場合には、基準組成物は複数の組成物が考慮された仮想的な組成物であるといえる。
In step S12, the
本実施形態では、選別条件は閾値ａをさらに含む。閾値ａは、第１組成物データの個々のデータレコードを選択するか否かを判定するために用いられる。具体的には、閾値ａは、第１組成物データで示される個々の組成物が基準組成物と類似するか否かを判定するための基準値である。 In the present embodiment, the selection condition further includes the threshold value a. The threshold value a is used to determine whether or not to select individual data records of the first composition data. Specifically, the threshold value a is a reference value for determining whether or not each composition shown in the first composition data is similar to the reference composition.
選別条件の取得方法は限定されない。例えば、取得部１１はユーザにより入力された選別条件を受け付けてもよいし、他のコンピュータから送られてきた選別条件を受信してもよいし、メモリ１０２または他の記憶装置に予め記憶されている選別条件を読み出してもよい。基準組成物データと閾値ａとの間で取得方法が異なってもよい。
The method of acquiring the selection conditions is not limited. For example, the
ステップＳ１３では、選別部１２が、第１組成物データに対応するＮ×Ｍ行列Ｃを生成する。ここで、Ｎは第１組成物データのデータレコード数であり、したがって、第１組成物データで示される組成物の個数を表す。ＭはＮ個の組成物のうちの少なくとも一つで用いられる可能性がある原材料の個数、すなわち候補原材料の個数を示す。行列Ｃの各行は一つの組成物に対応し、行列Ｃの各列は一つの候補原材料に対応する。行列Ｃの各要素（各成分）は、ゼロ要素および非ゼロ要素のいずれか一方を示す。ゼロ要素は、対応する組成物が、対応する候補原材料によって構成されないことを示す。非ゼロ要素は、対応する組成物が、対応する候補原材料によって構成されることを示す。例えばゼロ要素は「０」で表現され非ゼロ要素は正数で表現されてもよいが、ゼロ要素および非ゼロ要素の表現方法はこれに限定されない。
In step S13, the sorting
ステップＳ１３ではさらに、選別部１２がその行列Ｃの各要素を正規化する。正規化とは、データを所与の数値範囲の間の値に変換する処理のことをいう。正規化の具体的な手法は限定されず、選別部１２は行列Ｃの各要素を任意の数値範囲に正規化してもよい。本実施形態では、選別部１２はゼロ要素を０に変換し、非ゼロ要素を１に変換することで、行列Ｃの各要素を正規化する。
In step S13, the sorting
ステップＳ１４では、選別部１２が基準組成物データに対応するＭ次元ベクトルｂを生成する。ベクトルｂの各要素（各成分）は一つの候補原材料に対応し、ゼロ要素および非ゼロ要素のいずれか一方を示す。ゼロ要素は、基準組成物が、対応する候補原材料によって構成されないことを示す。非ゼロ要素は、基準組成物が、対応する候補原材料によって構成されることを示す。例えばゼロ要素は「０」で表現され非ゼロ要素は正数で表現されてもよいが、ゼロ要素および非ゼロ要素の表現方法はこれに限定されない。
In step S14, the sorting
ステップＳ１４ではさらに、選別部１２がそのベクトルｂの各要素を正規化する。選別部１２は行列Ｃと同様の手法でベクトルｂを正規化する。すなわち、本実施形態では、選別部１２はゼロ要素を０に変換し、非ゼロ要素を１に変換することで、ベクトルｂの各要素を正規化する。
In step S14, the sorting
その後、選別部１２は第１組成部データで示される個々の組成物と基準組成物との類似度を算出する。類似度とは、比較される二つの組成物が互いに似ているか似ていないかを示す指標である。本開示では、二つの組成物が似ているほど類似度が高いものとする。選別部１２は類似度が所与の基準を満たす組成物を選択し、類似度が該基準を満たさない組成物を破棄する。要するに、選別部１２は、相対的に見て基準組成物に似ている組成物を選択し、相対的に見て基準組成物に似ていない組成物を破棄する。以下では、行列Ｃにおける処理対象の行をｉで表し、ステップＳ１５で示すように行列Ｃの１行目から順に各行が処理されるものとする。
After that, the sorting
ステップＳ１６では、選別部１２が正規化されたベクトルｂと正規化された行列Ｃのｉ行目ｃとの類似度を算出する。類似度の算出方法は限定されない。例えば、選別部１２はＬ０距離、Ｌ１距離、ユークリッド距離、ｃｏｓ類似度等の様々な手法のうちの一つを応用して類似度を算出してもよい。
In step S16, the sorting
ステップＳ１７では、選別部１２が、行ｃがベクトルｂに類似するか否かを判定する。すなわち、選別部１２は行ｃとベクトルｂとの類似度が所与の基準を満たすか否かを判定する。行ｃがベクトルｂに類似する場合（すなわち、類似度が基準を満たす場合）には、処理はステップＳ１８に進む。ステップＳ１８では、選別部１２が行ｃに対応する第１組成物データのデータレコードを第２組成物データに追加する。この追加は、選別部１２が当該データレコードを第２組成物データの少なくとも一部として選択することを意味する。一方、行ｃがベクトルｂに類似しない場合（すなわち、類似度が基準を満たさない場合）には、処理はステップＳ１９に進む。ステップＳ１９では、選別部１２が、行ｃに対応するデータレコードを第２組成物データに追加することなくそのデータレコードを破棄する。
In step S17, the sorting
図３を参照しながら、ステップＳ１６〜Ｓ１９の処理の例を説明する。図３は、第１組成物データおよび基準組成物データの例と、これらのデータの正規化の例とを示す図である。この例では、それぞれのデータレコードは、組成物ＩＤと、各候補原材料の配合比とを示し、配合比は小数で表されている。組成物は９種類の候補原材料Ａ、Ｂ，Ｃ，…，Ｈ，Ｉから選択される１以上の原材料によって構成されるものとする。第１組成物データ３１は４種類の組成物Ｗ，Ｘ，Ｙ，Ｚを示すとする。したがって、第１組成物データ３１は４×９行列Ｃで表され、基準組成物データ３２は９次元ベクトルｂで表される。この例では、ゼロ要素を０に変換し、非ゼロ要素を１に変換することで、その４×９行列が正規化されている。以下では、類似度の計算例としてＬ０距離とＬ１距離（マンハッタン距離）とを示す。
An example of the processing of steps S16 to S19 will be described with reference to FIG. FIG. 3 is a diagram showing an example of the first composition data and the reference composition data, and an example of normalization of these data. In this example, each data record shows the composition ID and the blending ratio of each candidate raw material, and the blending ratio is represented by a decimal number. The composition shall consist of one or more raw materials selected from nine types of candidate raw materials A, B, C, ..., H, I. It is assumed that the
Ｌ０距離を応用する場合には、選別部１２は、基準組成物データに対応するＭ次元ベクトルｂの各要素から、行列Ｃのｉ行目ｃの対応要素を減算する。選別部１２はこの減算結果が負になる要素（これを「負要素」という。）の個数Ｅをカウントする。
When applying the L0 distance, the sorting
基準組成物ＢＳおよび組成物Ｗの比較は以下の通りであり、したがって、負要素の個数Ｅは１である。
・基準組成物ＢＳ：（１，１，１，０，１，０，０，０，０）
・組成物Ｗ ：（１，１，０，０，０，０，１，０，０）
The comparison between the reference composition BS and the composition W is as follows, and therefore the number E of negative elements is 1.
-Reference composition BS: (1,1,1,0,1,0,0,0,0)
-Composition W: (1,1,0,0,0,0,1,0,0)
基準組成物ＢＳおよび組成物Ｘの比較は以下の通りであり、したがって、負要素の個数Ｅは３である。
・基準組成物ＢＳ：（１，１，１，０，１，０，０，０，０）
・組成物Ｘ ：（０，０，１，１，０，１，０，１，０）
The comparison between the reference composition BS and the composition X is as follows, and therefore the number E of negative elements is 3.
-Reference composition BS: (1,1,1,0,1,0,0,0,0)
-Composition X: (0,0,1,1,0,1,0,1,0)
基準組成物ＢＳおよび組成物Ｙの比較は以下の通りであり、したがって、負要素の個数Ｅは２である。
・基準組成物ＢＳ：（１，１，１，０，１，０，０，０，０）
・組成物Ｙ ：（０，１，０，１，１，０，０，１，０）
The comparison between the reference composition BS and the composition Y is as follows, and therefore the number E of negative elements is 2.
-Reference composition BS: (1,1,1,0,1,0,0,0,0)
-Composition Y: (0,1,0,1,1,0,0,1,0)
基準組成物ＢＳおよび組成物Ｚの比較は以下の通りであり、したがって、負要素の個数Ｅは４である。
・基準組成物ＢＳ：（１，１，１，０，１，０，０，０，０）
・組成物Ｚ ：（０，０，１，０，０，１，１，１，１）
The comparison between the reference composition BS and the composition Z is as follows, and therefore the number E of negative elements is 4.
-Reference composition BS: (1,1,1,0,1,0,0,0,0)
-Composition Z: (0,0,1,0,0,1,1,1,1)
選別部１２はその負要素の個数Ｅを閾値ａと比較する。選別部１２は、個数Ｅが閾値ａ以下であれば、行ｃがベクトルｂに類似すると判定し、個数Ｅが閾値ａより大きければ行ｃがベクトルｂに類似しないと判定する。したがって、この例では、負要素の個数Ｅが小さいほど類似度が高い。選別部１２は、閾値ａが２であれば組成物Ｗ，Ｙのデータレコードを第２組成物データに追加し、閾値ａが３であれば組成物Ｗ，Ｘ，Ｙのデータレコードを第２組成物データに追加する。すなわち、選別部１２は、負要素の個数Ｅが閾値ａ以下である行を、類似度が所与の基準を満たす行として選択する。この例では、減算結果がゼロの要素は、処理対象の組成物が基準組成物と類似するとの推定に貢献する。減算結果が正の要素は、類似度の推定に影響を与えないものとして処理される。演算結果が負の要素は、処理対象の組成物が基準組成物と類似しないとの推定に貢献する。
The sorting
Ｌ１距離を応用する場合には、選別部１２は、基準組成物データに対応するＭ次元ベクトルｂの各要素から、行列Ｃのｉ行目ｃの対応要素を減算し、その差の絶対値を得る。選別部１２はこの減算結果が０ではない要素（これを「非ゼロ要素」という。）の個数Ｅをカウントする。
When applying the L1 distance, the sorting
基準組成物ＢＳおよび組成物Ｗの比較では、非ゼロ要素の個数Ｅは３である。基準組成物ＢＳおよび組成物Ｘの比較では、非ゼロ要素の個数Ｅは６である。基準組成物ＢＳおよび組成物Ｙの比較では、非ゼロ要素の個数Ｅは４である。基準組成物ＢＳおよび組成物Ｚの比較では、非ゼロ要素の個数Ｅは７である。 In the comparison between the reference composition BS and the composition W, the number E of non-zero elements is 3. In the comparison between the reference composition BS and the composition X, the number E of non-zero elements is 6. In the comparison between the reference composition BS and the composition Y, the number E of non-zero elements is 4. In the comparison between the reference composition BS and the composition Z, the number E of non-zero elements is 7.
選別部１２はその非ゼロ要素の個数Ｅを閾値ａと比較する。選別部１２は、個数Ｅが閾値ａ以下であれば、行ｃがベクトルｂに類似すると判定し、個数Ｅが閾値ａより大きければ行ｃがベクトルｂに類似しないと判定する。したがって、この例では、非ゼロ要素の個数Ｅが小さいほど類似度が高い。選別部１２は、閾値ａが４または５であれば組成物Ｗ，Ｙのデータレコードを第２組成物データに追加し、閾値ａが６であれば組成物Ｗ，Ｘ，Ｙのデータレコードを第２組成物データに追加する。すなわち、選別部１２は、非ゼロ要素の個数Ｅが閾値ａ以下である行を、類似度が所与の基準を満たす行として選択する。この例では、減算結果がゼロの要素は、処理対象の組成物が基準組成物と類似するとの推定に貢献する。減算結果が正または負の要素は、処理対象の組成物が基準組成物と類似しないとの推定に貢献する。
The sorting
ステップＳ２０において、未処理の行、すなわち未処理の組成物が存在する場合には処理はステップＳ２１に進み、選別部１２は行列Ｃの次の行ｃを処理対象として選択し、その選択された行ｃについてステップＳ１６以降の処理を実行する。
In step S20, if there is an untreated row, that is, an untreated composition, the processing proceeds to step S21, and the sorting
一方、ステップＳ２０において、行列Ｃのすべての行を処理した場合には処理はステップＳ２２に進む。ステップＳ２２では、出力部１３が第２組成物データを出力する。本開示では、出力部１３は通信ネットワークＮを介して第２データベース２２にアクセスし、第２組成物データを第２データベース２２に格納する。
On the other hand, when all the rows of the matrix C are processed in step S20, the processing proceeds to step S22. In step S22, the
処理フローＳ１によって得られる第２組成物データは基準組成物と類似する組成物のみを示す。したがって、第２組成物データで示される組成物群のうちの少なくとも一つを構成する原材料の個数、すなわち第２組成物データの次元数がＭよりも小さいことが期待できる。第１組成物データよりも第２組成物データの方が次元数が小さいということは、第１組成物データよりもゼロ要素が少ない密な第２組成物データが得られることを意味する。この密な組成物データを用いることで重要な情報が顕現され易くなるので、処理の精度が高くなることが期待できる。したがって、第２組成物データを用いることで各種のデータ処理を効率的に実行することが可能になる。 The second composition data obtained by the treatment flow S1 shows only compositions similar to the reference composition. Therefore, it can be expected that the number of raw materials constituting at least one of the composition group shown in the second composition data, that is, the number of dimensions of the second composition data is smaller than M. The fact that the number of dimensions of the second composition data is smaller than that of the first composition data means that dense second composition data having fewer zero elements than the first composition data can be obtained. By using this dense composition data, important information can be easily revealed, and it can be expected that the processing accuracy will be improved. Therefore, various data processing can be efficiently executed by using the second composition data.
図３に示す組成物Ｗ〜Ｚのうち組成物Ｗ，Ｙが選択されたとすると、組成物ＷまたはＹに用いられる原材料はＡ，Ｂ，Ｄ，Ｅ，Ｇ，Ｈである。したがって、第２組成物データの次元数は６である。図３に示す組成物Ｗ〜Ｚのうち組成物Ｗ，Ｘ，Ｙが選択されたとすると、組成物ＷまたはＹに用いられる原材料はＡ〜Ｈである。したがって、第２組成物データの次元数は８である。これらの例では、第２組成物データの次元数は第１組成物データよりも小さい。 Assuming that the compositions W and Y are selected from the compositions W to Z shown in FIG. 3, the raw materials used for the compositions W or Y are A, B, D, E, G and H. Therefore, the number of dimensions of the second composition data is 6. Assuming that the compositions W, X, and Y are selected from the compositions W to Z shown in FIG. 3, the raw materials used for the compositions W or Y are A to H. Therefore, the number of dimensions of the second composition data is eight. In these examples, the number of dimensions of the second composition data is smaller than that of the first composition data.
第２組成物データの利用方法は何ら限定されず、第２組成物データは任意の目的の任意のデータ処理のために用いることができる。例えば、第２組成物データは研究、開発、解析、設計、特定等における各種データ処理に用いられ得る。具体例として、第２組成物データは、組成物を特定するための機械学習の入力データとして用いられてもよいし、原材料が組成物の特性に及ぼす影響度を推定するために用いられてもよいし、組成物の特性を可視化するために用いられてもよい。 The method of using the second composition data is not limited in any way, and the second composition data can be used for any data processing for any purpose. For example, the second composition data can be used for various data processing in research, development, analysis, design, identification and the like. As a specific example, the second composition data may be used as input data for machine learning to identify the composition, or may be used to estimate the degree of influence of the raw material on the properties of the composition. Alternatively, it may be used to visualize the properties of the composition.
［効果］
以上説明したように、本開示の一側面に係るデータ管理システムは、少なくとも一つのプロセッサを備える。少なくとも一つのプロセッサは、Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成されるＮ個の組成物を示す第１組成物データを取得するステップであって、該第１組成物データの個々のデータレコードが個々の組成物を示す、該ステップと、Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成される基準組成物を示す基準組成物データを取得するステップと、第１組成物データに対応するＮ×Ｍ行列の各行と、基準組成物データに対応するＭ次元ベクトルとの類似度を算出するステップと、Ｎ×Ｍ行列のＮ行のうち、Ｍ次元ベクトルとの類似度が所与の基準を満たす行を選択するステップと、選択された行に対応するデータレコードによって構成される第２組成物データを生成するステップと、第２組成物データを出力するステップとを実行する。
[effect]
As described above, the data management system according to one aspect of the present disclosure includes at least one processor. At least one processor is a step of acquiring first composition data showing N compositions composed of at least one of the M candidate raw materials, and is an individual of the first composition data. Data record shows the individual compositions, the step of acquiring the reference composition data showing the reference composition composed of at least one of the M candidate raw materials, and the first composition. The step of calculating the similarity between each row of the N × M matrix corresponding to the data and the M-dimensional vector corresponding to the reference composition data, and the similarity of the N rows of the N × M matrix with the M-dimensional vector are Performs a step of selecting rows that meet a given criterion, a step of generating second composition data composed of data records corresponding to the selected rows, and a step of outputting second composition data. ..
本開示の一側面に係るデータ管理方法は、少なくとも一つのプロセッサを備えるデータ管理システムにより実行される。データ管理方法は、Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成されるＮ個の組成物を示す第１組成物データを取得するステップであって、該第１組成物データの個々のデータレコードが個々の組成物を示す、該ステップと、Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成される基準組成物を示す基準組成物データを取得するステップと、第１組成物データに対応するＮ×Ｍ行列の各行と、基準組成物データに対応するＭ次元ベクトルとの類似度を算出するステップと、Ｎ×Ｍ行列のＮ行のうち、Ｍ次元ベクトルとの類似度が所与の基準を満たす行を選択するステップと、選択された行に対応するデータレコードによって構成される第２組成物データを生成するステップと、第２組成物データを出力するステップとを含む。 The data management method according to one aspect of the present disclosure is performed by a data management system including at least one processor. The data management method is a step of acquiring first composition data showing N compositions composed of at least one of the M candidate raw materials, and is an individual of the first composition data. The step in which the data record shows the individual compositions, the step of acquiring the reference composition data showing the reference composition composed of at least one of the M candidate raw materials, and the first composition data. The step of calculating the similarity between each row of the N × M matrix corresponding to and the M-dimensional vector corresponding to the reference composition data, and the similarity of the N rows of the N × M matrix with the M-dimensional vector are located. It includes a step of selecting a row that meets the given criteria, a step of generating second composition data composed of data records corresponding to the selected row, and a step of outputting the second composition data.
本開示の一側面に係るデータ管理プログラムは、Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成されるＮ個の組成物を示す第１組成物データを取得するステップであって、該第１組成物データの個々のデータレコードが個々の組成物を示す、該ステップと、Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成される基準組成物を示す基準組成物データを取得するステップと、第１組成物データに対応するＮ×Ｍ行列の各行と、基準組成物データに対応するＭ次元ベクトルとの類似度を算出するステップと、Ｎ×Ｍ行列のＮ行のうち、Ｍ次元ベクトルとの類似度が所与の基準を満たす行を選択するステップと、選択された行に対応するデータレコードによって構成される第２組成物データを生成するステップと、第２組成物データを出力するステップとをコンピュータに実行させる。 The data management program according to one aspect of the present disclosure is a step of acquiring first composition data showing N compositions composed of at least one of the M candidate raw materials. 1 A step of acquiring reference composition data indicating a reference composition composed of at least one of the M candidate raw materials and the step in which each data record of the composition data indicates the individual composition. And the step of calculating the similarity between each row of the N × M matrix corresponding to the first composition data and the M dimension vector corresponding to the reference composition data, and the M dimension of the N rows of the N × M matrix. A step of selecting a row whose similarity to the vector meets a given criterion, a step of generating a second composition data composed of data records corresponding to the selected row, and an output of the second composition data. Have your computer perform the steps you want to take.
このような側面によれば、Ｎ個の組成物と基準組成物とがそれぞれ、Ｎ×Ｍ行列の各行とＭ次元ベクトルとによって表され、各行とそのベクトルとの類似度が算出される。そして、Ｎ個の組成物の中から、基準組成物と類似する組成物が選択される。したがって、組成物に関するデータを自動的に且つ適切に選別することができる。この選別により組成物データのデータレコードの個数および候補原材料の個数を小さくすることができ、これは第１組成物データよりも密な組成物データが得られることを意味する。この密な組成物データを用いることで重要な情報が顕現され易くなるので、処理の精度が高くなることが期待できる。したがって、その第２組成物データを用いることで各種のデータ処理を効率的に実行することが可能になる。 According to such an aspect, the N compositions and the reference composition are represented by each row of the N × M matrix and an M-dimensional vector, respectively, and the similarity between each row and the vector is calculated. Then, a composition similar to the reference composition is selected from the N compositions. Therefore, the data regarding the composition can be automatically and appropriately selected. By this selection, the number of data records of the composition data and the number of candidate raw materials can be reduced, which means that the composition data which is denser than the first composition data can be obtained. By using this dense composition data, important information can be easily revealed, and it can be expected that the processing accuracy will be improved. Therefore, various data processing can be efficiently executed by using the second composition data.
他の側面に係るデータ管理システムでは、少なくとも一つのプロセッサが、Ｎ×Ｍ行列の各要素とＭ次元ベクトルの各要素とを正規化し、正規化されたＮ×Ｍ行列の各行と、正規化されたＭ次元ベクトルとの類似度を算出してもよい。この正規化を実行することで、各要素の分布が一定の範囲内に収められるので、Ｎ×Ｍ行列の各行とＭ次元ベクトルとの比較を容易にすることができる。 In a data management system according to another aspect, at least one processor normalizes each element of the N × M matrix and each element of the M-dimensional vector, and each row of the normalized N × M matrix is normalized. The degree of similarity with the M-dimensional vector may be calculated. By executing this normalization, the distribution of each element is kept within a certain range, so that it is possible to easily compare each row of the N × M matrix with the M-dimensional vector.
他の側面に係るデータ管理システムでは、少なくとも一つのプロセッサが、ゼロ要素を０に変換し非ゼロ要素を１に変換することで、Ｎ×Ｍ行列の各要素とＭ次元ベクトルの各要素とを正規化してもよい。この正規化によって各要素が０または１のいずれかに変換されるので、Ｎ×Ｍ行列の各行とＭ次元ベクトルとの比較を容易にすることができる。 In a data management system according to another aspect, at least one processor converts each element of the N × M matrix and each element of the M-dimensional vector by converting the zero element to 0 and the non-zero element to 1. It may be normalized. Since each element is converted to either 0 or 1 by this normalization, it is possible to easily compare each row of the N × M matrix with the M-dimensional vector.
他の側面に係るデータ管理システムでは、Ｎ×Ｍ行列の各行とＭ次元ベクトルとの類似度を算出するステップは、該Ｍ次元ベクトルの各要素から該行の対応要素を減算した結果が負になる要素の個数を負要素の個数としてカウントすることを含んでもよい。類似度が所与の基準を満たす行を選択するステップは、負要素の個数が所与の閾値以下である行を、基準を満たす行として選択することを含んでもよい。Ｌ０距離を応用したこのような手法によって、第２組成物データの次元数（候補原材料の個数）を適切に減らしつつ、できるだけ多くのデータレコードを第２組成物データとして抽出することができる。 In a data management system related to other aspects, the step of calculating the similarity between each row of the N × M matrix and the M-dimensional vector is negative as a result of subtracting the corresponding element of the row from each element of the M-dimensional vector. It may include counting the number of elements as the number of negative elements. The step of selecting rows whose similarity meets a given criterion may include selecting rows whose number of negative elements is less than or equal to a given threshold as rows that meet the criterion. By such a method applying the L0 distance, as many data records as possible can be extracted as the second composition data while appropriately reducing the number of dimensions (the number of candidate raw materials) of the second composition data.
他の側面に係るデータ管理システムでは、Ｎ×Ｍ行列の各行とＭ次元ベクトルとの類似度を算出するステップが、該Ｍ次元ベクトルの各要素から該行の対応要素を減算して得られる差が０でない要素の個数を非ゼロ要素の個数としてカウントすることを含んでもよい。類似度が所与の基準を満たす行を選択するステップは、非ゼロ要素の個数が所与の閾値以下である行を、基準を満たす行として選択することを含んでもよい。Ｌ１距離を応用したこのような手法によって、第２組成物データの次元数（候補原材料の個数）を適切に減らしつつ、できるだけ多くのデータレコードを第２組成物データとして抽出することができる。 In a data management system according to another aspect, the difference obtained by subtracting the corresponding element of the row from each element of the M-dimensional vector in the step of calculating the similarity between each row of the N × M matrix and the M-dimensional vector. May include counting the number of non-zero elements as the number of non-zero elements. The step of selecting rows whose similarity meets a given criterion may include selecting rows whose number of nonzero elements is less than or equal to a given threshold as rows that meet the criterion. By such a method applying the L1 distance, as many data records as possible can be extracted as the second composition data while appropriately reducing the number of dimensions (the number of candidate raw materials) of the second composition data.
他の側面に係るデータ管理システムでは、Ｎ個の組成物および基準組成物がいずれも樹脂組成物であってもよい。この場合には、樹脂組成物に関するデータを自動的に且つ適切に選別することができる。 In the data management system according to the other aspect, the N compositions and the reference composition may both be resin compositions. In this case, the data on the resin composition can be automatically and appropriately selected.
［変形例］
以上、本開示の実施形態に基づいて詳細に説明した。しかし、本開示は上記実施形態に限定されるものではない。本開示は、その要旨を逸脱しない範囲で様々な変形が可能である。
[Modification example]
The above description has been made in detail based on the embodiment of the present disclosure. However, the present disclosure is not limited to the above embodiment. The present disclosure can be modified in various ways without departing from its gist.
上記実施形態では選別部１２が、Ｎ×Ｍ行列ＣおよびＭ次元ベクトルｂを正規化するが、正規化は必須の処理ではない。選別部は正規化を実行することなく、行列ＣとＭ次元ベクトルｂとの類似度を、Ｌ０距離、Ｌ１距離、ユークリッド距離、ｃｏｓ類似度等の様々な手法のうちの一つを応用して算出してもよい。
In the above embodiment, the sorting
上記実施形態では、取得部１１が第１データベース２１から第１組成物データを取得し、出力部１３が第２組成物データを第２データベース２２に格納するが、データを取得および出力する方法はこれに限定されない。例えば、取得部１１は他の装置から第１組成物データを受信してもよいし、ユーザによって入力された第１組成物データを受け付けてもよい。出力部１３は第２組成物データを、他の装置に送信してもよいし、表示装置上に表示してもよいし、印刷してもよい。
In the above embodiment, the
上記実施形態では、選別部１２が、所与の基準を満たす行に対応する１以上のデータレコードを第２組成物データに追加し、その基準を満たさない行に対応する１以上のデータレコードを破棄することで第２組成物データを生成する。しかし、第２組成物データの生成方法はこれに限定されない。例えば、選別部は、第１組成物データのコピーから、所与の基準を満たさない行に対応する１以上のデータレコードを削除することで第２組成物データを生成してもよい。
In the above embodiment, the sorting
第１データベース２１および第２データベース２２は一つのデータベースとして構築されてもよい。上述したようにデータを取得および出力する方法は限定されないので、データベースが用いられなくてもよい。
The
少なくとも一つのプロセッサにより実行される方法の処理手順は上記実施形態での例に限定されない。例えば、上述したステップ（処理）の一部が省略されてもよいし、別の順序で各ステップが実行されてもよい。また、上述したステップのうちの任意の２以上のステップが組み合わされてもよいし、ステップの一部が修正又は削除されてもよい。あるいは、上記の各ステップに加えて他のステップが実行されてもよい。 The processing procedure of the method executed by at least one processor is not limited to the example in the above embodiment. For example, some of the steps (processes) described above may be omitted, or each step may be executed in a different order. In addition, any two or more steps of the above-mentioned steps may be combined, or a part of the steps may be modified or deleted. Alternatively, other steps may be performed in addition to each of the above steps.
データ管理システム内で二つの数値の大小関係を比較する際には、「以上」および「よりも大きい」という二つの基準のどちらを用いてもよく、「以下」および「未満」の二つの基準のうちのどちらを用いてもよい。このような基準の選択は、二つの数値の大小関係を比較する処理についての技術的意義を変更するものではない。 When comparing the magnitude relations of two numbers in a data management system, either of the two criteria "greater than or equal to" and "greater than" may be used, and the two criteria "less than or equal to" and "less than" Either of these may be used. The selection of such criteria does not change the technical significance of the process of comparing the magnitude relations of two numbers.
１０…データ管理システム、１１…取得部、１２…選別部、１３…出力部、２１…第１データベース、２２…第２データベース、３１…第１組成物データ、３２…基準組成物データ、１１０…データ管理プログラム。 10 ... Data management system, 11 ... Acquisition unit, 12 ... Sorting unit, 13 ... Output unit, 21 ... First database, 22 ... Second database, 31 ... First composition data, 32 ... Reference composition data, 110 ... Data management program.
Claims (8)
前記少なくとも一つのプロセッサが、
Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成されるＮ個の組成物を示す第１組成物データを取得するステップであって、該第１組成物データの個々のデータレコードが個々の組成物を示す、該ステップと、
前記Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成される基準組成物を示す基準組成物データを取得するステップと、
前記第１組成物データに対応するＮ×Ｍ行列の各行と、前記基準組成物データに対応するＭ次元ベクトルとの類似度を算出するステップと、
前記Ｎ×Ｍ行列のＮ行のうち、前記Ｍ次元ベクトルとの前記類似度が所与の基準を満たす行を選択するステップと、
前記選択された行に対応する前記データレコードによって構成される第２組成物データを生成するステップと、
前記第２組成物データを出力するステップと
を実行する、
データ管理システム。 With at least one processor
The at least one processor
It is a step of acquiring the first composition data showing N compositions composed of at least one of the M candidate raw materials, and the individual data records of the first composition data are individual. The step, showing the composition,
A step of acquiring reference composition data indicating a reference composition composed of at least one of the M candidate raw materials, and
A step of calculating the similarity between each row of the N × M matrix corresponding to the first composition data and the M-dimensional vector corresponding to the reference composition data, and
A step of selecting the N rows of the N × M matrix whose similarity with the M-dimensional vector satisfies a given criterion, and
A step of generating second composition data composed of the data records corresponding to the selected row, and
Performing the steps of outputting the second composition data.
Data management system.
前記Ｎ×Ｍ行列の各要素と前記Ｍ次元ベクトルの各要素とを正規化し、
正規化された前記Ｎ×Ｍ行列の各行と、正規化された前記Ｍ次元ベクトルとの類似度を算出する、
請求項１に記載のデータ管理システム。 The at least one processor
Normalize each element of the N × M matrix and each element of the M-dimensional vector,
Calculate the similarity between each row of the normalized N × M matrix and the normalized M-dimensional vector.
The data management system according to claim 1.
請求項２に記載のデータ管理システム。 The at least one processor normalizes each element of the N × M matrix and each element of the M-dimensional vector by converting the zero element to 0 and the non-zero element to 1.
The data management system according to claim 2.
前記類似度が所与の基準を満たす行を選択するステップが、前記負要素の個数が所与の閾値以下である行を、前記基準を満たす行として選択することを含む、
請求項１〜３のいずれか一項に記載のデータ管理システム。 In the step of calculating the similarity between each row of the N × M matrix and the M-dimensional vector, the number of elements whose result of subtracting the corresponding element of the row from each element of the M-dimensional vector is negative Including counting as a number
The step of selecting rows whose similarity meets a given criterion comprises selecting rows whose number of negative elements is less than or equal to a given threshold as rows that meet the criterion.
The data management system according to any one of claims 1 to 3.
前記類似度が所与の基準を満たす行を選択するステップが、前記非ゼロ要素の個数が所与の閾値以下である行を、前記基準を満たす行として選択することを含む、
請求項１〜３のいずれか一項に記載のデータ管理システム。 The step of calculating the similarity between each row of the N × M matrix and the M-dimensional vector does not eliminate the number of non-zero elements obtained by subtracting the corresponding element of the row from each element of the M-dimensional vector. Including counting as the number of zero elements
The step of selecting rows whose similarity meets a given criterion comprises selecting rows whose number of nonzero elements is less than or equal to a given threshold as rows that meet the criterion.
The data management system according to any one of claims 1 to 3.
請求項１〜５のいずれか一項に記載のデータ管理システム。 The N compositions and the reference composition are both resin compositions.
The data management system according to any one of claims 1 to 5.
Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成されるＮ個の組成物を示す第１組成物データを取得するステップであって、該第１組成物データの個々のデータレコードが個々の組成物を示す、該ステップと、
前記Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成される基準組成物を示す基準組成物データを取得するステップと、
前記第１組成物データに対応するＮ×Ｍ行列の各行と、前記基準組成物データに対応するＭ次元ベクトルとの類似度を算出するステップと、
前記Ｎ×Ｍ行列のＮ行のうち、前記Ｍ次元ベクトルとの前記類似度が所与の基準を満たす行を選択するステップと、
前記選択された行に対応する前記データレコードによって構成される第２組成物データを生成するステップと、
前記第２組成物データを出力するステップと
を含むデータ管理方法。 A data management method performed by a data management system equipped with at least one processor.
It is a step of acquiring the first composition data showing N compositions composed of at least one of the M candidate raw materials, and the individual data records of the first composition data are individual. The step, showing the composition,
A step of acquiring reference composition data indicating a reference composition composed of at least one of the M candidate raw materials, and
A step of calculating the similarity between each row of the N × M matrix corresponding to the first composition data and the M-dimensional vector corresponding to the reference composition data, and
A step of selecting the N rows of the N × M matrix whose similarity with the M-dimensional vector satisfies a given criterion, and
A step of generating second composition data composed of the data records corresponding to the selected row, and
A data management method including a step of outputting the second composition data.
前記Ｍ個の候補原材料のうちの少なくとも一つの原材料によって構成される基準組成物を示す基準組成物データを取得するステップと、
前記第１組成物データに対応するＮ×Ｍ行列の各行と、前記基準組成物データに対応するＭ次元ベクトルとの類似度を算出するステップと、
前記Ｎ×Ｍ行列のＮ行のうち、前記Ｍ次元ベクトルとの前記類似度が所与の基準を満たす行を選択するステップと、
前記選択された行に対応する前記データレコードによって構成される第２組成物データを生成するステップと、
前記第２組成物データを出力するステップと
をコンピュータに実行させるデータ管理プログラム。 It is a step of acquiring the first composition data showing N compositions composed of at least one of the M candidate raw materials, and the individual data records of the first composition data are individual. The step, showing the composition,
A step of acquiring reference composition data indicating a reference composition composed of at least one of the M candidate raw materials, and
A step of calculating the similarity between each row of the N × M matrix corresponding to the first composition data and the M-dimensional vector corresponding to the reference composition data, and
A step of selecting the N rows of the N × M matrix whose similarity with the M-dimensional vector satisfies a given criterion, and
A step of generating second composition data composed of the data records corresponding to the selected row, and
A data management program that causes a computer to execute the step of outputting the second composition data.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019062539A JP7302229B2 (en) | 2019-03-28 | 2019-03-28 | Data management system, data management method, and data management program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019062539A JP7302229B2 (en) | 2019-03-28 | 2019-03-28 | Data management system, data management method, and data management program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020161044A true JP2020161044A (en) | 2020-10-01 |
| JP7302229B2 JP7302229B2 (en) | 2023-07-04 |
Family
ID=72643528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019062539A Active JP7302229B2 (en) | 2019-03-28 | 2019-03-28 | Data management system, data management method, and data management program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7302229B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022113945A1 (en) * | 2020-11-27 | 2022-06-02 | 昭和電工マテリアルズ株式会社 | Information processing system, information processing method, and information processing program |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000250887A (en) * | 1999-03-01 | 2000-09-14 | Osaka Gas Co Ltd | Method and device for extracting alternative food material and recording medium |
| JP2004220172A (en) * | 2003-01-10 | 2004-08-05 | Fujitsu Ltd | Allergen information management program |
| JP2019045894A (en) * | 2017-08-29 | 2019-03-22 | 富士通株式会社 | Retrieval program, retrieval method and information processing apparatus operating retrieval program |
-
2019
- 2019-03-28 JP JP2019062539A patent/JP7302229B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000250887A (en) * | 1999-03-01 | 2000-09-14 | Osaka Gas Co Ltd | Method and device for extracting alternative food material and recording medium |
| JP2004220172A (en) * | 2003-01-10 | 2004-08-05 | Fujitsu Ltd | Allergen information management program |
| JP2019045894A (en) * | 2017-08-29 | 2019-03-22 | 富士通株式会社 | Retrieval program, retrieval method and information processing apparatus operating retrieval program |
Non-Patent Citations (1)
| Title |
|---|
| ""プラスチック・樹脂の成形材料の統合検索ＤＢ[ＰｌａＢａｓｅ（プラベース）]"", [ONLINE], JPN6023009713, 25 August 2018 (2018-08-25), JP, ISSN: 0005011474 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022113945A1 (en) * | 2020-11-27 | 2022-06-02 | 昭和電工マテリアルズ株式会社 | Information processing system, information processing method, and information processing program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7302229B2 (en) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107341716B (en) | Malicious order identification method and device and electronic equipment | |
| Keegan et al. | MG-RAST, a metagenomics service for analysis of microbial community structure and function | |
| CN110544155B (en) | User credit score acquisition method, acquisition device, server and storage medium | |
| US10726356B1 (en) | Target variable distribution-based acceptance of machine learning test data sets | |
| TWI658420B (en) | Method, device, server and computer readable storage medium for integrate collaborative filtering with time factor | |
| US20240185130A1 (en) | Normalizing text attributes for machine learning models | |
| Murray et al. | kWIP: The k-mer weighted inner product, a de novo estimator of genetic similarity | |
| Mock et al. | Taxonomic classification of DNA sequences beyond sequence similarity using deep neural networks | |
| JP6414363B2 (en) | Prediction system, method and program | |
| CN106599047B (en) | Information pushing method and device | |
| WO2017203672A1 (en) | Item recommendation method, item recommendation program, and item recommendation apparatus | |
| CN110472659B (en) | Data processing method, device, computer readable storage medium and computer equipment | |
| CN110968802A (en) | User characteristic analysis method, analysis device and readable storage medium | |
| JP2020161044A (en) | System, method, and program for managing data | |
| JP6618875B2 (en) | Evaluation apparatus, evaluation method, and evaluation program | |
| Chang | The application of machine learning models in company bankruptcy prediction | |
| WO2021220775A1 (en) | System for estimating characteristic value of material | |
| West et al. | RFQAmodel: Random Forest Quality Assessment to identify a predicted protein structure in the correct fold | |
| Zhou et al. | Category encoding method to select feature genes for the classification of bulk and single‐cell RNA‐seq data | |
| Hao et al. | Efficiency evaluation of very large-scale samples: Data envelopment analysis with angle-index synthesis | |
| JP2020119201A (en) | Determination device, determination method and determination program | |
| JP7494932B2 (en) | Secret decision tree testing device, secret decision tree testing system, secret decision tree testing method, and program | |
| CN116228484B (en) | Course combination method and device based on quantum clustering algorithm | |
| WO2023085195A1 (en) | Model generation device, model generation method, and data estimation device | |
| Jiang et al. | Attribute reduction method of power big data based on rough set |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220215 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230314 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230512 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230523 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230605 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7302229 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |