JP2021128042A - Regression model creation method, regression model creation device, and regression model creation program - Google Patents

Regression model creation method, regression model creation device, and regression model creation program Download PDF

Info

Publication number
JP2021128042A
JP2021128042A JP2020022239A JP2020022239A JP2021128042A JP 2021128042 A JP2021128042 A JP 2021128042A JP 2020022239 A JP2020022239 A JP 2020022239A JP 2020022239 A JP2020022239 A JP 2020022239A JP 2021128042 A JP2021128042 A JP 2021128042A
Authority
JP
Japan
Prior art keywords
regression model
data set
model creation
data
physical property
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
Application number
JP2020022239A
Other languages
Japanese (ja)
Other versions
JP6725928B1 (en
Inventor
陽人 恩田
Akito Onda
陽人 恩田
真一郎 林
Shinichiro Hayashi
真一郎 林
大地 安藤
Taichi Ando
大地 安藤
礼成 及部
Reina OYOBE
礼成 及部
智彦 向井
Tomohiko Mukai
智彦 向井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tokyo Metropolitan Public University Corp
Artience Co Ltd
Original Assignee
Toyo Ink SC Holdings Co Ltd
Tokyo Metropolitan Public University Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Toyo Ink SC Holdings Co Ltd, Tokyo Metropolitan Public University Corp filed Critical Toyo Ink SC Holdings Co Ltd
Priority to JP2020022239A priority Critical patent/JP6725928B1/en
Application granted granted Critical
Publication of JP6725928B1 publication Critical patent/JP6725928B1/en
Priority to PCT/JP2021/004951 priority patent/WO2021162033A1/en
Publication of JP2021128042A publication Critical patent/JP2021128042A/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
    • G01N23/2055—Analysing diffraction patterns
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Genetics & Genomics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

To provide a regression model creation method, a regression model creation device and a regression model creation program, with which it is possible to obtain a model which is easy for humans to understand with respect to multi-dimensional data.SOLUTION: The regression model creation method, regression model creation device and regression model creation program smooth a measurement dataset and generate a first dataset when generating a regression model that is established between a measurement dataset obtained by measuring the first physical properties of a sample on multiple channels and a physical property data obtained by measuring the second physical properties of the sample that correspond to the measurement dataset, perform dimensional compression on the first dataset and generate a second dataset, and calculate a function, on the basis of the second dataset, that explains the physical property data.SELECTED DRAWING: Figure 1

Description

本発明は、回帰モデル作成方法、回帰モデル作成装置、及び、回帰モデル作成プログラムに関する。 The present invention relates to a regression model creation method, a regression model creation device, and a regression model creation program.

特許文献１には、複数の試料の各々について分析装置により収集された、該分析装置が備えるマルチチャンネル検出器の複数のチャンネルの出力値から成る多次元の分析データ（説明変数と目的変数の組）に対して統計的機械学習を用いた解析手法を適用することにより、該分析データを処理する技術が開示されている。 Patent Document 1 describes multidimensional analytical data (a set of explanatory variables and objective variables) consisting of output values of a plurality of channels of a multi-channel detector included in the analyzer, which are collected by an analyzer for each of a plurality of samples. ), A technique for processing the analysis data is disclosed by applying an analysis method using statistical machine learning.

国際公開第２０１８／０２５３６１号International Publication No. 2018/025361

ここで、特許文献１に記載の技術は、既知の試料について得られた分析データを表す非線形な回帰関数又は判別関数を算出した後、算出された非線形な回帰関数又は判別関数の微分値から、非線形な回帰関数又は判別関数に対する、既知試料の分析データを構成する複数のチャンネルの出力値の各々の寄与度を算出するものである。算出された非線形な回帰関数又は判別関数には、寄与度が高いチャンネルの出力値のみならず、寄与度が低いチャンネルの出力値も含まれうる。 Here, the technique described in Patent Document 1 calculates a non-linear regression function or discriminant function representing analytical data obtained for a known sample, and then uses the calculated differential value of the non-linear regression function or discriminant function. The contribution of each of the output values of a plurality of channels constituting the analytical data of a known sample to a non-linear regression function or discriminant function is calculated. The calculated non-linear regression function or discriminant function may include not only the output value of the channel having a high contribution but also the output value of the channel having a low contribution.

すなわち、特許文献１に記載の技術によれば、複数の説明変数に依存する非線形な関数によって目的変数を表現するモデルが得られるのであって、人間が当該モデルを理解しづらい場合が生じる恐れがある。特に、関数に含まれる説明変数が増加するにしたがって、人間がモデルを理解しづらくなるという問題はより深刻になる。その結果、得られたモデルから、分析データに内在する未知の関係性を導き出しにくくなる。 That is, according to the technique described in Patent Document 1, a model expressing the objective variable by a non-linear function that depends on a plurality of explanatory variables can be obtained, and there is a possibility that it may be difficult for humans to understand the model. be. In particular, as the number of explanatory variables contained in a function increases, the problem that it becomes difficult for humans to understand the model becomes more serious. As a result, it becomes difficult to derive unknown relationships inherent in the analytical data from the obtained model.

本発明は、上記問題に鑑みてなされたものであり、その目的とするところは、多次元のデータに対して、人間が理解しやすいモデルを得ることが可能な回帰モデル作成方法及び回帰モデル作成装置を提供することにある。 The present invention has been made in view of the above problems, and an object of the present invention is a regression model creation method and a regression model creation method capable of obtaining a model that is easy for humans to understand for multidimensional data. To provide the equipment.

上述した課題を解決するために、本発明の一態様に係る回帰モデル作成方法、回帰モデル作成装置、及び、回帰モデル作成プログラムは、試料の第１物性を複数チャンネルで測定して得られる測定データセットと、測定データセットに対応する試料の第２物性を測定して得られる物性データと、の間に成立する回帰モデルを生成する際、測定データセットの平滑化を行って第１データセットを生成し、第１データセットに対して次元圧縮を行って第２データセットを生成し、第２データセットに基づいて物性データを説明する関数を算出する。 In order to solve the above-mentioned problems, the regression model creation method, the regression model creation device, and the regression model creation program according to one aspect of the present invention are measurement data obtained by measuring the first physical properties of a sample in a plurality of channels. When generating a regression model that holds between the set and the physical property data obtained by measuring the second physical property of the sample corresponding to the measurement data set, the measurement data set is smoothed to obtain the first data set. Generate, perform dimensional compression on the first data set to generate the second data set, and calculate a function that explains the physical property data based on the second data set.

本発明によれば、多次元のデータに対して、人間が理解しやすくデータに内在する未知の関係性を導き出しやすいモデルを得ることができる。 According to the present invention, it is possible to obtain a model for multidimensional data that is easy for humans to understand and that it is easy to derive an unknown relationship inherent in the data.

図１は、本発明の一実施形態に係る回帰モデル作成装置の構成を示すブロック図である。FIG. 1 is a block diagram showing a configuration of a regression model creation device according to an embodiment of the present invention. 図２は、本発明の一実施形態に係る回帰モデル作成装置の処理手順を示すフローチャートである。FIG. 2 is a flowchart showing a processing procedure of the regression model creating apparatus according to the embodiment of the present invention. 図３は、試料の第１物性を複数チャンネルで測定して得られる測定データセットの一例を示す図である。FIG. 3 is a diagram showing an example of a measurement data set obtained by measuring the first physical properties of a sample in a plurality of channels. 図４は、試料の第２物性の変化の一例を示す図である。FIG. 4 is a diagram showing an example of a change in the second physical characteristics of the sample. 図５Ａは、平滑化前のデータ（Ｆ＝１）に基づくカラーチャートの一例を示す図である。FIG. 5A is a diagram showing an example of a color chart based on the data before smoothing (F = 1). 図５Ｂは、平滑化後のデータ（Ｆ＝１２）に基づくカラーチャートの一例を示す図である。FIG. 5B is a diagram showing an example of a color chart based on the smoothed data (F = 12). 図５Ｃは、平滑化後のデータ（Ｆ＝１８）に基づくカラーチャートの一例を示す図である。FIG. 5C is a diagram showing an example of a color chart based on the smoothed data (F = 18). 図５Ｄは、平滑化後のデータ（Ｆ＝２４）に基づくカラーチャートの一例を示す図である。FIG. 5D is a diagram showing an example of a color chart based on the smoothed data (F = 24).

次に、図面を参照して、本発明の実施の形態を詳細に説明する。説明において、同一のものには同一符号を付して重複説明を省略する。 Next, embodiments of the present invention will be described in detail with reference to the drawings. In the description, the same items are designated by the same reference numerals and duplicate description will be omitted.

［回帰モデル作成装置の構成］
図１は、本実施形態に係る回帰モデル作成装置の構成を示すブロック図である。図１に示すように、本実施形態に係る回帰モデル作成装置２０は計測装置１０と接続されている。回帰モデル作成装置２０は、取得部２１、データベース２３、コントローラ２５、操作部２７、表示部２９を備える。 [Structure of regression model creation device]
FIG. 1 is a block diagram showing a configuration of a regression model creation device according to the present embodiment. As shown in FIG. 1, the regression model creating device 20 according to the present embodiment is connected to the measuring device 10. The regression model creation device 20 includes an acquisition unit 21, a database 23, a controller 25, an operation unit 27, and a display unit 29.

なお、計測装置１０は、試料の種々の物性（第１物性、第２物性）を測定する装置であって、例えば、試料が吸収する光の強度、試料が放射、散乱、もしくは、反射する光の強度、試料の粘度、密度、濁度、試料に含まれる所定物質の濃度などを測定する。計測装置１０が測定する試料の物性は、上記に挙げたものに限定されない。 The measuring device 10 is a device for measuring various physical properties (first physical property, second physical property) of the sample. For example, the intensity of the light absorbed by the sample, the light emitted, scattered, or reflected by the sample. The strength, viscosity, density, turbidity of the sample, concentration of a predetermined substance contained in the sample, etc. are measured. The physical characteristics of the sample measured by the measuring device 10 are not limited to those listed above.

計測装置１０は、少なくとも１つの物性（第１物性）について、複数チャンネルでの測定が可能な装置である。例えば、計測装置１０が分光蛍光光度計である場合には、計測装置１０は、複数の周波数にそれぞれ対応する複数チャンネルごとに、試料が放射する光や吸収する光の強度を測定する。また、計測装置１０が質量分析器である場合には、計測装置１０は、複数の質量電荷比にそれぞれ対応する複数チャンネルごとに、試料の検出強度を測定する。計測装置１０及び複数チャンネルは、上記に挙げたものに限定されない。 The measuring device 10 is a device capable of measuring at least one physical property (first physical property) in a plurality of channels. For example, when the measuring device 10 is a spectrofluorometer, the measuring device 10 measures the intensity of the light emitted or absorbed by the sample for each of a plurality of channels corresponding to the plurality of frequencies. When the measuring device 10 is a mass spectrometer, the measuring device 10 measures the detection intensity of the sample for each of a plurality of channels corresponding to the plurality of mass-to-charge ratios. The measuring device 10 and the plurality of channels are not limited to those listed above.

第１物性として得られるデータとしては、光の強度のデータ（周波数ごとの光の強度）以外にも、Ｘ線回折データ（回折方向である角度ごとの強度）、動的粘弾性データ（温度ごとの粘弾性）、応力−ひずみ曲線、せん断速度−粘度曲線、クロマトグラフィーデータ（時間ごとの強度）等の時系列データ、など、種々のデータが挙げられる。 The data obtained as the first physical properties include X-ray diffraction data (intensity for each angle in the diffraction direction) and dynamic viscoelastic data (for each temperature) in addition to light intensity data (light intensity for each frequency). Various data such as (viscous elasticity), stress-strain curve, shear rate-viscosity curve, time-series data such as chromatography data (strength over time), and the like.

また、第２物性として得られるデータとしては、所定物質の濃度および組成、結晶子径、粒子径、粒度分布、形状、硬度、比表面積、細孔度、色度、コントラスト比、分子量、分子量分布、接着強度、電気伝導度、電気抵抗値、ヤング率等の機械的強度、などの、種々の物性のデータが挙げられる。 The data obtained as the second physical characteristics include the concentration and composition of a predetermined substance, crystallite diameter, particle size, particle size distribution, shape, hardness, specific surface area, pore size, chromaticity, contrast ratio, molecular weight, and molecular weight distribution. , Data of various physical characteristics such as adhesive strength, electric conductivity, electric resistance value, mechanical strength such as Young's modulus, etc. can be mentioned.

回帰モデル作成装置２０の取得部２１は、計測装置１０によって測定した試料の測定データを取得する。以下では、計測装置１０によって取得したデータのうち、試料の第１物性を複数チャンネルで測定して得られる複数の測定データの組を「測定データセット」と呼ぶ。また、「測定データセット」を得た時点での、第１物性とは異なる試料の第２物性についてのデータを「物性データ」と呼ぶ。 The acquisition unit 21 of the regression model creation device 20 acquires the measurement data of the sample measured by the measurement device 10. Hereinafter, among the data acquired by the measuring device 10, a set of a plurality of measurement data obtained by measuring the first physical properties of the sample on a plurality of channels is referred to as a “measurement data set”. Further, the data on the second physical property of the sample different from the first physical property at the time when the "measurement data set" is obtained is called "physical property data".

すなわち、取得部２１は、試料の第１物性を複数チャンネルで測定して得られる測定データセットと、測定データセットに対応する試料の第２物性を測定して得られる物性データと、を取得する。取得部２１は、計測装置１０を介して測定データセット及び物性データを取得するものとして説明したが、例えば、取得部２１が試料の物性を測定して、測定データセット及び物性データを取得するものであってもよい。 That is, the acquisition unit 21 acquires a measurement data set obtained by measuring the first physical property of the sample on a plurality of channels and the physical property data obtained by measuring the second physical property of the sample corresponding to the measurement data set. .. The acquisition unit 21 has been described as acquiring the measurement data set and the physical property data via the measuring device 10. For example, the acquisition unit 21 measures the physical property of the sample and acquires the measurement data set and the physical property data. It may be.

本実施形態の説明では、計測装置１０が分光蛍光光度計であるとして説明する。計測装置１０によって取得される測定データセットは、例えば、図３に示すような、波長ごとの試料の吸光度の測定データの組であるとする。また、計測装置１０によって取得される物性データは、第１物性とは異なる第２物性を測定して得られる、図４のような物性であるとする。 In the description of this embodiment, the measuring device 10 will be described as a spectrofluorometer. It is assumed that the measurement data set acquired by the measuring device 10 is, for example, a set of measurement data of the absorbance of the sample for each wavelength as shown in FIG. Further, it is assumed that the physical property data acquired by the measuring device 10 is the physical property as shown in FIG. 4 obtained by measuring the second physical property different from the first physical property.

図４では、横軸に時間を示しているが、時間自体は、回帰モデル作成装置２０による回帰モデルの生成には使用しない。図４でプロットされた点のそれぞれについて、図３に示すような、試料の第１物性を複数チャンネルで測定して得られる測定データセットが存在するとする。 In FIG. 4, time is shown on the horizontal axis, but the time itself is not used for generating the regression model by the regression model creation device 20. For each of the points plotted in FIG. 4, it is assumed that there is a measurement data set obtained by measuring the first physical characteristics of the sample in a plurality of channels as shown in FIG.

データベース２３は、計測装置１０によって取得した測定データセット及び物性データを記録する。その他、コントローラ２５は、回帰モデルの算出の前提となる各種のパラメータや、後述するコントローラ２５の処理によって算出された回帰モデルを記録するものであってもよい。 The database 23 records the measurement data set and the physical property data acquired by the measuring device 10. In addition, the controller 25 may record various parameters that are premised on the calculation of the regression model, and the regression model calculated by the processing of the controller 25 described later.

表示部２９は、後述するコントローラ２５における、回帰モデルの算出の前提となる各種のパラメータや、算出された回帰モデルに関する情報をユーザに提示する。 The display unit 29 presents to the user various parameters that are premised on the calculation of the regression model in the controller 25, which will be described later, and information on the calculated regression model.

操作部２７は、回帰モデル作成装置２０に対するユーザからの各種の指令に対応するユーザの操作を受け付ける。特に、操作部２７は、回帰モデルの算出の前提となる各種のパラメータを設定する操作を受け付ける。例えば、操作部２７は、複数のボタンを備えた入力インターフェイスであってもよいし、タッチインターフェイスを備えたタッチパネルであってもよい。 The operation unit 27 receives user operations corresponding to various commands from the user to the regression model creation device 20. In particular, the operation unit 27 accepts operations for setting various parameters that are the premise of calculating the regression model. For example, the operation unit 27 may be an input interface provided with a plurality of buttons, or may be a touch panel provided with a touch interface.

より具体的には、絵や記号で表現したアイコンをユーザが操作可能なように表示部２９が表示し、表示されたアイコンをユーザがタッチ、ドラッグなどすることで、操作部２７はユーザの操作を受け付けるものであってもよい。 More specifically, the display unit 29 displays the icon represented by a picture or a symbol so that the user can operate it, and the user touches or drags the displayed icon, so that the operation unit 27 operates the user. May be accepted.

コントローラ２５（制御部）は、ＣＰＵ（中央処理装置）、メモリ、及び入出力部を備える汎用のマイクロコンピュータである。コントローラ２５には、回帰モデル作成装置２０として機能するためのコンピュータプログラム（回帰モデル作成プログラム）がインストールされている。コンピュータプログラムを実行することにより、コントローラ２５は、回帰モデル作成装置２０が備える複数の情報処理回路（２５１、２５３、２５５、２５７、２５９）として機能する。 The controller 25 (control unit) is a general-purpose microcomputer including a CPU (central processing unit), a memory, and an input / output unit. A computer program (regression model creation program) for functioning as the regression model creation device 20 is installed in the controller 25. By executing the computer program, the controller 25 functions as a plurality of information processing circuits (251, 255, 255, 257, 259) included in the regression model creation device 20.

本実施形態では、ソフトウェアによって複数の情報処理回路（２５１、２５３、２５５、２５７、２５９）を実現する例を示す。ただし、以下に示す各情報処理を実行するための専用のハードウェアを用意して、情報処理回路（２５１、２５３、２５５、２５７、２５９）を構成することも可能である。また、複数の情報処理回路（２５１、２５３、２５５、２５７、２５９）を個別のハードウェアにより構成してもよい。さらに、情報処理回路（２５１、２５３、２５５、２５７、２５９）は、計測装置１０の監視または制御に用いる制御ユニットと兼用してもよい。 In this embodiment, an example of realizing a plurality of information processing circuits (251, 255, 255, 257, 259) by software is shown. However, it is also possible to configure an information processing circuit (251, 255, 255, 257, 259) by preparing dedicated hardware for executing each of the following information processing. Further, a plurality of information processing circuits (251, 255, 255, 257, 259) may be configured by individual hardware. Further, the information processing circuit (251, 255, 255, 257, 259) may also be used as a control unit used for monitoring or controlling the measuring device 10.

図１に示すように、コントローラ２５は、複数の情報処理回路（２５１、２５３、２５５、２５７、２５９）として、平滑化処理部２５１、画像生成部２５３、主成分分析部２５５、関数算出部２５７、推測部２５９を備える。コントローラ２５が行う処理内容によっては、画像生成部２５３、推測部２５９は必須の構成要素ではなく、省略されていてもよい。 As shown in FIG. 1, the controller 25, as a plurality of information processing circuits (251, 255, 255, 257, 259), includes a smoothing processing unit 251, an image generation unit 253, a principal component analysis unit 255, and a function calculation unit 257. , The estimation unit 259 is provided. Depending on the processing content performed by the controller 25, the image generation unit 253 and the estimation unit 259 are not essential components and may be omitted.

平滑化処理部２５１は、測定データセットの平滑化を行って第１データセットを生成する（平滑化処理）。より具体的には、測定データセットのうち、連続する所定個数（Ｆ個）のチャンネルで測定して得られた測定データ間の平均値を算出し、第１データの値とし、第１データの組を第１データセットとする。 The smoothing processing unit 251 smoothes the measurement data set to generate the first data set (smoothing processing). More specifically, in the measurement data set, the average value between the measurement data obtained by measuring in a predetermined number (F) of consecutive channels is calculated and used as the value of the first data, and is used as the value of the first data. Let the set be the first data set.

例えば、計測装置１０が、チャンネル番号が０番目からＮ番目までの複数チャンネルで試料の測定を行った結果、データ番号が０番目からＮ番目までの「Ｎ＋１」個の測定データがあるとする。この場合、平滑化処理部２５１は、Ｆ個の連続するチャンネルで得られたＦ個の測定データの間の平均値を算出して、データ番号が０番目から［Ｎ／Ｆ］番目（ここで、［ｘ］はｘを超えない最大の整数を意味する）までの「［Ｎ／Ｆ］＋１」個の第１データを生成する。 For example, suppose that the measuring device 10 measures a sample on a plurality of channels having channel numbers from 0th to Nth, and as a result, there are "N + 1" measurement data having data numbers from 0th to Nth. In this case, the smoothing processing unit 251 calculates the average value between the F measurement data obtained in the F continuous channels, and the data number is from the 0th to the [N / F] th (here, here). , [X] means the maximum integer that does not exceed x) to generate "[N / F] + 1" first data.

平滑化処理部２５１は、データ番号が「ｋ＊Ｆ」番目から「（ｋ＋１）＊Ｆ−１」番目までの測定データの平均値を算出し、データ番号がｋ番目（ｋ＝０，１，・・・，［Ｎ／Ｆ］）の第１データの値とする。このようにして算出された「［Ｎ／Ｆ］＋１」個の第１データの組を、第１データセットとする。 The smoothing processing unit 251 calculates the average value of the measurement data whose data numbers are from the "k * F" th to the "(k + 1) * F-1" th, and the data number is the kth (k = 0,1,1). ..., [N / F]) is used as the value of the first data. The set of "[N / F] + 1" first data calculated in this way is referred to as the first data set.

すなわち、平滑化処理部２５１は、所定個数（Ｆ個）を平滑化距離として、平滑化距離よりも短いスケールでの変動を第１データセットから除去するローパスフィルタとしての役割を果たす。 That is, the smoothing processing unit 251 serves as a low-pass filter that removes fluctuations on a scale shorter than the smoothing distance from the first data set, with a predetermined number (F) as the smoothing distance.

画像生成部２５３は、所定物理量を変化させて測定データセットの系列が得られる場合に、第１データセットに基づいてカラーチャートを生成する。より具体的には、画像生成部２５３は、第１データセットを構成する第１データのデータ番号と所定物理量を２軸とする２次元座標の各点における色の強度を、その点に対応する第１データの値の大きさに対応させて得られるカラーチャートを生成する。なお、所定物理量とは、測定データセットを特徴づけるパラメータであり、例えば、測定データセットを取得した時間や、測定データセットに対応する試料の温度などである。所定物理量は、ここに挙げた例に限定されない。 The image generation unit 253 generates a color chart based on the first data set when a series of measurement data sets is obtained by changing a predetermined physical quantity. More specifically, the image generation unit 253 corresponds to the data number of the first data constituting the first data set and the color intensity at each point of the two-dimensional coordinates centered on the predetermined physical quantity. A color chart obtained corresponding to the magnitude of the value of the first data is generated. The predetermined physical quantity is a parameter that characterizes the measurement data set, and is, for example, the time at which the measurement data set was acquired, the temperature of the sample corresponding to the measurement data set, and the like. The predetermined physical quantity is not limited to the examples given here.

画像生成部２５３によって生成されるカラーチャートの例を、図５Ａ、図５Ｂ、図５Ｃ、図５Ｄに示す。図５Ａは、平滑化前のデータ（Ｆ＝１）に基づくカラーチャートの一例を示す図である。図５Ｂは、平滑化後のデータ（Ｆ＝１２）に基づくカラーチャートの一例を示す図である。図５Ｃは、平滑化後のデータ（Ｆ＝１８）に基づくカラーチャートの一例を示す図である。図５Ｄは、平滑化後のデータ（Ｆ＝２４）に基づくカラーチャートの一例を示す図である。 Examples of the color chart generated by the image generation unit 253 are shown in FIGS. 5A, 5B, 5C, and 5D. FIG. 5A is a diagram showing an example of a color chart based on the data before smoothing (F = 1). FIG. 5B is a diagram showing an example of a color chart based on the smoothed data (F = 12). FIG. 5C is a diagram showing an example of a color chart based on the smoothed data (F = 18). FIG. 5D is a diagram showing an example of a color chart based on the smoothed data (F = 24).

図５Ａ、図５Ｂ、図５Ｃ、図５Ｄにおいて、縦軸は第１データのデータ番号を表し、横軸は所定物理量として時間を表している。なお、時間が０から９までの区間は、試料Ａ１に対応する測定データセットの系列を表しており、時間が１０から１９までの区間は、試料Ａ２に対応する測定データセットの系列を表しており、時間が２０から２９までの区間は、試料Ａ３に対応する測定データセットの系列を表している。 In FIGS. 5A, 5B, 5C, and 5D, the vertical axis represents the data number of the first data, and the horizontal axis represents time as a predetermined physical quantity. The section from time 0 to 9 represents a series of measurement data sets corresponding to sample A1, and the section from time 10 to 19 represents a series of measurement data sets corresponding to sample A2. The interval from time 20 to 29 represents a sequence of measurement data sets corresponding to sample A3.

図５Ａは、Ｆ＝１の場合のカラーチャートであるため、平滑化処理部２５１による平滑化を行わずに、測定データセットそのものをカラーチャートとして表現したものといえる。 Since FIG. 5A is a color chart when F = 1, it can be said that the measurement data set itself is represented as a color chart without smoothing by the smoothing processing unit 251.

図５Ａ、図５Ｂ、図５Ｃ、図５Ｄの順に、所定個数（Ｆ個）は、１，１２，１８，２４の順に増大しているため、縦軸のデータ番号の最大値は５９９，３３，３０，２４の順に減少している。所定個数が増大するにしたがって、図５Ａで確認できる縦軸方向の微細構造が、徐々に失われていく様子が見て取れる。 Since the predetermined number (F) increases in the order of 1, 12, 18, and 24 in the order of FIGS. 5A, 5B, 5C, and 5D, the maximum value of the data number on the vertical axis is 599,33, It decreases in the order of 30 and 24. As the predetermined number increases, it can be seen that the fine structure in the vertical axis direction, which can be confirmed in FIG. 5A, is gradually lost.

画像生成部２５３で生成されたカラーチャートは、表示部２９によってユーザに提示される。ユーザは、提示されたカラーチャートを参照し、操作部２７を操作して所定個数を選択・変更する。ユーザによって選択・変更された所定個数に基づいて、第１データセットが再度生成され、後述する主成分分析部２５５及び関数算出部２５７における回帰モデルの生成に用いられる。 The color chart generated by the image generation unit 253 is presented to the user by the display unit 29. The user refers to the presented color chart and operates the operation unit 27 to select / change a predetermined number. The first data set is regenerated based on the predetermined number selected and changed by the user, and is used for generating the regression model in the principal component analysis unit 255 and the function calculation unit 257, which will be described later.

主成分分析部２５５は、第１データセットに対して次元圧縮を行って第２データセットを生成する。より具体的には、主成分分析部２５５は、第１データセットに対して主成分分析を行って第２データセットを生成する。主成分分析部２５５は、複数の第１データセットに対して「［Ｎ／Ｆ］＋１」次元の共分散行列を算出する。共分散行列は実対称行列であるため、直交行列によって対角化できる。第１データセットは、「［Ｎ／Ｆ］＋１」次元の空間内の点として表現されるが、算出した共分散行列を対角化する直交行列によって当該「［Ｎ／Ｆ］＋１」次元の空間の座標軸を変換する。そして、空間内に配置された点の、変換後の座標軸に関する座標を、第２データの値とする。このようにして得られた第２データの組を第２データセットとする。 The principal component analysis unit 255 performs dimensional compression on the first data set to generate a second data set. More specifically, the principal component analysis unit 255 performs principal component analysis on the first data set to generate a second data set. The principal component analysis unit 255 calculates a "[N / F] + 1" dimensional covariance matrix for a plurality of first data sets. Since the covariance matrix is a real symmetric matrix, it can be diagonalized by an orthogonal matrix. The first data set is represented as a point in the "[N / F] + 1" dimensional space, but the calculated covariance matrix is diagonalized by an orthogonal matrix of the "[N / F] +1" dimension. Transform the axes of space. Then, the coordinates of the points arranged in the space with respect to the converted coordinate axes are set as the values of the second data. The set of the second data obtained in this way is referred to as a second data set.

主成分分析部２５５による主成分分析によって得られた第２データセットによれば、成分間の共分散が０であり、かつ、変換後の座標軸のうち、主成分に対応する座標軸以外の座標軸についての座標の変動幅が小さい。 According to the second data set obtained by the principal component analysis by the principal component analysis unit 255, the covariance between the components is 0, and the coordinate axes after conversion other than the coordinate axes corresponding to the principal components are The fluctuation range of the coordinates of is small.

したがって、主成分に対応する座標軸についての座標を第２データの値とし、主成分に対応する座標軸以外の座標軸についての座標を無視して第２データセットを構成することで、第１データセットを構成する第１データの個数よりも少ない個数の第２データからなる第２データセットで、元の第１データセットの特徴を表現できる。 Therefore, by setting the coordinates for the coordinate axes corresponding to the main components as the values of the second data and ignoring the coordinates for the coordinate axes other than the coordinate axes corresponding to the main components to construct the second data set, the first data set can be set. The characteristics of the original first data set can be expressed by a second data set consisting of a number of second data smaller than the number of the constituent first data.

なお、主成分分析部２５５は、主成分分析以外の方法を用いて、次元圧縮を行うものであってもよい。例えば、主成分分析部２５５は、第１データセットに対して因子分析を行って、第２データセットを生成するものであってもよい。次元圧縮の方法は、ここに挙げた例に限定されない。 The principal component analysis unit 255 may perform dimensional compression by using a method other than the principal component analysis. For example, the principal component analysis unit 255 may perform factor analysis on the first data set to generate a second data set. The method of dimensional compression is not limited to the examples given here.

関数算出部２５７は、遺伝的プログラミングにより、第２データセットに基づいて物性データを説明する関数を算出する。 The function calculation unit 257 calculates a function for explaining the physical property data based on the second data set by genetic programming.

より具体的には、関数要素として、第２データセットを構成する第２データを表す変数、四則演算子「＋」「−」「×」「／」、冪乗関数「ｘ＾ｙ」、指数関数「ｅｘｐ（ｘ）」、三角関数「ｓｉｎ（ｘ）」、「ｃｏｓ（ｘ）」、対数関数「ｌｏｇ（ｘ）」、ｍａｘ関数「ｍａｘ（ｘ，ｙ）」（変数ｘ、ｙのうち、大きいほうの値を出力する関数）などを組み合わせて、物性データを説明する候補関数をランダムに複数個決定する。 More specifically, as function elements, variables representing the second data constituting the second dataset, trigonometric operators "+" "-" "x" "/", trigonometric function "x ^ y", exponent Function "exp (x)", trigonometric function "sin (x)", "cos (x)", logarithmic function "log (x)", max function "max (x, y)" (of variables x, y , A function that outputs the larger value), etc., to randomly determine a plurality of candidate functions that explain the physical property data.

決定した候補関数の変数に、第２データを代入した場合の関数の出力値と物性データのずれを算出し、当該ずれが小さいほど、当該候補関数の適応度を高く評価する。そして、適応度の低い候補関数を削除しながら、適応度の高い候補関数を対象として、交差（複数の候補関数の間での、関数要素の入れ替え）、突然変異、逆位（同一候補関数内での関数要素の部分的な入れ替え）などを行い、世代交代を行いながら、候補関数についての進化計算を行う。 The deviation between the output value of the function and the physical property data when the second data is substituted into the variable of the determined candidate function is calculated, and the smaller the deviation, the higher the fitness of the candidate function is evaluated. Then, while deleting the candidate function with low fitness, the candidate function with high fitness is targeted for intersection (replacement of function elements among multiple candidate functions), mutation, and inversion (within the same candidate function). (Partial replacement of function elements in) is performed, and evolution calculation is performed for the candidate function while changing generations.

なお、一般に候補関数は木構造によって表現される。候補関数が必要以上に複雑になってしまうことを防止するため、予め木構造の最大深さを設定しておき、関数算出部２５７は、最大深さの範囲で、候補関数についての進化計算を行うものであってもよい。 In general, the candidate function is represented by a tree structure. In order to prevent the candidate function from becoming unnecessarily complicated, the maximum depth of the tree structure is set in advance, and the function calculation unit 257 performs evolutionary computation on the candidate function within the range of the maximum depth. It may be what you do.

世代間での適応度の増加が所定閾値未満となった場合や、世代交代の回数が予め定めた回数に達した場合には、進化計算を終了し、その時点でのもっとも適応度の高い候補関数を、物性データを説明する関数として算出する。 When the increase in fitness between generations falls below a predetermined threshold, or when the number of generational changes reaches a predetermined number, evolutionary computation is terminated and the candidate with the highest fitness at that time is completed. The function is calculated as a function that explains the physical property data.

なお、算出した関数に対して、物性データに関する指標値を算出し、当該指標値が所定閾値よりも大きい場合には、関数算出部２５７は、平滑化処理部２５１で用いた所定個数を減少させ、平滑化処理部２５１に処理をうつしてもよい。平滑化処理部２５１は、減少後の所定個数に基づいて第１データセットの再作成を行い、再作成後の第１データセットに基づいて、主成分分析部２５５、関数算出部２５７は処理を再度行うものであってもよい。 The index value related to the physical property data is calculated for the calculated function, and when the index value is larger than the predetermined threshold value, the function calculation unit 257 reduces the predetermined number used in the smoothing processing unit 251. , The processing may be transferred to the smoothing processing unit 251. The smoothing processing unit 251 recreates the first data set based on the predetermined number after the reduction, and the principal component analysis unit 255 and the function calculation unit 257 process based on the recreated first data set. It may be done again.

指標値としては、１から決定係数を差し引いた値、二乗平均平方根誤差（ＲＭＳＥ：Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ）、平均絶対誤差（ＭＡＥ：Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ）、赤池情報量規準（ＡＩＣ：Ａｋａｉｋｅ’ｓ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ）、ベイズ情報量規準、最小記述長などが挙げられる。指標値は、ここに挙げた例に限定されず、指標値が小さいほどモデルがデータセットに対して高く適合していることを示すものであれば利用可能である。 Index values include 1 minus the coefficient of determination, root mean square error (RMSE), mean absolute error (MAE), and Akaike's Information Criterion (AIC). ), Bayesian information criterion, minimum description length, etc. The index value is not limited to the examples given here, and any index value can be used as long as the smaller the index value, the higher the fit of the model to the data set.

なお、関数算出部２５７は、遺伝的プログラミング以外の方法を用いて、第２データセットに基づいて物性データを説明する関数を算出するものであってもよい。例えば、関数算出部２５７は、ベイズモデリングを用いて、物性データを説明する関数を算出するものであってもよい。また、関数算出部２５７は、最尤推定法、期待値最大化法、赤池情報量規準、ベイズモデリングベイズ推定法、最大事後確率法、経験ベイズ法により、物性データを説明するモデルのパラメータを推定し、当該モデルを表現する関数を算出するものであってもよい。その他、関数算出部２５７は、カーネル密度推定法や、最近傍密度推定法により、物性データを説明する関数を算出するものであってもよい。 The function calculation unit 257 may calculate a function for explaining the physical characteristic data based on the second data set by using a method other than genetic programming. For example, the function calculation unit 257 may calculate a function for explaining the physical property data by using Bayesian modeling. In addition, the function calculation unit 257 estimates the parameters of the model that explains the physical property data by the maximum likelihood estimation method, the expected value maximization method, the Akaike information criterion, the Bayes modeling Bayes estimation method, the maximum posteriori probability method, and the empirical Bayes method. However, the function representing the model may be calculated. In addition, the function calculation unit 257 may calculate a function for explaining the physical property data by the kernel density estimation method or the nearest neighborhood density estimation method.

推測部２５９は、関数算出部２５７で算出された関数に基づいて、未知試料の第２物性を推定する。測定データセットを構成する測定データは、平滑化処理部２５１での平滑化処理、主成分分析部２５５での座標変換を介して、算出された関数が依存する変数（第２データの値をとる変数）と関連付けられる。したがって、推測部２５９は、平滑化処理及び座標変換でのパラメータに基づいて、計測装置１０の複数チャンネルのうち、関数が依存する変数に対応する特定チャンネルを特定する。 The guessing unit 259 estimates the second physical property of the unknown sample based on the function calculated by the function calculation unit 257. The measurement data constituting the measurement data set is a variable (takes the value of the second data) on which the calculated function depends on the smoothing process in the smoothing processing unit 251 and the coordinate conversion in the principal component analysis unit 255. Variable) is associated with. Therefore, the guessing unit 259 identifies a specific channel corresponding to the variable on which the function depends, among the plurality of channels of the measuring device 10, based on the parameters in the smoothing process and the coordinate transformation.

未知試料の第１物性について特定チャンネルで測定して得られる測定データが得られる場合、推測部２５９は、当該特定チャンネルでの測定データに基づいて、関数算出部２５７で算出された関数に代入すべき値を算出し、算出した値を関数に代入して得られる値を、未知試料の推定された第２物性とする。 When the measurement data obtained by measuring the first physical property of the unknown sample on a specific channel is obtained, the estimation unit 259 substitutes the measurement data on the specific channel into the function calculated by the function calculation unit 257. The power value is calculated, and the value obtained by substituting the calculated value into the function is defined as the estimated second physical characteristic of the unknown sample.

［回帰モデル作成装置の処理手順］
次に、本実施形態に係る回帰モデル作成装置の処理手順を、図２のフローチャートを参照して説明する。図２は、本実施形態に係る回帰モデル作成装置の処理手順を示すフローチャートである。 [Processing procedure of regression model creation device]
Next, the processing procedure of the regression model creating apparatus according to the present embodiment will be described with reference to the flowchart of FIG. FIG. 2 is a flowchart showing a processing procedure of the regression model creating apparatus according to the present embodiment.

図２に示されるフローチャートの処理は、ユーザが操作部２７を操作して回帰モデル作成の指示があった際に開始される。 The processing of the flowchart shown in FIG. 2 is started when the user operates the operation unit 27 and is instructed to create a regression model.

ステップＳ１０１にて、取得部２１は、試料の第１物性を複数チャンネルで測定して得られる測定データセットと、測定データセットに対応する試料の第２物性を測定して得られる物性データと、を取得する。 In step S101, the acquisition unit 21 obtains a measurement data set obtained by measuring the first physical properties of the sample on a plurality of channels, and physical property data obtained by measuring the second physical properties of the sample corresponding to the measurement data set. To get.

ステップＳ１０３にて、平滑化処理部２５１での平滑化処理で用いられる平滑化距離、すなわち、所定個数が設定される。所定個数は、デフォルト値として回帰モデル作成装置２０のデータベース２３に記憶されたものであってもよいし、ユーザが操作部２７を操作して設定されるものであってもよい。 In step S103, the smoothing distance used in the smoothing process in the smoothing process unit 251, that is, a predetermined number is set. The predetermined number may be stored in the database 23 of the regression model creation device 20 as a default value, or may be set by the user operating the operation unit 27.

ステップＳ１０５にて、平滑化処理部２５１は、測定データセットの平滑化を行って第１データセットを生成する。 In step S105, the smoothing processing unit 251 smoothes the measurement data set to generate the first data set.

なお、図２のフローチャートでは示していないが、画像生成部２５３は、第１データセットに基づいてカラーチャートを生成してもよい。そして、生成したカラーチャートは、表示部２９によってユーザに提示された後、ステップＳ１０３に戻って、所定個数が変更されるものであってもよい。 Although not shown in the flowchart of FIG. 2, the image generation unit 253 may generate a color chart based on the first data set. Then, after being presented to the user by the display unit 29, the generated color chart may return to step S103 and the predetermined number may be changed.

ステップＳ１０７にて、主成分分析部２５５は、第１データセットに対して次元圧縮を行って第２データセットを生成する。 In step S107, the principal component analysis unit 255 performs dimensional compression on the first data set to generate the second data set.

ステップＳ１０９にて、関数算出部２５７は、第２データセットに基づいて物性データを説明する関数を算出する。 In step S109, the function calculation unit 257 calculates a function for explaining the physical property data based on the second data set.

なお、算出した関数に対して、物性データに関する指標値を算出し、当該指標値が所定閾値よりも大きい場合には、ステップＳ１０３に戻って、関数算出部２５７は、平滑化処理部２５１で用いた所定個数を減少させてもよい。 An index value related to physical property data is calculated for the calculated function, and if the index value is larger than a predetermined threshold value, the process returns to step S103, and the function calculation unit 257 is used by the smoothing processing unit 251. The predetermined number may be reduced.

ステップＳ１１１にて、測定データセットと前記物性データの間に成立する回帰モデルとして、算出された関数が、表示部２９を介してユーザに提示される。 In step S111, the calculated function is presented to the user via the display unit 29 as a regression model established between the measurement data set and the physical property data.

［実施形態の効果］
以上詳細に説明したように、本実施形態に係る回帰モデル作成方法、回帰モデル作成装置、及び、回帰モデル作成プログラムは、試料の第１物性を複数チャンネルで測定して得られる測定データセットと、測定データセットに対応する試料の第２物性を測定して得られる物性データと、の間に成立する回帰モデルを生成する際、測定データセットの平滑化を行って第１データセットを生成し、第１データセットに対して次元圧縮を行って第２データセットを生成し、第２データセットに基づいて物性データを説明する関数を算出する。 [Effect of Embodiment]
As described in detail above, the regression model creation method, the regression model creation device, and the regression model creation program according to the present embodiment include measurement data sets obtained by measuring the first physical properties of the sample in a plurality of channels. When generating a regression model that holds between the physical property data obtained by measuring the second physical property of the sample corresponding to the measurement data set, the measurement data set is smoothed to generate the first data set. A second data set is generated by performing dimensional compression on the first data set, and a function for explaining the physical property data is calculated based on the second data set.

これにより、多次元の分析データに対して、人間が理解しやすくデータに内在する未知の関係性を導き出しやすいモデルを得ることができる。特に、測定データセットの平滑化が行われ、第１データセットを構成する第１データの個数が制限され、第１データセットと第２データセットの間に成立する関係性が簡易になり、さらには、第２データセットを構成する第２データの個数が制限され、生成される関数の複雑さが低減されるため、最終的に得られる回帰モデルを、人間が理解しやすくなる。 As a result, it is possible to obtain a model that is easy for humans to understand and to derive an unknown relationship inherent in the data for multidimensional analysis data. In particular, the measurement data set is smoothed, the number of first data constituting the first data set is limited, the relationship established between the first data set and the second data set is simplified, and further. Is limited in the number of second data constituting the second data set and reduces the complexity of the generated function, which makes it easier for humans to understand the final regression model.

さらには、第２データセットを構成する第２データの個数が制限される結果、探索可能な候補関数を増やすことが可能となり、関数の探索において、最終的に得られる関数として局所最適解が選択されてしまう可能性を低減することができる。その結果、最終的に得られる関数として、データに内在する未知の関係性を反映した全体最適解が選択される可能性が増し、より精緻な回帰モデルを得ることができる。 Furthermore, as a result of limiting the number of second data constituting the second data set, it is possible to increase the number of searchable candidate functions, and in the function search, the locally optimal solution is selected as the finally obtained function. It is possible to reduce the possibility of being lost. As a result, it is more likely that an overall optimal solution that reflects the unknown relationships inherent in the data will be selected as the final function, and a more elaborate regression model can be obtained.

また、本実施形態に係る回帰モデル作成方法、回帰モデル作成装置、及び、回帰モデル作成プログラムは、第１データセットに対して、主成分分析又は因子分析を行って第２データセットを生成するものであってもよい。これにより、第２データセットを構成する第２データの個数が制限され、生成される関数の複雑さが低減されるため、最終的に得られる回帰モデルを、人間が理解しやすくなる。また、探索可能な候補関数を増やすことができるため、関数の探索において、最終的に得られる関数として局所最適解が選択されてしまう可能性を低減することができる。 Further, the regression model creation method, the regression model creation device, and the regression model creation program according to the present embodiment perform principal component analysis or factor analysis on the first data set to generate the second data set. It may be. This limits the number of second data that make up the second dataset and reduces the complexity of the generated function, making it easier for humans to understand the final regression model. Further, since the number of searchable candidate functions can be increased, it is possible to reduce the possibility that the locally optimal solution is selected as the finally obtained function in the function search.

さらに、本実施形態に係る回帰モデル作成方法、回帰モデル作成装置、及び、回帰モデル作成プログラムは、遺伝的プログラミング又はベイズモデリングにより、第２データセットに基づいて物性データを説明する関数を算出するものであってもよい。これにより、探索可能な候補関数を増やすことができるため、関数の探索において、最終的に得られる関数として局所最適解が選択されてしまう可能性を低減することができる。 Further, the regression model creation method, the regression model creation device, and the regression model creation program according to the present embodiment calculate a function for explaining physical property data based on the second data set by genetic programming or Bayesian modeling. It may be. As a result, the number of searchable candidate functions can be increased, so that the possibility that the locally optimal solution is selected as the finally obtained function in the function search can be reduced.

また、本実施形態に係る回帰モデル作成方法、回帰モデル作成装置、及び、回帰モデル作成プログラムは、所定物理量を変化させて測定データセットの系列が得られる場合、第１データセットを構成する第１データのデータ番号及び所定物理量を２軸とする２次元座標の各点における色の強度を、第１データの値の大きさに対応させて得られるカラーチャートをユーザに提示し、ユーザの指示に基づいて、所定個数を変更し、変更後の所定個数に基づいて、第１データセットを生成するものであってもよい。 Further, the regression model creation method, the regression model creation device, and the regression model creation program according to the present embodiment are the first to form the first data set when a sequence of measurement data sets can be obtained by changing a predetermined physical quantity. A color chart obtained by associating the color intensity at each point of the two-dimensional coordinates with the data number of the data and the predetermined physical quantity as the two axes with the size of the value of the first data is presented to the user, and the user instructs. Based on this, the predetermined number may be changed, and the first data set may be generated based on the changed predetermined number.

これにより、測定データセットの特徴をどの程度、最終的に得られる回帰モデルに反映させるかというユーザの意図を、回帰モデル作成の処理に反映させることができ、その結果、ユーザは、得られる回帰モデルの精度や複雑さをコントロールできる。さらには、提示されたカラーチャートに基づいて、平滑化処理で用いる所定個数をユーザが変更可能であるため、ユーザは、視覚情報に基づいて、直観的に、回帰モデルの精度や複雑さをコントロールできる。 As a result, the user's intention of how much the characteristics of the measurement data set should be reflected in the finally obtained regression model can be reflected in the regression model creation process, and as a result, the user can reflect the obtained regression. You can control the accuracy and complexity of the model. Furthermore, since the user can change the predetermined number used in the smoothing process based on the presented color chart, the user intuitively controls the accuracy and complexity of the regression model based on the visual information. can.

さらに、本実施形態に係る回帰モデル作成方法、回帰モデル作成装置、及び、回帰モデル作成プログラムは、算出された関数に対して、物性データに関する指標値を算出し、指標値が所定閾値以下となるまで、所定個数を減少させて関数を繰り返し算出するものであってもよい。また、指標値は、１から決定係数を差し引いた値、二乗平均平方根誤差、平均絶対誤差、赤池情報量規準、ベイズ情報量規準、最小記述長の少なくともいずれかであってもよい。 Further, the regression model creation method, the regression model creation device, and the regression model creation program according to the present embodiment calculate an index value related to physical property data for the calculated function, and the index value becomes equal to or less than a predetermined threshold value. The function may be calculated repeatedly by reducing the predetermined number until. Further, the index value may be at least one of a value obtained by subtracting the coefficient of determination from 1, a square root square root error, a mean absolute error, an Akaike information criterion, a Bayesian information criterion, and a minimum description length.

これにより、最終的に得られる回帰モデルの精度を維持できない場合に、自動的に第１データセットに反映させる測定データセットの情報を増やすことができる。その結果、測定データセットの情報を十分反映した回帰モデルを得ることができる。 As a result, when the accuracy of the regression model finally obtained cannot be maintained, the information of the measurement data set to be automatically reflected in the first data set can be increased. As a result, it is possible to obtain a regression model that sufficiently reflects the information of the measurement data set.

特に、平滑化処理で、必要以上に短いスケールでの変動が除去されてしまうと、遺伝的プログラミングによって得られる関数が収束しない状況が生じうるが、そのような収束しない状況を決定係数に基づいて自動的に検出できる。そして、所定個数を減少させることで、遺伝的プログラミングによって得られる関数が十分収束する状況を自動的に得ることができる。その結果、測定データセットの情報を十分反映した回帰モデルを得ることができる。 In particular, if the smoothing process removes fluctuations on a shorter scale than necessary, there may be situations in which the functions obtained by genetic programming do not converge, but such situations in which they do not converge are determined based on the coefficient of determination. It can be detected automatically. Then, by reducing the predetermined number, it is possible to automatically obtain a situation in which the functions obtained by genetic programming converge sufficiently. As a result, it is possible to obtain a regression model that sufficiently reflects the information of the measurement data set.

また、本実施形態に係る回帰モデル作成方法、回帰モデル作成装置、及び、回帰モデル作成プログラムにおいて、第１物性は、試料が吸収する光の強度、又は、試料が放射、散乱、もしくは、反射する光の強度でもよい。さらには、複数の測定データセットは、異なる周波数ごとの光の強度の測定結果からなるものでもよい。また、第２物性は、試料の粘度、密度、濁度、試料に含まれる所定物質の濃度などであってもよい。 Further, in the regression model creation method, the regression model creation device, and the regression model creation program according to the present embodiment, the first physical characteristic is the intensity of light absorbed by the sample, or the sample is radiated, scattered, or reflected. It may be the intensity of light. Furthermore, the plurality of measurement data sets may consist of measurement results of light intensity for different frequencies. The second physical characteristic may be the viscosity, density, turbidity, concentration of a predetermined substance contained in the sample, or the like.

さらに、本実施形態に係る回帰モデル作成方法、回帰モデル作成装置、又は、回帰モデル作成プログラムによって生成された関数を用いて、関数が依存する変数に対応する特定チャンネルを特定し、未知試料の第１物性を特定チャンネルで測定して得られる測定データを関数に代入して得られる値を、未知試料の推定された第２物性とすることで、未知試料の物性の推定を行ってもよい。 Further, using the regression model creation method, the regression model creation device, or the function generated by the regression model creation program according to the present embodiment, the specific channel corresponding to the variable on which the function depends is specified, and the unknown sample is the first. 1 The physical properties of the unknown sample may be estimated by substituting the measurement data obtained by measuring the physical properties on a specific channel into the function and setting the value obtained as the estimated second physical property of the unknown sample.

上述の実施形態で示した各機能は、１又は複数の処理回路によって実装されうる。処理回路には、プログラムされたプロセッサや、電気回路などが含まれ、さらには、特定用途向けの集積回路（ＡＳＩＣ）のような装置や、記載された機能を実行するよう配置された回路構成要素なども含まれる。 Each function shown in the above-described embodiment can be implemented by one or more processing circuits. Processing circuits include programmed processors, electrical circuits, etc., as well as devices such as application specific integrated circuits (ASICs) and circuit components arranged to perform the described functions. Etc. are also included.

以上、実施形態に沿って本発明の内容を説明したが、本発明はこれらの記載に限定されるものではなく、種々の変形及び改良が可能であることは、当業者には自明である。この開示の一部をなす論述および図面は本発明を限定するものであると理解すべきではない。この開示から当業者には様々な代替実施形態、実施例および運用技術が明らかとなろう。 Although the contents of the present invention have been described above according to the embodiments, it is obvious to those skilled in the art that the present invention is not limited to these descriptions and various modifications and improvements can be made. The statements and drawings that form part of this disclosure should not be understood as limiting the invention. This disclosure will reveal to those skilled in the art various alternative embodiments, examples and operational techniques.

本発明はここでは記載していない様々な実施形態等を含むことは勿論である。したがって、本発明の技術的範囲は上記の説明から妥当な特許請求の範囲に係る発明特定事項によってのみ定められるものである。 It goes without saying that the present invention includes various embodiments not described here. Therefore, the technical scope of the present invention is defined only by the matters specifying the invention relating to the reasonable claims from the above description.

１０ 計測装置
２０ 回帰モデル作成装置
２１ 取得部
２３ データベース
２５ コントローラ
２７ 操作部
２９ 表示部
２５１ 平滑化処理部
２５３ 画像生成部
２５５ 主成分分析部
２５７ 関数算出部
２５９ 推測部 10 Measuring device 20 Regression model creation device 21 Acquisition unit 23 Database 25 Controller 27 Operation unit 29 Display unit 251 Smoothing processing unit 253 Image generation unit 255 Principal component analysis unit 257 Function calculation unit 259 Guessing unit

Claims (12)

試料の第１物性を複数チャンネルで測定して得られる測定データセットと、
前記測定データセットに対応する前記試料の第２物性を測定して得られる物性データと、
を取得し、
前記測定データセットと前記物性データの間に成立する回帰モデルを生成する回帰モデル作成方法であって、
前記複数チャンネルのうち連続する所定個数のチャンネルに対して前記測定データセットの平滑化を行って第１データセットを生成し、
前記第１データセットに対して次元圧縮を行って第２データセットを生成し、
前記第２データセットに基づいて前記物性データを説明する関数を算出すること
を特徴とする回帰モデル作成方法。 A measurement data set obtained by measuring the first physical properties of a sample in multiple channels,
Physical property data obtained by measuring the second physical property of the sample corresponding to the measurement data set, and
To get
A regression model creation method for generating a regression model that holds between the measurement data set and the physical property data.
The measurement data set is smoothed for a predetermined number of consecutive channels among the plurality of channels to generate a first data set.
Dimensional compression is performed on the first data set to generate a second data set.
A method for creating a regression model, which comprises calculating a function for explaining the physical property data based on the second data set. 請求項１に記載した回帰モデル作成方法であって、
前記第１データセットに対して、主成分分析又は因子分析を行って第２データセットを生成すること
を特徴とする回帰モデル作成方法。 The regression model creation method according to claim 1.
A method for creating a regression model, which comprises performing principal component analysis or factor analysis on the first data set to generate a second data set. 請求項１又は２に記載した回帰モデル作成方法であって、
遺伝的プログラミング又はベイズモデリングにより、前記第２データセットに基づいて前記物性データを説明する関数を算出すること
を特徴とする回帰モデル作成方法。 The regression model creation method according to claim 1 or 2.
A method for creating a regression model, which comprises calculating a function explaining the physical characteristic data based on the second data set by genetic programming or Bayesian modeling. 請求項１〜３のいずれか一項に記載した回帰モデル作成方法であって、
所定物理量を変化させて前記測定データセットの系列が得られる場合、
前記第１データセットを構成する第１データのデータ番号及び前記所定物理量を２軸とする２次元座標の各点における色の強度を、前記第１データの値の大きさに対応させて得られるカラーチャートをユーザに提示し、
前記ユーザの指示に基づいて、前記所定個数を変更し、
変更後の前記所定個数に基づいて、前記第１データセットを生成すること
を特徴とする回帰モデル作成方法。 The regression model creation method according to any one of claims 1 to 3.
When a series of the measurement data sets is obtained by changing a predetermined physical quantity,
The data number of the first data constituting the first data set and the color intensity at each point of the two-dimensional coordinates with the predetermined physical quantity as the two axes are obtained in correspondence with the magnitude of the value of the first data. Present the color chart to the user
Based on the user's instruction, the predetermined number is changed.
A method for creating a regression model, which comprises generating the first data set based on the predetermined number after the change. 請求項１〜４のいずれか一項に記載した回帰モデル作成方法であって、
前記関数に対して、前記物性データに関する指標値を算出し、
前記指標値が所定閾値以下となるまで、前記所定個数を減少させて前記関数を繰り返し算出すること
を特徴とする回帰モデル作成方法。 The regression model creation method according to any one of claims 1 to 4.
For the function, the index value related to the physical property data is calculated, and the index value is calculated.
A method for creating a regression model, characterized in that the function is repeatedly calculated by reducing the predetermined number until the index value becomes equal to or less than a predetermined threshold value. 請求項５に記載した回帰モデル作成方法であって、
前記指標値は、１から決定係数を差し引いた値、二乗平均平方根誤差、平均絶対誤差、赤池情報量規準、ベイズ情報量規準、最小記述長の少なくともいずれかであること
を特徴とする回帰モデル作成方法。 The regression model creation method according to claim 5.
Regression model creation characterized in that the index value is at least one of 1 minus the coefficient of determination, square root square root error, mean absolute error, Akaike information criterion, Bayesian information criterion, and minimum description length. Method. 請求項１〜６のいずれか一項に記載した回帰モデル作成方法であって、
前記第１物性は、前記試料が吸収する光の強度、又は、前記試料が放射、散乱、もしくは、反射する光の強度であること
を特徴とする回帰モデル作成方法。 The regression model creation method according to any one of claims 1 to 6.
The first physical characteristic is a method for creating a regression model, characterized in that the intensity of light absorbed by the sample or the intensity of light emitted, scattered, or reflected by the sample. 請求項７に記載した回帰モデル作成方法であって、
複数の前記測定データセットは、異なる周波数ごとの前記光の強度の測定結果からなること
を特徴とする回帰モデル作成方法。 The regression model creation method according to claim 7.
A method for creating a regression model, wherein a plurality of the measurement data sets are composed of measurement results of the light intensity for different frequencies. 請求項１〜８のいずれか一項に記載した回帰モデル作成方法であって、
前記第２物性は、前記試料の粘度、密度、濁度、前記試料に含まれる所定物質の濃度のうち、少なくともいずれかであること
を特徴とする回帰モデル作成方法。 The regression model creation method according to any one of claims 1 to 8.
A method for creating a regression model, wherein the second physical property is at least one of the viscosity, density, turbidity, and concentration of a predetermined substance contained in the sample. 請求項１〜９のいずれか一項に記載した回帰モデル作成方法によって生成された前記関数を取得し、
前記関数が依存する変数に対応する特定チャンネルを特定し、
未知試料の第１物性を前記特定チャンネルで測定して得られる測定データを前記関数に代入して得られる値を、前記未知試料の推定された第２物性とすること
を特長とする物性推定方法。 Obtain the function generated by the regression model creation method according to any one of claims 1 to 9, and obtain the function.
Identify the specific channel corresponding to the variable on which the function depends,
A method for estimating physical properties, characterized in that a value obtained by substituting the measurement data obtained by measuring the first physical property of the unknown sample on the specific channel into the function is used as the estimated second physical property of the unknown sample. .. 試料の第１物性を複数チャンネルで測定して得られる測定データセットと、
前記測定データセットに対応する前記試料の第２物性を測定して得られる物性データと、
を取得する取得部と、
取得したデータを処理するコントローラと、
を備える回帰モデル作成装置であって、
前記コントローラは、
前記複数チャンネルのうち連続する所定個数のチャンネルに対して前記測定データセットの平滑化を行って第１データセットを生成し、
前記第１データセットに対して次元圧縮を行って第２データセットを生成し、
前記第２データセットに基づいて前記物性データを説明する関数を算出すること
を特徴とする回帰モデル作成装置。 A measurement data set obtained by measuring the first physical properties of a sample in multiple channels,
Physical property data obtained by measuring the second physical property of the sample corresponding to the measurement data set, and
And the acquisition department to acquire
A controller that processes the acquired data and
It is a regression model creation device equipped with
The controller
The measurement data set is smoothed for a predetermined number of consecutive channels among the plurality of channels to generate a first data set.
Dimensional compression is performed on the first data set to generate a second data set.
A regression model creating apparatus characterized in that a function for explaining the physical property data is calculated based on the second data set. 試料の第１物性を複数チャンネルで測定して得られる測定データセットと、
前記測定データセットに対応する前記試料の第２物性を測定して得られる物性データと、
を取得するステップと、
前記複数チャンネルのうち連続する所定個数のチャンネルに対して前記測定データセットの平滑化を行って第１データセットを生成するステップと、
前記第１データセットに対して次元圧縮を行って第２データセットを生成するステップと、
前記第２データセットに基づいて前記物性データを説明する関数を算出するステップと、
を実行させる回帰モデル作成プログラム。
A measurement data set obtained by measuring the first physical properties of a sample in multiple channels,
Physical property data obtained by measuring the second physical property of the sample corresponding to the measurement data set, and
And the steps to get
A step of smoothing the measurement data set for a predetermined number of consecutive channels among the plurality of channels to generate a first data set.
A step of performing dimensional compression on the first data set to generate a second data set, and
A step of calculating a function explaining the physical property data based on the second data set, and
Regression model creation program to execute.
JP2020022239A 2020-02-13 2020-02-13 Regression model creation method, regression model creation device, and regression model creation program Active JP6725928B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2020022239A JP6725928B1 (en) 2020-02-13 2020-02-13 Regression model creation method, regression model creation device, and regression model creation program
PCT/JP2021/004951 WO2021162033A1 (en) 2020-02-13 2021-02-10 Regression model creation method, regression model creation device, and regression model creation program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020022239A JP6725928B1 (en) 2020-02-13 2020-02-13 Regression model creation method, regression model creation device, and regression model creation program

Publications (2)

Publication Number Publication Date
JP6725928B1 JP6725928B1 (en) 2020-07-22
JP2021128042A true JP2021128042A (en) 2021-09-02

Family

ID=71664044

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020022239A Active JP6725928B1 (en) 2020-02-13 2020-02-13 Regression model creation method, regression model creation device, and regression model creation program

Country Status (2)

Country Link
JP (1) JP6725928B1 (en)
WO (1) WO2021162033A1 (en)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06502492A (en) * 1990-10-12 1994-03-17 エクソン　リサーチ　アンド　エンジニアリング　カンパニー Measurement and correction of spectral data
JPH0648239B2 (en) * 1988-03-31 1994-06-22 株式会社クボタ Corrosion prediction method for buried pipes
JPH10512667A (en) * 1994-12-13 1998-12-02 エクソン リサーチ アンド エンジニアリング カンパニー Nonlinear multivariate infrared analysis method
JPH11194124A (en) * 1997-11-10 1999-07-21 Idemitsu Kosan Co Ltd Method for controlling lubricant
JP2000514224A (en) * 1996-07-05 2000-10-24 アロマスキャン パブリック リミテッド カンパニー Pattern recognition with a combination of mappings
JP2002328088A (en) * 2001-05-01 2002-11-15 Snow Brand Food Co Ltd Discriminating method of abnormal meat by near-infrared spectroscopy
JP2003535330A (en) * 2000-06-02 2003-11-25 メディコメトリクス アンパーツゼルスカブ Methods and systems for the classification of biological samples
JP2010519543A (en) * 2007-02-22 2010-06-03 リポミクス テクノロジーズ， インコーポレイテッド Metabolic markers of diabetic conditions and methods of use thereof
JP2016045179A (en) * 2014-08-26 2016-04-04 国立研究開発法人農業・食品産業技術総合研究機構 Cheese maturation degree indicator estimating method, cheese maturation degree indicator estimating device, computer-executable program, natural cheese, processed cheese, and manufacturing method for processed cheese
JP2016075625A (en) * 2014-10-08 2016-05-12 セイコーエプソン株式会社 Calibration curve creation device, object component calibration device, and electronic apparatus
JP2016099737A (en) * 2014-11-19 2016-05-30 横浜ゴム株式会社 Data analysis method and data display method
JP2017054432A (en) * 2015-09-11 2017-03-16 日本電信電話株式会社 Data analyzer, data analysis method, and data analysis processing program
CN107064054A (en) * 2017-02-28 2017-08-18 浙江大学 A kind of near-infrared spectral analytical method based on CC PLS RBFNN Optimized models
WO2018025361A1 (en) * 2016-08-03 2018-02-08 株式会社島津製作所 Analysis data processing method and analysis data processing device
JP2018185794A (en) * 2017-03-09 2018-11-22 ゼネラル・エレクトリック・カンパニイ Feature discovery of multiple models and multiple areas for detecting cyber threat in transmission network
WO2019003262A1 (en) * 2017-06-26 2019-01-03 株式会社ニレコ Discrimination device and discrimination method

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0648239B2 (en) * 1988-03-31 1994-06-22 株式会社クボタ Corrosion prediction method for buried pipes
JPH06502492A (en) * 1990-10-12 1994-03-17 エクソン　リサーチ　アンド　エンジニアリング　カンパニー Measurement and correction of spectral data
JPH10512667A (en) * 1994-12-13 1998-12-02 エクソン リサーチ アンド エンジニアリング カンパニー Nonlinear multivariate infrared analysis method
JP2000514224A (en) * 1996-07-05 2000-10-24 アロマスキャン パブリック リミテッド カンパニー Pattern recognition with a combination of mappings
JPH11194124A (en) * 1997-11-10 1999-07-21 Idemitsu Kosan Co Ltd Method for controlling lubricant
JP2003535330A (en) * 2000-06-02 2003-11-25 メディコメトリクス アンパーツゼルスカブ Methods and systems for the classification of biological samples
JP2002328088A (en) * 2001-05-01 2002-11-15 Snow Brand Food Co Ltd Discriminating method of abnormal meat by near-infrared spectroscopy
JP2010519543A (en) * 2007-02-22 2010-06-03 リポミクス テクノロジーズ， インコーポレイテッド Metabolic markers of diabetic conditions and methods of use thereof
JP2016045179A (en) * 2014-08-26 2016-04-04 国立研究開発法人農業・食品産業技術総合研究機構 Cheese maturation degree indicator estimating method, cheese maturation degree indicator estimating device, computer-executable program, natural cheese, processed cheese, and manufacturing method for processed cheese
JP2016075625A (en) * 2014-10-08 2016-05-12 セイコーエプソン株式会社 Calibration curve creation device, object component calibration device, and electronic apparatus
JP2016099737A (en) * 2014-11-19 2016-05-30 横浜ゴム株式会社 Data analysis method and data display method
JP2017054432A (en) * 2015-09-11 2017-03-16 日本電信電話株式会社 Data analyzer, data analysis method, and data analysis processing program
WO2018025361A1 (en) * 2016-08-03 2018-02-08 株式会社島津製作所 Analysis data processing method and analysis data processing device
CN107064054A (en) * 2017-02-28 2017-08-18 浙江大学 A kind of near-infrared spectral analytical method based on CC PLS RBFNN Optimized models
JP2018185794A (en) * 2017-03-09 2018-11-22 ゼネラル・エレクトリック・カンパニイ Feature discovery of multiple models and multiple areas for detecting cyber threat in transmission network
WO2019003262A1 (en) * 2017-06-26 2019-01-03 株式会社ニレコ Discrimination device and discrimination method

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FREDERICKS P M: "Materials characterization using factor analysis of FT-IR spectra. Part 1: Results", APPLIED SPECTROSCOPY, vol. 39, no. 2, JPN6020018149, March 1985 (1985-03-01), pages 303 - 310, ISSN: 0004276509 *
KAHRS OLAF: "Analysis and refinement of the targeted QSPR method", COMPUTERS & CHEMICAL ENGINEERING, vol. 32, no. 7, JPN6020018150, 24 July 2008 (2008-07-24), pages 1397 - 1410, ISSN: 0004276510 *
佐藤春実: "近赤外、赤外及びラマン分光法−ケモメトリックス法による高密度、低密度ポリエチレンの物性予測", 日本化学会講演予稿集, vol. 79, no. 2, JPN6020018147, 15 March 2001 (2001-03-15), pages 823 - 3, ISSN: 0004276507 *
棚田東作: "ケモメトリックス手法を用いた材料開発支援プログラムの開発", JOURNAL OF COMPUTER AIDED CHEMISTRY, vol. 1, JPN6020018148, 2000, pages 35 - 46, ISSN: 0004276508 *

Also Published As

Publication number Publication date
WO2021162033A1 (en) 2021-08-19
JP6725928B1 (en) 2020-07-22

Similar Documents

Publication Publication Date Title
Carley et al. Response surface methodology
US8089349B2 (en) Signal process and system
CN109409533B (en) Method, device, equipment and storage medium for generating machine learning model
CN107766946B (en) Method and system for generating combined features of machine learning samples
JP2017527863A (en) Nonparametric microfacet factor model for isotropic bidirectional reflectance distribution functions
JP2020128962A (en) Material characteristics prediction device and material characteristics prediction method
CN110704293B (en) Three-dimensional multi-channel interface availability assessment method
US11619926B2 (en) Information processing device, program, process treatment executing device, and information processing system
CN108832478A (en) A kind of efficient laser control system and control method
US20210152648A1 (en) Techniques for analyzing the proficiency of users of software applications in real-time
US10585130B2 (en) Noise spectrum analysis for electronic device
US20180144518A1 (en) Enhanced triplet embedding and triplet creation for high-dimensional data visualizations
WO2021162033A1 (en) Regression model creation method, regression model creation device, and regression model creation program
CN107391289B (en) Usability evaluation method for three-dimensional pen type interactive interface
Hagar et al. Comparison of hazard rate estimation in R
JP2001325294A (en) Method and device for retrieving similar image
Will et al. Metamodell of optimized prognosis (MoP)-an automatic approach for user friendly parameter optimization
US20240054385A1 (en) Experiment point recommendation device, experiment point recommendation method, and semiconductor device manufacturing device
CN114580649A (en) Method and device for eliminating quantum Pagli noise, electronic equipment and medium
CN114492809A (en) Uncertainty analysis method for marine environment design parameter calculation model
CN113674375A (en) Sub-surface scattering calculation method for rendering semitransparent material
EP3693888A2 (en) Using transformations to verify computer vision quality
Engel et al. Resolving the species pool dependence of beta-diversity using coverage-based rarefaction
JP2011141298A (en) Processing device and method of nmr data
JP7453895B2 (en) Search condition presentation device, search condition presentation method, and search condition presentation program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200311

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200311

TRDD Decision of grant or rejection written
A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200526

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200609

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200622

R150 Certificate of patent or registration of utility model

Ref document number: 6725928

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

S533 Written request for registration of change of name

Free format text: JAPANESE INTERMEDIATE CODE: R313533

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350