JP2002183111A - 曲面モデルの同定方法及びプログラム - Google Patents

Abstract

(57)【要約】 【課題】 高精度な曲面モデルの同定を効率良く行う。 【解決手段】 ｎ（ｎは２以上の整数）種類の変量間の
関係を近似したｎ次元の曲面モデルをコンピュータを使
用して同定する曲面モデルの同定方法において、予めデ
ータが収集されたｎ種類の変量のうちｎ−１種類の変量
で定義されるｎ−１次元の空間において各データ間の距
離を計算するステップ１０２と、この計算された各距離
に対応するグリーン関数値を計算するステップ１０３
と、収集されたデータのうちｎ−１種類を除く１種類の
データとグリーン関数値とからｎ次元の曲面モデルを計
算するステップ１０４とを実行する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、製剤設計、材料設
計、システムの運転条件・製品製造条件の設計／調整等
に使用される応答曲面法などに利用可能な、曲面モデル
の同定方法及びプログラムに関するものである。

【０００２】

【従来の技術】従来、実験計画法に基づいて収集された
データを用いて、効率よく製品の製造条件・システムの
運転条件等を設計・調整するために、応答曲面法（Resp
onse Surface Methodology；RSM ）が用いられている。
以下、従来の応答曲面法（文献１「轟 章、応答曲面
法、平11-12月日本機械学会講習会「応答曲面法による
非線形問題の最適設計入門」資料、URL：http://ueno.m
es.titech.ac.jp/rec-res.html にて公開中」、文献２
「長谷川ほか、実数型交差モデルと応答曲面モデルを用
いた逐次的近似最適化に関する一試行、日本計算工学会
論文集、２０００年５月２４日発行」、文献３「Takaya
ma、Artificial Neural Network as a Novel Method to
Optimize Pharmaceutical Formulations、Pharmaceuti
cal Research,Vol.16, No.1, 1999」など）について説
明する。

【０００３】図１１は応答曲面法における処理の流れを
示すフローチャート図である。応答曲面法には、実験計
画法に基づき必要最低限のデータを収集する処理（ステ
ップ４０１）と、収集されたデータをもとに各要因（設
計条件）とその応答（最適にしたい特性値）を結びつけ
る近似関数（曲面モデル）を同定する処理（ステップ４
０２）と、得られた近似関数（曲面モデル）を利用し
て、所望の特性値となるような最適設計条件を各種最適
化アルゴリズムを利用して求める処理（ステップ４０
３）の３つの処理ステップがある。

【０００４】次に、上記ステップ４０１〜４０３におい
て、従来利用されている技術を以下に説明する。ステッ
プ４０１では、実験計画法に基づき、実験計画データを
収集する。これにより必要最低限なデータを効率よく収
集する。利用される実験計画法の要因配置（実験点配
置）としては、完備要因計画（全因子計画；fully fact
orial design）法、直交計画（orthogonal design ）
法、球形中心２次複合計画（中央複合計画；central co
mposite design）法などが代表的である（文献１、文献
４「橋田 充 編、経口投与製剤の処方設計（第7章 処
方・製法の最適化）、薬業時報社、１９９８」）。

【０００５】ステップ４０２では、ステップ４０１で収
集したデータを使って、各要因（設計条件）ｘi （ｉ＝
１，２，・・・，ｋ）とその応答（最適にしたい特性
値）ｙとを結びつける近似関数（曲面モデル）ｙ＝ｆ
（ｘ1，ｘ2，・・・，ｘk ）を以下のような手法を利用
して求める。

【０００６】（Ｉ）多項式を用いた手法（文献１、文献
２）は、各要因（入力変数）と特性値（出力変数）とを
基本的には線形の関数で近似する手法である。多くの場
合は、以下の２次多項式が利用される。

【０００７】

【数１】

【０００８】式（１８）において、ａ0，ｂi，ｃi，ｃi
j は定数である。非線形な対象に対応する場合には、相
互作用項（式（１８）の右辺第４項）を導入したり、べ
き乗関数、指数関数あるいは対数関数などを利用して、
入力変数の変換を行ったりする。前記２次多項式が、応
答曲面法の近似関数としては最も頻繁に利用される手法
である。

【０００９】（ＩＩ）ニューラルネットワークを用いた
手法（文献３）は、非線形な入出力関係を近似する手法
である。入力を各要因（設計条件）、出力を特性値とし
て、階層型のニューラルネットワークにバックプロパゲ
ーション法を利用して学習させる。入力層から中間層、
出力層に至る信号は、前層からの信号を次の式（１９）
により統合し、式（２０）のようなシグモイド関数に代
表される伝達関数により、次の層へと出力される。

【００１０】

【数２】

【００１１】

【数３】

【００１２】なお、ｗpqは次層ユニットｑと前層ユニッ
トｐ間の荷重、ｘp は前層からの出力であり、ｆ（ｙq
）は次層への出力として伝達される。また、ａはシグ
モイド関数の勾配係数である。

【００１３】（ＩＩＩ）スプライン関数を用いた手法
（文献５「桜井 明著、スプライン関数入門、東京電機
大学出版局、１９８１」、文献６「桜井 明監修、パソ
コンによるスプライン関数、東京電機大学出版局、１９
８８」）は、非線形な特性であっても関数化することが
でき、滑らかな曲線/曲面が得られる手法である。通常
広く認知されているスプラインは、文献「マグローヒル
科学技術用語大辞典」に記載されている通り、導関数に
基づくスプライン関数のことである。この導関数に基づ
くスプライン関数の数学的定義は、文献４に記載されて
いる通り、「ｍ次のスプライン関数は、そのｍ階微分が
階段関数で、ｍ−１階以下の微分が連続であるような関
数である」というものである。また、ｎ個の接点をもつ
ｍ次のスプライン関数は以下のようになる。

【００１４】

【数４】

【００１５】なお、（ｘ−ｑi）^m ₊は切断べき関数と呼
ばれる関数であり、以下のように表される。

【００１６】

【数５】

【００１７】（ＩＩＩＩ）多変数適応回帰スプライン
（MARS）を用いた手法（文献７「T.J.Hastie and R.J.T
ibshirani、Nonparametric Regression and Classifica
tion Part I - Nonparametric Regression, NATO ASI
Series. F. Computer and SystemSciences, Vol.136, p
p.62-69, 1994」）は、多項式の回帰近似を区分に分割
して行う手法である。分割する領域の大きさは計算によ
り自動的に決定される。

【００１８】最後に、ステップ４０３では、得られた曲
面モデルを利用して、公知の各種最適化アルゴリズムに
より、所望の最適値探索を行い、最適設計条件を見出
す。連続量に対する公知の最適化アルゴリズムとして
は、シンプレックス法、勾配法、共役勾配法、ニュート
ン法、準ニュートン法、シミュレーテッド・アニーリン
グ法、トンネリング・アルゴリズム、遺伝的アルゴリズ
ム（GA）などが代表的である（文献８「茨木俊秀ほか、
最適化の手法、共立出版、１９９３」、文献９「相吉
英太郎、「最適化」の展望、計測と制御、Vol.29,No.1
2、１９９０」）。

【００１９】また、制約条件下での最適化手法として、
ペナルティ関数を利用した方法（文献３、文献８）など
もある。さらに、複数の曲面モデルを利用することで、
複数特性の最適値（妥協解）を見出す多目的最適化（文
献３、文献１０「西川ほか、岩波講座 情報科学１９
「最適化」、岩波書店、１９８２」）も実施することが
できる。多目的最適解を求める方法としては、重みパラ
メータ法、ε制約法、目標計画法、対話型の方法などが
ある。

【００２０】

【発明が解決しようとする課題】応答曲面法は、数少な
いデータ（必要最低限のデータ）から、効率よく最適条
件を見出すために利用される。しかしながら、従来の応
答曲面法では、前述のステップ４０２における近似関数
（曲面モデル）の同定に労力を要することがあり、実際
には効率が悪い可能性があるという問題点があった。例
えば、前述の従来の近似関数を利用した場合には、以下
のような問題がある。

【００２１】（Ｉ）多項式を用いた手法は、基本的に
は、入出力関係が線形な対象をモデル化する手法である
ため、各要因と特性値が非線形な関係の場合（現実には
このケースが多い）は、効率よくモデル化することが困
難となる場合がある。非線形な対象をモデル化する手段
として、相互作用項を追加したり、べき乗関数、指数関
数あるいは対数関数などを導入して近似することもある
が、必要な精度のモデルを得るためには多大な労力を要
することがある。例えば、相互作用項を導入する場合に
は、すべての要因の相互作用項を追加すべきか、あるい
は一部の相互作用項とするか、一部の相互作用項とする
場合には、どの要因の組み合わせを追加すればよいかと
いうことは試してみないと分からない。また、どのよう
な関数を導入すればよいかについても試してみないと分
からないことがある。つまり、近似関数を得るために
は、試行錯誤的となり効率が悪い。

【００２２】さらに、非線形性の強い対象の場合は、全
領域を１つの関数で近似することが困難な場合がある。
そのため、小さな領域に分けてそれぞれに異なる多項式
近似関数をあてはめることもある。しかし、対象の特性
が未知なものについて、どの領域がどのような関数に相
当するかを決めることは困難である。そのため，結果的
に所望の精度のモデルを得ることができない。また、２
次多項式による近似では、現実的にはあり得ない値（特
性値の限界値以上あるいは限界値以下の値）の応答が現
れる場合があり、所望の応答曲面にならない場合があ
る。この場合、最適な領域の分割や関数の選択にさらに
十分な時間をかければ、所望のモデルが得られる可能性
もあるが、非常に多大な労力が必要となり、モデル同定
の効率が悪化する。

【００２３】（ＩＩ）ニューラルネットワークを用いた
手法では、ユーザが指定すべきパラメータが多すぎ、ま
た、パラメータを決定するための指標がないので、ネッ
トワークモデルを試行錯誤的に求めざるを得なくなり、
実際には効率よく所望の近似関数を求めることは困難で
ある。例えば、ユーザが予め設定する必要があるパラメ
ータとして代表的なものには、ネットワークの階層数、
中間層のユニット数、伝達関数の関数式（伝達関数をシ
グモイド関数とする場合には、その関数の傾き）、適用
する学習法則、学習停止条件、学習スタート時の荷重係
数の初期値などがある。

【００２４】このようなパラメータを変化させると、応
答曲面が大きく変化するが、パラメータをどう変化させ
ればよりよいモデルが得られるかを知るための明確な指
標がないため、結果的には試行錯誤的にモデルを作らざ
るを得ない。さらに、学習計算は繰り返し計算（収束計
算）となるため、計算時間が必要となることがある。ニ
ューラルネットワークで近似した応答曲面では、応答曲
面が伝達関数であるシグモイド関数の形状となってしま
い、所望の応答曲面にならない場合がある。この場合、
よりよい応答曲面にするにはさらに時間がかかり、モデ
ル同定の効率が悪化する。

【００２５】（ＩＩＩ）通常、工学分野で広く認知・利
用されている導関数に基づくスプライン関数では、１要
因（１入力変数）に対する出力値の補間曲線（近似関
数）を描くことは容易にできるが、２要因（２入力変
数）以上の場合には、以下のような制限が発生する。 （α）補間計算（近似関数の同定）をするために与えら
れるデータが、入力空間内で格子状となるデータであ
り、各座標点に順序をつける必要がある（文献１１「Wi
lliam H. Pressほか、Numerical Recipes in C、技術評
論社、１９９３」）。 （β）与えられたデータに囲まれる区分領域（２入力変
数の場合は、３角領域）を切り出す必要がある（文献１
２「曲渕 英邦、スプライン関数を用いたランダム布置
標本データからの２次元補間、日本建築学会大会学術講
演梗概集（九州）１９９８年９月」）。

【００２６】実験データの近似を目的とするならば、
（α）の格子状データが得られることは期待できないた
め、不規則分布のデータを前提とした（β）を適用せざ
るを得ない。しかし、２入力変数以上の場合、補間計算
以外に領域切り出しのアルゴリズム（例えば、Delaunay
三角分割；文献１３「MATLAB ver5.3 オンラインマニュ
アル、Function Reference "delaunay" 」）が必要であ
り、また各次元ごとに（入力変数の数に応じて）領域切
り出しのアルゴリズムが必要である（２入力変数の場合
には例えば３角形分割、３入力変数の場合には例えば４
面体領域切り出しなど）。つまり、アルゴリズムが高次
元になればなるほど、アルゴリズムが複雑となり、プロ
グラムも大きくなり、計算時間も必要となるため、現実
的には３入力変数以上の補間にはほとんど利用されてい
ない。

【００２７】（ＩＩＩＩ）多変数適応回帰スプライン
（MARS）を用いた手法は、基本的には多項式近似と同様
なアルゴリズムであるため、多項式と同様な問題があ
る。ただし、区分領域での近似を採用していることか
ら、非線形近似にもある程度対応可能である。また、近
似の基本となる関数もあらかじめ候補をいくつか用意し
ておけば、そのなかで最適化なものを自動的に選択する
ことができる。しかし、近似の基本となる関数の候補と
して何を用意すればよいかわからない場合は、多数の関
数候補を用意する必要があり、これによって計算負荷
（計算時間、要求メモリサイズ）が増大する。また、非
線形性が強い場合などには、より多数の区分領域に分け
て回帰近似する必要があり、これによっても計算負荷が
大きくなるため、実用上問題である。また、領域を区分
して多項式近似をするため、実験データを細分して利用
することとなる。このため、全領域において、実験計画
法に基づき収集したデータでは、多項式近似に必要なデ
ータ量が得られないことがある。また、細分した領域ご
とに実験計画法を適用しデータを収集することは、実験
コストの増大や効率の悪化となるため、実用上問題であ
る。

【００２８】なお、他の補間手法（近似関数）として、
ラグランジュ補間多項式もあるが、この手法を利用した
場合には、データ点数によっては、ルンゲの現象という
振動現象が現れる。これにより、なめらかではない不自
然な、応答の激しい曲面となってしまうので（文献１４
「桜井 明監修、パソコンによるスプライン関数、東京
電機大学出版局、１９８８、pp.4-6」）、実用上問題で
ある。

【００２９】以上のように、従来の応答曲面法では、モ
デル同定が試行錯誤的となり、モデル同定に多大な時間
がかかるという問題点があった。また、従来の応答曲面
法では、モデル同定を誤る可能性があった。本発明は、
上記課題を解決するためになされたもので、高精度な曲
面モデルの同定を効率良く行うことができる曲面モデル
の同定方法及びプログラムを提供することを目的とす
る。

【００３０】

【課題を解決するための手段】本発明は、ｎ（ｎは２以
上の整数）種類の変量間の関係を近似したｎ次元の曲面
モデルをコンピュータを使用して同定する曲面モデルの
同定方法であって、予めデータが収集された前記ｎ種類
の変量のうちｎ−１種類の変量で定義されるｎ−１次元
の空間において各データ間の距離を計算して記憶装置に
記憶させる第１の同定時距離計算ステップ（１０２）
と、この計算された各距離に対応するグリーン関数値を
計算して記憶装置に記憶させる第１の同定時グリーン関
数計算ステップ（１０３）と、前記収集されたデータの
うち前記ｎ−１種類を除く１種類のデータと前記グリー
ン関数値とから前記ｎ次元の曲面モデルを計算して記憶
装置に記憶させるモデル同定ステップ（１０４）とから
なるものである。このように、本発明は、従来の応答曲
面法（実験計画法、近似関数、既存最適化アルゴリズム
を組み合わせて、少ない実験データから効率よく最適解
を求める手法）の近似関数として、グリーン関数に基づ
く重調和スプライン補間を適用している。重調和スプラ
イン補間は、与えられたデータのみを使って非線形な特
性であっても応答曲面を求めることができ、ユーザは近
似関数の次数、構造などの各種パラメータの指定をする
必要がない。また、重調和スプライン補間は、多次元へ
の拡張が容易であり、多要因のモデルにも柔軟に対応す
ることができる。

【００３１】また、本発明の曲面モデルの同定方法の１
構成例において、前記ｎ種類の変量のうちｎ−１種類の
変量は、前記曲面モデルに対する入力となる変量であ
り、残りの１種類の変量は、前記曲面モデルの出力とな
る変量である。また、本発明の曲面モデルの同定方法の
１構成例は、前記モデル同定ステップの後に前記ｎ−１
次元の特定の入力データが入力されたとき、前記ｎ−１
次元の空間において前記特定の入力データと前記収集さ
れた各データとの距離を計算して記憶装置に記憶させる
出力計算時距離計算ステップ（２０２）と、この出力計
算時距離計算ステップで計算された各距離に対応するグ
リーン関数値を計算して記憶装置に記憶させる出力計算
時グリーン関数計算ステップ（２０３）と、この出力計
算時グリーン関数計算ステップで計算されたグリーン関
数値と前記ｎ次元の曲面モデルとを用いて、前記特定の
入力データに対応する１次元の出力データを補間計算し
て記憶装置に記憶させる出力データ計算ステップ（２０
４）とを実行するようにしたものである。また、本発明
の曲面モデルの同定方法の１構成例は、前記ｎ−１次元
の空間において各データ間の距離を計算して記憶装置に
記憶させる第２の同定時距離計算ステップ（３０２）
と、この第２の同定時距離計算ステップで計算された各
距離に対応するグリーン関数値を計算して記憶装置に記
憶させる第２の同定時グリーン関数計算ステップ（３０
３）と、この第２の同定時グリーン関数計算ステップで
計算されたグリーン関数値から前記収集されたデータが
前記曲面モデルの同定にとって有効なデータか否かを示
す評価指標値を計算して記憶装置に記憶させる評価指標
値計算ステップ（３０４）と、この評価指標値が最大と
なるようなデータを前記収集されたデータ中から選択す
るデータ選択ステップ（３０５，３０６）とを実行した
後に、この選択されたデータを前記収集されたデータと
して、前記第１の同定時距離計算ステップ、前記第１の
同定時グリーン関数計算ステップ及び前記モデル同定ス
テップを実行するようにしたものである。また、本発明
の曲面モデルの同定方法の１構成例において、前記ｎ種
類の変量のデータは、実験計画法によって収集されるも
のである。

【００３２】また、本発明のプログラムは、予めデータ
が収集された前記ｎ種類の変量のうちｎ−１種類の変量
で定義されるｎ−１次元の空間において各データ間の距
離を計算して記憶装置に記憶させる第１の同定時距離計
算ステップと、この計算された各距離に対応するグリー
ン関数値を計算して記憶装置に記憶させる第１の同定時
グリーン関数計算ステップと、前記収集されたデータの
うち前記ｎ−１種類を除く１種類のデータと前記グリー
ン関数値とから前記ｎ次元の曲面モデルを計算して記憶
装置に記憶させるモデル同定ステップとをコンピュータ
に実行させるものである。また、本発明のプログラムの
１構成例において、前記ｎ種類の変量のうちｎ−１種類
の変量は、前記曲面モデルに対する入力となる変量であ
り、残りの１種類の変量は、前記曲面モデルの出力とな
る変量であり、プログラムは、前記モデル同定ステップ
の後に前記ｎ−１次元の特定の入力データが入力された
とき、前記ｎ−１次元の空間において前記特定の入力デ
ータと前記収集された各データとの距離を計算して記憶
装置に記憶させる出力計算時距離計算ステップと、この
出力計算時距離計算ステップで計算された各距離に対応
するグリーン関数値を計算して記憶装置に記憶させる出
力計算時グリーン関数計算ステップと、この出力計算時
グリーン関数計算ステップで計算されたグリーン関数値
と前記ｎ次元の曲面モデルとを用いて、前記特定の入力
データに対応する１次元の出力データを補間計算して記
憶装置に記憶させる出力データ計算ステップとをコンピ
ュータに実行させるものである。また、本発明のプログ
ラムの１構成例は、前記ｎ−１次元の空間において各デ
ータ間の距離を計算して記憶装置に記憶させる第２の同
定時距離計算ステップと、この第２の同定時距離計算ス
テップで計算された各距離に対応するグリーン関数値を
計算して記憶装置に記憶させる第２の同定時グリーン関
数計算ステップと、この第２の同定時グリーン関数計算
ステップで計算されたグリーン関数値から前記収集され
たデータが前記曲面モデルの同定にとって有効なデータ
か否かを示す評価指標値を計算して記憶装置に記憶させ
る評価指標値計算ステップと、この評価指標値が最大と
なるようなデータを前記収集されたデータ中から選択す
るデータ選択ステップとをコンピュータに実行させた後
に、この選択されたデータを前記収集されたデータとし
て、前記第１の同定時距離計算ステップ、前記第１の同
定時グリーン関数計算ステップ及び前記モデル同定ステ
ップとをコンピュータに実行させるものである。

【００３３】

【発明の実施の形態】［実施の形態の１］本発明では、
応答曲面法において効率よく最適条件を探索するため、
効率よく近似関数（曲面モデル）を得ることを目的とし
ており、衛星データから等高線を得るために利用されて
いる、グリーン関数に基づく重調和スプラインを近似関
数として適用している。

【００３４】グリーン関数に基づく重調和スプラインに
ついては、例えば文献１５「DavidT. Sandwell、Biharm
onic Spline Interpolation of GEOS-3 and SEASAT Alt
imeter Data、Geophysical Research Letters, Vol.14,
No.2, pp.139-142, 1987」、また文献１６「Paul Wess
el, David Bercovici, Interpolation with Splinesin
Tension: A Green's Function Approach, Mathmatical
Geology, Vol.30, No.1, 1998 」に記載されている。

【００３５】重調和スプラインは、工学分野で広く認知
・利用されている、導関数に基づくスプライン関数と
は、理論的にまったく異なる補間方法である。しかし、
補間曲面は、導関数に基づくスプライン関数と同様に滑
らかな曲面であり、非線形な特性でもモデル化すること
ができる。

【００３６】従来工学の分野で利用されているスプライ
ン関数は、導関数に基づく補間値計算アルゴリズムを有
するスプライン関数である。これに対し、重調和スプラ
インは、積分定理（グリーン定理）に基づく補間値計算
アルゴリズムとなっている。そのため、従来のスプライ
ンとは異なり、不規則分布データであっても特別なアル
ゴリズムを用意することなく、補間計算可能である。さ
らに、この手法は、データを与えるだけで、データの分
布のみから関数を計算するため、ユーザが予め設定する
必要があるパラメータは存在しない。また、多次元の入
力変数（多要因）でも２入力変数（２要因）以下の場合
と同様なアルゴリズムで動作するため、多次元（多要
因）な対象にも、柔軟に適用可能である。

【００３７】以下、この重調和スプライン補間のアルゴ
リズムを記述する。文献１５によると、任意の入力変数
ベクトルｘに対する重調和スプライン関数ｆ（ｘ）は次
式のようになる。

【００３８】

【数６】

【００３９】ただし、Ｎは予め収集されたデータｘj
（ｊ＝１〜Ｎ） の数、ｚは任意のデータｘと予め収集
されたデータｘj との距離である。また、φ_m（ｚ） は
グリーン関数であり、距離ｚとデータｘ，ｘj の次元数
（データｘ，ｘj を特徴付ける変量の数）ｍとに応じ
て、次式のように定められる。

【００４０】

【数７】

【００４１】式（１）の係数ｃj は、データが与えられ
ると線形マトリクスを解くことにより自動的に算出でき
る。これにより求めたい入力変数ベクトルｘi に応じた
出力値（補間値）ｙi は、次式により算出できる。

【００４２】

【数８】

【００４３】式（３）において、ｚijはデータｘi と予
め収集されたデータｘj との距離である。なお、式
（１）は、次式より導出される。

【００４４】

【数９】

【００４５】ただし、∇⁴ は重調和演算子、δ（ｚ）は
デルタ関数である。以上のように、重調和スプラインで
は、データが与えられると、入力空間におけるデータ間
の距離と、各次元（入力変数の数）に応じたグリーン関
数とから、自動的に関数値が計算できる。そのため、不
規則分布データであっても、さらに多次元（多要因）デ
ータであっても、特別なアルゴリズムを用意する必要は
なく、柔軟に多次元拡張可能である。また線形マトリク
ス計算であるため、計算負荷も大きくない。

【００４６】次に、以上のような重調和スプライン補間
のアルゴリズムを用いた曲面モデルの同定方法について
詳細に説明する。図１は本発明の第１の実施の形態とな
る曲面モデルの同定装置の構成を示すブロック図、図２
は図１の同定装置の動作を示すフローチャート図であ
る。図２（ａ）は同定装置のモデル同定時の動作を示
し、図２（ｂ）は出力データ計算時の動作を示してい
る。

【００４７】図１の同定装置は、例えば実験計画法によ
って予めデータが収集されたｎ（ｎは２以上の整数）種
類の変量のうちｎ−１種類の変量で定義されるｎ−１次
元の空間において各データ間の距離を計算する距離計算
部１と、この距離計算部１で計算された各距離に対応す
るグリーン関数値を計算するグリーン関数計算部２と、
前記収集されたデータのうち前記ｎ−１種類を除く１種
類のデータと前記グリーン関数値とから前記ｎ種類の変
量間の関係を近似したｎ次元の曲面モデルを求めるモデ
ル係数計算部３と、グリーン関数値と同定されたｎ次元
の曲面モデルとを用いて、特定の入力データに対応する
１次元の出力データを補間計算する出力データ計算部４
とを有している。

【００４８】図１の同定装置は、コンピュータ上で実現
することができる。コンピュータは、ＣＰＵ、ＲＯＭ、
ＲＡＭ、ディスプレイ装置やキーボードあるいは外部記
憶装置とのインタフェースをとるための回路などを備え
た周知の構成のものでよい。ＣＰＵは、ＲＯＭ若しくは
ＲＡＭに記憶されたプログラム、又はキーボードから入
力されたコマンドに従って処理を実行する。また、ＣＰ
Ｕは、外部記憶装置にデータを書き込んだり、外部記憶
装置からデータを読み出したりすることができる。

【００４９】本実施の形態の曲面モデルの同定方法を実
現させるためのプログラムは、フレキシブルディスク、
ＣＤ−ＲＯＭ、メモリカード等の記録媒体に記録された
状態で提供される。この記録媒体を外部記憶装置に挿入
すると、媒体に記録されたプログラムが読み取られ、コ
ンピュータに転送される。そして、ＣＰＵは、読み込ん
だプログラムをＲＡＭ等に書き込む。こうして、同定装
置は、以下で説明するような処理を実行する。

【００５０】以下、このような同定装置のモデル同定時
の動作を図２（ａ）を参照して説明する。まず、同定装
置のユーザは、ｎ種類の変量によって特徴付けられるｎ
次元データを例えば実験計画法によって複数個収集し、
前記ｎ種類の変量をｎ−１種類と１種類の変量に分け、
これに対応して前記ｎ次元データをｎ−１次元のデータ
と１次元のデータとに分けて同定装置に入力する。

【００５１】一般的には、前記ｎ−１種類の変量はユー
ザが求める解の要因となる変量（例えば、曲面モデルの
生成理由が製剤処方の最適化にあるとすれば、要因は各
原材料の量）であり、前記１種類の変量は解となる変量
（処方された製剤の特性値）である。本発明では、ｎ−
１種類の変量が要因（入力）で、残りの１種類の変量が
解（出力）である必要は必ずしもないが、ここでは便宜
的に、ｎ−１種類の変量によって特徴付けられるｎ−１
次元データを入力データ、残りの１種類の変量によって
特徴付けられる１次元データを出力データと呼ぶ。

【００５２】同定装置の距離計算部１は、ユーザによっ
てデータが入力されると（ステップ１０１においてＹＥ
Ｓ）、ｎ−１次元の空間においてｎ−１次元の各入力デ
ータ間の距離ｚを入力データの全ての組み合わせについ
て計算して、図示しない記憶装置に格納する（ステップ
１０２）。ここでの距離ｚは、ユークリッド距離であ
る。

【００５３】例えば、ｎ＝３として、入力の２変量をＸ
1，Ｘ2、出力の１変量をＹとし、図３に示すように、２
次元の入力データｘ1，ｘ2，ｘ3 の値をそれぞれ（Ｘ1
1，Ｘ21），（Ｘ12，Ｘ22），（Ｘ13，Ｘ23）とし、入
力データｘ1，ｘ2，ｘ3 に対応する出力データをそれぞ
れｙ1，ｙ2，ｙ3 とすれば、入力データｘ1，ｘ2間の距
離ｚ12（又はＺ21）、入力データｘ2，ｘ3間の距離ｚ23
（又はＺ32）、入力データｘ3，ｘ1間の距離ｚ31（又は
Ｚ13）はそれぞれ次式のように得られる。

【００５４】 ｚ12＝Ｚ21＝（（Ｘ11−Ｘ12）²＋（Ｘ21−Ｘ22）²）^1/2 ・・・（５） ｚ23＝Ｚ32＝（（Ｘ12−Ｘ13）²＋（Ｘ22−Ｘ23）²）^1/2 ・・・（６） ｚ31＝Ｚ13＝（（Ｘ13−Ｘ11）²＋（Ｘ23−Ｘ21）²）^1/2 ・・・（７）

【００５５】続いて、グリーン関数計算部２は、距離計
算部１で計算された距離ｚ毎に対応するグリーン関数値
φ_m（ｚ） を計算して、図示しない記憶装置に格納する
（ステップ１０３）。前述のｎ＝３の例では、距離ｚ1
2，ｚ23，ｚ31に応じてグリーン関数値φ_m（ｚ12），φ
_m（ｚ23），φ_m（ｚ31） を計算することになる。前述
のとおり、グリーン関数値φ_m（ｚ） は式（２）によっ
て計算することができる。なお、本実施の形態では、ｍ
＝ｎ−１である。

【００５６】モデル係数計算部３は、出力データｙとグ
リーン関数値φ_m（ｚ） とからｎ次元の曲面モデルのモ
デル係数ｃj （ｊ＝１〜Ｎ）を計算して、図示しない記
憶装置に格納する（ステップ１０４）。モデル係数ｃj
を求めるには、出力データｙとグリーン関数値φ
_m（ｚ） とを式（３）に代入すればよい。前述のｎ＝３
の例ではＮ＝３なので、以下のような連立方程式が得ら
れる。

【００５７】 ｙ1 ＝ｃ2φ_m（ｚ12）＋ｃ3φ_m（ｚ13） ・・・（８） ｙ2 ＝ｃ1φ_m（ｚ21）＋ｃ3φ_m（ｚ23） ・・・（９） ｙ3 ＝ｃ1φ_m（ｚ31）＋ｃ2φ_m（ｚ32） ・・・（１０）

【００５８】モデル係数計算部３は、式（８）〜式（１
０）の連立方程式から最小二乗法により、モデル係数ｃ
1，ｃ2，ｃ3 を計算する。以上により、モデル同定が終
了する。同定装置によって同定されたｎ＝３次元の曲面
モデルは、式（１）とモデル係数ｃ1，ｃ2，ｃ3 とによ
り、次式のように表すことができる。 ｙ＝ｃ1φ_m（ｚi1）＋ｃ2φ_m（ｚi2）＋ｃ3φ_m（ｚi3） ・・・（１１）

【００５９】次に、ｎ−１（＝ｍ）次元の空間内の特定
の入力データｘi に対応する出力データ（補関値）ｙi
を同定装置に計算させる場合の動作を図２（ｂ）を参照
して説明する。

【００６０】同定装置の距離計算部１は、ユーザによっ
て入力データｘi が入力されると（図２ステップ２０１
においてＹＥＳ）、ｎ−１次元の空間において入力デー
タｘi とモデル同定時に入力された前記収集された各入
力データｘ1，ｘ2，ｘ3 との間の距離ｚを図４に示すよ
うに入力データｘ1，ｘ2，ｘ3 毎に計算して、図示しな
い記憶装置に格納する（ステップ２０２）。

【００６１】入力データｘiの値を（Ｘ1i，Ｘ2i）とす
ると、入力データｘi，ｘ１間の距離ｚi1、入力データ
ｘi，ｘ2間の距離ｚi2、入力データｘi，ｘ3間の距離ｚ
i3はそれぞれ次式のように得られる。 ｚi1＝（（Ｘ1i−Ｘ11）²＋（Ｘ2i−Ｘ21）²）^1/2 ・・・（１２） ｚi2＝（（Ｘ1i−Ｘ12）²＋（Ｘ2i−Ｘ22）²）^1/2 ・・・（１３） ｚi3＝（（Ｘ1i−Ｘ13）²＋（Ｘ2i−Ｘ23）²）^1/2 ・・・（１４）

【００６２】続いて、グリーン関数計算部２は、距離計
算部１で計算された距離ｚi1，ｚi2，ｚi3毎に対応する
グリーン関数値φ_m（ｚi1），φ_m（ｚi2），φ_m（ｚi
3） を計算して、図示しない記憶装置に格納する（ステ
ップ２０３）。

【００６３】出力データ計算部４は、特定の入力データ
ｘi に対応する出力データ（補関値）ｙi を計算して、
図示しない記憶装置に格納する（ステップ２０４）。出
力データｙi を計算するには、グリーン関数計算部２で
計算されたグリーン関数値φ _m（ｚi1），φ_m（ｚi2），
φ_m（ｚi3） を以下に示すように式（３）に代入すれば
よい。 ｙi ＝ｃ1φ_m（ｚi1）＋ｃ2φ_m（ｚi2）＋ｃ3φ_m（ｚi3） ・・・（１５） こうして、特定の入力データｘi に対応する出力データ
ｙi 、すなわち任意の条件に対する特性値の計算が可能
となり、最適解の探索が可能となる。

【００６４】次に、本実施の形態の曲面モデルの同定方
法を適用した結果を従来手法と比較して示す。図５〜図
７は、実験計画法によって収集した実験データ（製剤特
性データ；３要因）に従来手法と本実施の形態の手法を
適用した結果得られた曲面モデルを応答曲面として図示
した図である。図５（ａ）、図６（ａ）、図７（ａ）は
従来の２次多項式を用いて同定した曲面を示し、図５
（ｂ）、図６（ｂ）、図７（ｂ）は従来のニューラルネ
ットワークを用いて同定した曲面を示し、図５（ｃ）、
図６（ｃ）、図７（ｃ）は本実施の形態の同定方法を用
いて同定した曲面を示している。

【００６５】図５〜図７の例では、喘息の治療用の気管
支拡張剤の最適製剤設計に応答曲面法を適用している。
気管支拡張剤は、患者が錠剤を服用したときに錠剤の崩
壊を抑えるゲル化剤と崩壊を促進する崩壊剤とを錠剤の
主成分に混合したものである。図５〜図７において、入
力変量である要因パラメータ１はゲル化剤の量であり、
同じく入力変量である要因パラメータ２は崩壊剤の量で
ある。また、図５における出力変量である特性値１は、
速放率であり、図６における出力変量である特性値２は
速放性（錠剤の崩壊が促進される特性）の速度であり、
図６における出力変量である特性値３は徐放性（錠剤の
崩壊が抑制される特性）の速度である。

【００６６】図５（ａ）、図６（ａ）、図７（ａ）に示
す２次多項式の応答曲面では、製剤設計の専門家の経験
に反する、現実ではありえないような特性値が出力され
る。また、図５（ｂ）、図６（ｂ）、図７（ｂ）に示す
ニューラルネットワークの応答曲面では、伝達関数とな
っているシグモイド関数の形状がそのまま現れており、
所望の応答曲面とはなっていない。これに対して、図５
（ｃ）、図６（ｃ）、図７（ｃ）に示す本実施の形態の
曲面では、専門家の経験と合致する、所望の滑らかな応
答曲面が得られている。

【００６７】以上のように、重調和スプラインを利用す
れば、非線形な最適化対象に対し、ユーザがパラメータ
の指定をすることなく、自動的に最適設計に必要な近似
関数（曲面モデル）を得ることができる。このため、従
来手法と比べて格段に効率のよい最適設計が可能とな
る。また、従来手法と異なり、現実にありえないような
応答となることが少ないため、最適化対象の知識があま
りない人であっても、効率よく精度の高い曲面モデルを
得ることができ、条件設計の誤りを回避することができ
る。なお、本実施の形態では、ｎ＝３の場合を例にとっ
て説明しているが、これに限るものではなく、ｎが２以
上であれば本発明を適用することができる。

【００６８】［実施の形態の２］実施の形態の１の曲面
モデルの同定方法では、データのスムージング（収集し
たすべてのデータを必ずしも通らない関数近似）が可能
である。データのスムージングのアルゴリズムとして
は、以下のようなものがある。

【００６９】（Ｉ）収集したデータを間引いて（サンプ
リングして）補間関数を求める方法（文献１５）。 （ＩＩ）特異値分解を利用する方法（文献１６）。 （ＩＩＩ）前述の式（４）の代わりに、以下の式（５）
を利用する方法（文献１６）。

【００７０】

【数１０】

【００７１】式（１６）において、∇² はラプラシアン
演算子である。また、Ｔ／Ｄの比を変えてスムージング
の程度を制御することができる。図８に本実施の形態の
データスムージングを適用した結果を示す。図８（ａ）
は入力変量が１種類（ｎ＝２）の場合、図８（ｂ）、図
８（ｃ）は入力変数が２種類（ｎ＝３）の場合の結果で
ある。なお、図８（ａ）において、破線は全収集データ
を補間した結果を示し、実線はスムージングをしながら
補間した結果を示す。

【００７２】このように、収集したデータにノイズが含
まれる場合には、全ての収集データを必ず通るような曲
面モデルを求めるよりも、本実施の形態のスムージング
を適用して曲面モデルを求める方が有効であり、所望の
応答曲面を得ることができる。なお、収集したデータの
信頼性が高い場合はこの限りでない。

【００７３】［実施の形態の３］図９は本発明の第３の
実施の形態となる曲面モデルの同定装置の構成を示すブ
ロック図であり、図１と同一の構成には同一の符号を付
してある。本実施の形態は、図１の同定装置に、距離計
算部５、グリーン関数計算部６、評価指標計算部７及び
データ選択部８を加えたものである。実施の形態の１と
同様に、本実施の形態の同定装置もコンピュータで実現
することができる。

【００７４】以下、本実施の形態の同定装置の動作を図
１０を参照して説明する。まず、同定装置の距離計算部
５は、ユーザによって収集データが入力されると（ステ
ップ３０１においてＹＥＳ）、ｎ−１次元の空間におい
てｎ−１次元の各入力データ間の距離ｚを入力データの
全ての組み合わせについて計算して、図示しない記憶装
置に格納する（ステップ３０２）。このときの計算は、
実施の形態の１の距離計算部１における処理と全く同じ
である。

【００７５】続いて、グリーン関数計算部６は、距離計
算部５で計算された距離ｚ毎に対応するグリーン関数値
φ_m（ｚ） を計算して、図示しない記憶装置に格納する
（ステップ３０３）。このときの計算も、実施の形態の
１のグリーン関数計算部２における処理と全く同じであ
る。

【００７６】評価指標計算部７は、グリーン関数計算部
６で計算されたグリーン関数値φ_m（ｚ） を基に、ユー
ザによって収集され同定装置に入力されたデータが曲面
モデルの同定にとって有効なデータか否かを示す評価指
標値を計算して、図示しない記憶装置に格納する（ステ
ップ３０４）。

【００７７】評価指標値の計算には、多項式を利用する
場合に適用されている各種最適基準（Ａ，Ｄ，Ｇ，Ｑな
どの最適基準；文献３「轟 章、応答曲面法、平11-12月
日本機械学会講習会「応答曲面法による非線形問題の最
適設計入門」資料、URL：http://ueno.mes.titech.ac.j
p/rec-res.html にて公開中」）を利用する。ただし、
文献３で利用されている入力変数値の行列ではなく、グ
リーン関数値の行列を使用する。例えば、Ａ最適基準の
場合、評価指標値は、（Ｇ^T Ｇ）／ｎの逆行列の対角成
分の和となる。なお、ここでのｎは実験データ数（有効
な実験データ数）である。また、行列Ｇは以下のような
式を利用する。

【００７８】

【数１１】

【００７９】次に、データ選択部８は、評価指標計算部
７で計算された評価指標値が最適（最大もしくは最小）
かどうかを判定し（ステップ３０５）、評価指標値が最
適でない場合（すなわち、距離計算部５に入力されたデ
ータが曲面モデルの同定にとって最適でない場合）、ユ
ーザによって収集され同定装置に入力されたｎ次元デー
タ中から一部のデータを選択的に取り出して、距離計算
部５に与える（ステップ３０６）。これにより、ステッ
プ３０２〜３０５の処理が再び実行される。

【００８０】このように、ユーザによって収集され同定
装置に入力されたｎ次元データ中から一部のｎ次元デー
タのみを選択して評価指標値を計算することを繰り返す
ことにより、評価指標値が最適となるようなデータを選
択する。そして、データ選択部８は、評価指標値が最適
となったｎ次元データ（ｎ−１次元の入力データと１次
元の出力データ）を距離計算部１に与える。以降の動作
は実施の形態の１と全く同じであるので、説明は省略す
る。なお、Ａ最適基準を用いる場合は、対角成分の和が
最小のものが最適であるが、別の基準を用いる場合は、
最大のものが最適である場合もある。

【００８１】以上により、本実施の形態では、過去に収
集したデータの中からモデル同定にとって有効なデータ
のみを適切に選択でき、曲面モデルを誤って同定するこ
とを回避することができる。また、評価指標計算部７で
計算された評価指標値を用いて、ユーザがデータの収集
方法を見直すことも可能である。

【００８２】なお、実施の形態の１〜３の曲面モデルの
同定方法は、少ないデータから効率よく最適設計を行う
ための応答曲面法として利用することができ、以下のよ
うな様々な分野に適用することができる。 （Ａ）医薬品の最適製剤設計（文献３）。 （Ｂ）複合材（文献１）。 （Ｃ）構造設計（文献２）。 （Ｄ）塗料（文献１７「長倉 稔、塗料・塗装技術者の
ための実験計画法（第２０回）、塗装技術、1998年２月
号」）、化粧品などの配合率最適設計。 （Ｅ）食品加工（文献１８「相島 鐵郎、最適化手法の
フレーバー開発への応用、月刊フードケミカル、1996-
3」）、機械加工分野などの製造設備の最適設計、運転
条件設計／調整。 （Ｆ）その他一般のシステム（プロセス分野、ビル空
調、水処理、ごみ処理施設などの設備）の最適設計・運
転条件設計／調整。 （Ｇ）経済分野などにおける意思決定問題（状況に応じ
て採るべき行動の支援など）。 （Ｈ）その他一般の最適設計問題、意思決定問題。

【００８３】

【発明の効果】本発明によれば、従来の応答曲面法の近
似関数として、グリーン関数に基づく重調和スプライン
補間を適用しているので、ユーザは近似関数の次数や構
造などの各種パラメータの指定をすることなく、収集し
たデータのみを使って非線形な最適化対象であっても所
望の曲面モデルを求めることができる。これにより、よ
り効率（労力削減、時間短縮）のよい応答曲面法による
最適設計が可能となる。また、少ない時間でも精度よく
所望の曲面モデルが得られるので、多項式近似のような
現実的にはありえない近似を防ぐことができ、最適化対
象の知識が少ない人であっても、条件設計のミスを回避
することができる。さらに、重調和スプラインを用いた
ことにより、多次元への拡張が容易となり、多入力（多
要因）の対象にも柔軟に対応することができる。また、
アルゴリズムが単純であり、同一アルゴリズムで多次元
化が可能であるため、プログラムがよりコンパクトにで
き、さらに最適設計のための計算のパフォーマンスを向
上させることができる。

【００８４】また、出力計算時距離計算ステップ、出力
計算時グリーン関数計算ステップ及び出力データ計算ス
テップを実行することにより、特定の入力データに対応
する出力データ（補間値）を計算することができる。

【００８５】また、第２の同定時距離計算ステップ、第
２の同定時グリーン関数計算ステップ、評価指標値計算
ステップ及びデータ選択ステップを実行した後に、この
選択されたデータを前記収集されたデータとして、第１
の同定時距離計算ステップ、第１の同定時グリーン関数
計算ステップ及びモデル同定ステップを実行することに
より、過去に収集したデータの中からモデル同定にとっ
て有効なデータのみを適切に選択でき、曲面モデルを誤
って同定することを回避することができる。

【図面の簡単な説明】

【図１】 本発明の第１の実施の形態となる曲面モデル
の同定装置の構成を示すブロック図である。

【図２】 図１の曲面モデルの同定装置の動作を示すフ
ローチャート図である。

【図３】 本発明の第１の実施の形態における距離計算
部のモデル同定時の動作を説明するための説明図であ
る。

【図４】 本発明の第１の実施の形態における距離計算
部の出力データ計算時の動作を説明するための説明図で
ある。

【図５】 実験データに従来の手法と本発明の第１の実
施の形態の手法を適用した結果得られた曲面モデルを応
答曲面として図示した図である。

【図６】 実験データに従来の手法と本発明の第１の実
施の形態の手法を適用した結果得られた曲面モデルを応
答曲面として図示した図である。

【図７】 実験データに従来の手法と本発明の第１の実
施の形態の手法を適用した結果得られた曲面モデルを応
答曲面として図示した図である。

【図８】 本発明の第２の実施の形態におけるデータス
ムージングの効果を示す図である。

【図９】 本発明の第３の実施の形態となる曲面モデル
の同定装置の構成を示すブロック図である。

【図１０】 図９の曲面モデルの同定装置の動作を示す
フローチャート図である。

【図１１】 応答曲面法における処理の流れを示すフロ
ーチャート図である。

【符号の説明】

１…距離計算部、２…グリーン関数計算部、３…モデル
係数計算部、４…出力データ計算部、５…距離計算部、
６…グリーン関数計算部、７…評価指標計算部、８…デ
ータ選択部。

Claims (8)

【特許請求の範囲】
1. 【請求項１】 ｎ（ｎは２以上の整数）種類の変量間の
   関係を近似したｎ次元の曲面モデルをコンピュータを使
   用して同定する曲面モデルの同定方法であって、 予めデータが収集された前記ｎ種類の変量のうちｎ−１
   種類の変量で定義されるｎ−１次元の空間において各デ
   ータ間の距離を計算して記憶装置に記憶させる第１の同
   定時距離計算ステップと、 この計算された各距離に対応するグリーン関数値を計算
   して記憶装置に記憶させる第１の同定時グリーン関数計
   算ステップと、 前記収集されたデータのうち前記ｎ−１種類を除く１種
   類のデータと前記グリーン関数値とから前記ｎ次元の曲
   面モデルを計算して記憶装置に記憶させるモデル同定ス
   テップとからなることを特徴とする曲面モデルの同定方
   法。
2. 【請求項２】 請求項１記載の曲面モデルの同定方法に
   おいて、 前記ｎ種類の変量のうちｎ−１種類の変量は、前記曲面
   モデルに対する入力となる変量であり、残りの１種類の
   変量は、前記曲面モデルの出力となる変量であることを
   特徴とする曲面モデルの同定方法。
3. 【請求項３】 請求項２記載の曲面モデルの同定方法に
   おいて、 前記モデル同定ステップの後に前記ｎ−１次元の特定の
   入力データが入力されたとき、前記ｎ−１次元の空間に
   おいて前記特定の入力データと前記収集された各データ
   との距離を計算して記憶装置に記憶させる出力計算時距
   離計算ステップと、 この出力計算時距離計算ステップで計算された各距離に
   対応するグリーン関数値を計算して記憶装置に記憶させ
   る出力計算時グリーン関数計算ステップと、 この出力計算時グリーン関数計算ステップで計算された
   グリーン関数値と前記ｎ次元の曲面モデルとを用いて、
   前記特定の入力データに対応する１次元の出力データを
   補間計算して記憶装置に記憶させる出力データ計算ステ
   ップとを実行することを特徴とする曲面モデルの同定方
   法。
4. 【請求項４】 請求項１記載の曲面モデルの同定方法に
   おいて、 前記ｎ−１次元の空間において各データ間の距離を計算
   して記憶装置に記憶させる第２の同定時距離計算ステッ
   プと、 この第２の同定時距離計算ステップで計算された各距離
   に対応するグリーン関数値を計算して記憶装置に記憶さ
   せる第２の同定時グリーン関数計算ステップと、 この第２の同定時グリーン関数計算ステップで計算され
   たグリーン関数値から前記収集されたデータが前記曲面
   モデルの同定にとって有効なデータか否かを示す評価指
   標値を計算して記憶装置に記憶させる評価指標値計算ス
   テップと、 この評価指標値が最大となるようなデータを前記収集さ
   れたデータ中から選択するデータ選択ステップとを実行
   した後に、 この選択されたデータを前記収集されたデータとして、
   前記第１の同定時距離計算ステップ、前記第１の同定時
   グリーン関数計算ステップ及び前記モデル同定ステップ
   を実行することを特徴とする曲面モデルの同定方法。
5. 【請求項５】 請求項１記載の曲面モデルの同定方法に
   おいて、 前記ｎ種類の変量のデータは、実験計画法によって収集
   されることを特徴とする曲面モデルの同定方法。
6. 【請求項６】 ｎ（ｎは２以上の整数）種類の変量間の
   関係を近似したｎ次元の曲面モデルの同定をコンピュー
   タに実行させるプログラムであって、 予めデータが収集された前記ｎ種類の変量のうちｎ−１
   種類の変量で定義されるｎ−１次元の空間において各デ
   ータ間の距離を計算して記憶装置に記憶させる第１の同
   定時距離計算ステップと、 この計算された各距離に対応するグリーン関数値を計算
   して記憶装置に記憶させる第１の同定時グリーン関数計
   算ステップと、 前記収集されたデータのうち前記ｎ−１種類を除く１種
   類のデータと前記グリーン関数値とから前記ｎ次元の曲
   面モデルを計算して記憶装置に記憶させるモデル同定ス
   テップとをコンピュータに実行させることを特徴とする
   プログラム。
7. 【請求項７】 請求項６記載のプログラムにおいて、 前記ｎ種類の変量のうちｎ−１種類の変量は、前記曲面
   モデルに対する入力となる変量であり、残りの１種類の
   変量は、前記曲面モデルの出力となる変量であり、 前記モデル同定ステップの後に前記ｎ−１次元の特定の
   入力データが入力されたとき、前記ｎ−１次元の空間に
   おいて前記特定の入力データと前記収集された各データ
   との距離を計算して記憶装置に記憶させる出力計算時距
   離計算ステップと、 この出力計算時距離計算ステップで計算された各距離に
   対応するグリーン関数値を計算して記憶装置に記憶させ
   る出力計算時グリーン関数計算ステップと、 この出力計算時グリーン関数計算ステップで計算された
   グリーン関数値と前記ｎ次元の曲面モデルとを用いて、
   前記特定の入力データに対応する１次元の出力データを
   補間計算して記憶装置に記憶させる出力データ計算ステ
   ップとをコンピュータに実行させることを特徴とするプ
   ログラム。
8. 【請求項８】 請求項６記載のプログラムにおいて、 前記ｎ−１次元の空間において各データ間の距離を計算
   して記憶装置に記憶させる第２の同定時距離計算ステッ
   プと、 この第２の同定時距離計算ステップで計算された各距離
   に対応するグリーン関数値を計算して記憶装置に記憶さ
   せる第２の同定時グリーン関数計算ステップと、 この第２の同定時グリーン関数計算ステップで計算され
   たグリーン関数値から前記収集されたデータが前記曲面
   モデルの同定にとって有効なデータか否かを示す評価指
   標値を計算して記憶装置に記憶させる評価指標値計算ス
   テップと、 この評価指標値が最大となるようなデータを前記収集さ
   れたデータ中から選択するデータ選択ステップとをコン
   ピュータに実行させた後に、 この選択されたデータを前記収集されたデータとして、
   前記第１の同定時距離計算ステップ、前記第１の同定時
   グリーン関数計算ステップ及び前記モデル同定ステップ
   とをコンピュータに実行させることを特徴とするプログ
   ラム。