JP2020024191A - 合焦線形モデル補正及び多変量キャリブレーションモデルメンテナンス用線形モデル補正 - Google Patents

Abstract

【課題】分光装置が実施する分光計測を較正するためのキャリブレーションモデルの更新方法を提供する。【解決手段】デバイスは、マスタ装置に関連するマスタキャリブレーションモデルのマスタベータ係数を取得することができる。マスタベータ係数はターゲット装置のグリッドに存在する４１０。移行ベータ係数の対を決定するために、制約のセットに伴って目的関数の制約最適化を実施する。制約最適化を、移行ベータ係数の初期対、マスタベータ係数及びスカウティングセットに関連するスペクトルに基づいて実施する４２０。移行ベータ係数の対に基づいて、移行ベータ係数を決定する４３０。デバイスは、移行ベータ係数を含む移行ベータ係数のセットに基づいて、最終移行ベータ係数を決定する。最終移行ベータ係数を、マスタキャリブレーションモデルに対応し、ターゲット装置が使用するための、移行キャリブレーションモデルの生成と関連させる４４０。【選択図】図４

Description

分光装置が実施する分光計測を較正するためのキャリブレーションモデルを有する分光装置を構成できる。キャリブレーションモデルは典型的に、分光装置によって測定される、既知のサンプルに対応する基準値及び既知のサンプルに対応するスペクトルに基づいて生成される。

ある可能な実施形態によれば、方法は、デバイスが、マスタ装置に関連するマスタキャリブレーションモデルのマスタベータ係数を取得する取得ステップと、デバイスが、移行ベータ係数の対を決定するために、制約のセットに従って目的関数の制約最適化を実施する実施ステップと、デバイスが、移行ベータ係数の対に基づいて、移行ベータ係数を決定する移行ベータ係数決定ステップと、デバイスが、移行ベータ係数を含む移行ベータ係数のセットに基づいて、最終移行ベータ係数を決定する最終移行ベータ係数決定ステップと、を含むことができ、マスタベータ係数がターゲット装置のグリッドに存在し、制約最適化は、移行ベータ係数の初期対、マスタベータ係数及びスカウティングセットに関連するスペクトルに基づいて実施され、最終移行ベータ係数が、マスタキャリブレーションモデルに対応し、ターゲット装置が使用するための、移行キャリブレーションモデルの生成と関連する。

ある可能な実施形態によれば、方法は、マスタキャリブレーションモデルと関連するマスタ装置のグリッドがターゲット装置のグリッドと一致しないと、デバイスが判定するステップと、デバイスが、マスタ装置のグリッドがターゲット装置のグリッドに一致しないとの判定に基づいて、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドに挿入するステップと、デバイスが、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドに挿入した結果に基づいて、移行キャリブレーションモデルの生成に関連するマスタベータ係数を決定するステップと、を含むことができ、マスタキャリブレーションモデルに対応する移行キャリブレーションモデルがターゲット装置のために生成される。

ある可能な実施形態によれば、方法は、デバイスが、キャリブレーションモデルの更新に関連するスカウティングセットを取得するステップと、デバイスが、キャリブレーションモデルに関連するベータ係数を決定するステップと、デバイスが、ベータ係数に基づき線形モデル補正（ＬＭＣ）技術を用いて、キャリブレーションモデルの更新に関連する更新ベータ係数を決定するステップと、デバイスが、更新ベータ係数に基づいて、キャリブレーションモデルを更新するステップと、を含むことができ、スカウティングセットが試料のセットと関連するスペクトルを含み、スペクトルに基づいてキャリブレーションモデルを更新する。

図１Ａは、本明細書で説明する例示的実施形態の概要図である。図１Ｂは、本明細書で説明する例示的実施形態の概要図である。図１Ｃは、本明細書で説明する例示的実施形態の概要図である。 本明細書で説明するシステム及び／又は方法を実装できる例示的環境の図である。 図２の１つ以上のデバイスの例示的要素の図である。 本明細書で説明する移行キャリブレーションモデルを生成するための移行ベータ係数の決定に関連する、合焦線形モデル補正技術の例示的プロセスのフローチャートである。 図４の合焦線形モデル補正技術と関連する例示的な図である。 図４の合焦線形モデル補正技術と関連する例示的な図である。 図４の合焦線形モデル補正技術と関連する例示的な図である。 本明細書で説明する合焦線形モデル補正技術又は線形モデル補正技術と使用するためのマスタベータ係数を決定するために、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドに挿入する例示的プロセスのフローチャートである。 キャリブレーションモデル移行の実施に関連し、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドに挿入し、ＬＭＣ技術及びｆＬＭＣ技術をそれぞれ使用するステップに関連する図である。 キャリブレーションモデル移行の実施に関連し、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドに挿入し、ＬＭＣ技術及びｆＬＭＣ技術をそれぞれ使用するステップに関連する図である。 キャリブレーションモデル移行の実施に関連し、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドに挿入し、ＬＭＣ技術及びｆＬＭＣ技術をそれぞれ使用するステップに関連する図である。 キャリブレーションモデル移行の実施に関連し、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドに挿入し、ＬＭＣ技術及びｆＬＭＣ技術をそれぞれ使用するステップに関連する図である。 キャリブレーションモデル移行の実施に関連し、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドに挿入し、ＬＭＣ技術及びｆＬＭＣ技術をそれぞれ使用するステップに関連する図である。 複数装置にわたるキャリブレーションモデルの標準化の達成に関連する例示的結果を示す図である。 複数装置にわたるキャリブレーションモデルの標準化の達成に関連する例示的結果を示す図である。 複数装置にわたるキャリブレーションモデルの標準化の達成に関連する例示的結果を示す図である。 複数装置にわたるキャリブレーションモデルの標準化の達成に関連する例示的結果を示す図である。 図１０Ａは、複数装置にわたるキャリブレーションモデルの標準化の達成に関連する例示的結果を示す図である。図１０Ｂは、複数装置にわたるキャリブレーションモデルの標準化の達成に関連する例示的結果を示す図である。 図１１Ａは、複数装置にわたるキャリブレーションモデルの標準化の達成に関連する例示的結果を示す図である。図１１Ｂは、複数装置にわたるキャリブレーションモデルの標準化の達成に関連する例示的結果を示す図である。 本明細書で説明する、線形モデル補正技術を用いた、例示的モデル更新プロセスのフローチャートである。 図１３Ａは、線形モデル補正技術を用いたキャリブレーションモデル更新の例示的結果を示す図である。図１３Ｂは、線形モデル補正技術を用いたキャリブレーションモデル更新の例示的結果を示す図である。 図１４Ａは、マスタキャリブレーションモデル及びマスタ移行セットを用いる基準値の予測に関連する例示的結果を示す図である。図１４Ｂは、マスタキャリブレーションモデル及びマスタ移行セットを用いる基準値の予測に関連する例示的結果を示す図である。

以下の例示的実施形態の詳細な説明は、添付図面に言及する。様々な図面において同じ参照番号は、同じ又は類似する要素を同定し得る。

キャリブレーションモデル移行及びキャリブレーションモデル更新は、近赤外（ＮＩＲ）領域での応用等の、分光応用のための多変量キャリブレーションモデルメンテナンスにおける、２つの重要な分野である。

ある場合には、第１分光装置で（又はある環境条件下）展開される多変量キャリブレーションモデルを、第２分光装置で（又は第１分光装置による異なる環境条件下）測定されるサンプルに対する較正される特性を予測するために用いるときに、結果が容認できない。さらに、同じ分光装置に対してさえ、信号が経時的にドリフトすることがあり、このことは既存のキャリブレーションモデルの更新が必要となり得ることを意味する。キャリブレーションモデルを更新するときに、煩わしく高価な、データを再収集して既存のキャリブレーションモデルを再較正する仕事を回避するために、ドリフトの原因にかかわらず、キャリブレーションモデルをある条件から他の条件に移行するためのキャリブレーション移行技術を実装できる。

一般的なキャリブレーションモデル移行技術の要求物は、第１装置（例えばキャリブレーションモデルが移行されるマスタ装置又はオリジナル条件下の所与の装置）及び第２装置（例えばキャリブレーションモデルを移行するターゲット装置又はターゲット条件下の所与の装置）の両方で収集する同じサンプルセットからのスペクトルを含む移行データセットを獲得することである。ある場合には、移行データセットを取得することが困難又は不可能である。例えば、傷みやすい材料に対するキャリブレーションモデルを、ある国に配置されるマスタ装置から、他の国に配置されるターゲット装置に移行する必要があるときに、移行データセットを取得することが不可能となり得る。

線形モデル補正（ＬＭＣ）技術は、ターゲット装置のみが収集するスペクトルの要求量が少ないため、この問題を解決し得る。ＬＭＣ技術が使用するスペクトルのセットは、スカウティングセットと呼ばれる。しかしながら、ＬＭＣ技術を動作させるために、スカウティングセット用の基準値（例えば化学実験室で測定される実測値）が要求される。ある場合には、これらの基準値の取得は、非常に時間がかかり及び／又は高価となり得る。

本明細書で説明するある実施形態は、キャリブレーションモデル移行の実施に伴って使用できる合焦ＬＭＣ（ｆＬＭＣ）技術を提供する。ＬＭＣ技術と同様に、ｆＬＭＣ技術は、ターゲット装置が収集するスカウティングセットのみを要求する。しかしながら、ＬＭＣ技術と異なり、ｆＬＭＣ技術はスカウティングセットに対する基準値を要求しない。そうであるから、ｆＬＭＣ技術をキャリブレーションモデルと関連付けて使用することで、（例えば、ＬＭＣ技術及び上述した典型的なキャリブレーションモデル移行技術と比較して）コスト、難度を削減し、及び／又はキャリブレーションモデルの複雑さを減少する。

さらに、スペクトル分解能が比較的高く及び／又は波長範囲が比較的広いマスタ装置から、スペクトル分解能が比較的低く及び／又は波長範囲が比較的狭いターゲット装置へのキャリブレーションモデル移行（例えば、キャリブレーションモデルをベンチトップ装置から携帯用装置へ移行するとき）にしばしば直面する。このような場合のキャリブレーションモデル移行に関して、典型的なキャリブレーション移行技術は、キャリブレーションモデル移行プロセスを始めるために、完全なマスタキャリブレーションセット（例えば試4料のセットに関連付けられる、マスタ装置が測定するスペクトルのセット）を要求する。ここで、マスタキャリブレーションセットのスペクトルを、ターゲット装置のグリッドに挿入し、その後ターゲット装置へ移行するために中間モデルを発展させる。

しかしながら、マスタキャリブレーションセットへアクセスすることがいつも可能とは限らない。マスタキャリブレーションセットがアクセス可能であるときでも、ある場合には、マスタデータベースが巨大であることがあり、及び／又はマスタデータベースが長い歴史のメンテナンスを有することがある。そうであるから、データベースからきれいなマスタキャリブレーションセットを取得することが困難であることがあり、及び／又は時間がかかることがある。

本明細書で説明されるいくつかの実施形態は、ｆＬＭＣ技術又はＬＭＣ技術が、マスタキャリブレーションセットを必要とせずに、キャリブレーションモデル移行の実施に関連付けられるマスタキャリブレーションモデルのベータ係数を使用する手順を提供する。（マスタキャリブレーションセットではなく）ベータ係数を使用することで、キャリブレーションモデル移行のコスト、難しさ、複雑さを減少させる。

さらに、マスタ装置に対して発展したキャリブレーションモデルを、装置対装置の変動を有することがある他の多数の装置（例えば多数の異なるターゲット装置）に配置するときに、従来のキャリブレーションモデル移行技術を使用したキャリブレーションモデル移行を実施することが（例えばターゲット装置がマスタ装置から遠い位置に存在するときに）困難となり得る。ある実施形態では、この問題を解決するために、多数のターゲット装置上でＬＭＣ技術又はｆＬＭＣ技術を構成できる。マスタキャリブレーションモデルをターゲット装置に引き渡すときに、ユーザはスカウティングセット（例えば所与の応用に関連付けられる少数の試料からのスペクトル）を収集しさえすればよい。これらのスペクトルを（例えば基準値が利用できるときに）ＬＭＣ技術と合わせて又は（例えば基準値が利用できるかどうかにかかわらず）ｆＬＭＣ技術と合わせて用いて、キャリブレーションモデルを自動的に修正できる。

さらに、上述したように、（例えば試料及び／又は測定環境等の変化によって）キャリブレーションモデルを所与の装置上に展開した後、キャリブレーションモデルの更新が必要となり得る。キャリブレーションモデルの更新を実施するための典型的な技術は、新たな試料を既存のキャリブレーションセットに追加し、それからキャリブレーションモデルを再構成することである。しかしながら、この技術は、新たな試料又は新たな条件に対して適合するキャリブレーションモデルを作成するために、著しい数の試料を必要とし得る。さらに、この技術は全キャリブレーションデータが入手可能であることを要求する。加えて、キャリブレーションデータベースが巨大であるときに、特にスペクトル範囲が広くスペクトル分解能が高いときに、キャリブレーションの再構成は、相当量の時間及び／又は資源（例えばプロセッサ資源及び／又はバッテリ電源等）を消費し得る。したがって、装置のオンライン動作中に、キャリブレーションモデルを更新できないことがある。

本明細書で説明されるいくつかの実装は、ＬＭＣ技術を使用してキャリブレーションモデルを更新するための技術を提供する。本来、ＬＭＣ技術は、キャリブレーションモデルを更新するために、比較的小さな数の試料を要求する。ある実施形態では、更新セット（すなわちキャリブレーションモデル更新の実施と関連付けられるスカウティングセット）は、より正確に将来を予測するために、将来の試料に対する異なる条件を表す試料を含み得る。さらに、ＬＭＣ技術を使用するキャリブレーションモデル更新は、上述した典型的な更新技術よりも比較的高速である。例えば、ＬＭＣ手順を使用するキャリブレーションモデル更新を数秒で実施でき、それによりオンライン動作中にキャリブレーションモデルを更新できる。

さらに、ある場合には、マスタ装置及びターゲット装置の両方から移行セットが入手可能である一方、移行セットに対する基準値は利用できないことがある。このような場合において、ここで説明するように、ターゲット装置からの移行セットをスカウティングセットとして使用し、マスタキャリブレーションモデルが予測する、マスタ装置からの移行セットに対する基準値を、基準値として使用して、ＬＭＣ技術を実施できる。このように、そうでなければ他の従来のキャリブレーション移行技術を実施するために使用できるスペクトルデータが入手できるときに、ＬＭＣ技術を実施できる。

図１Ａ−１Ｃは、本明細書で説明する例示的実施形態の図である。図１Ａ−１Ｂは、合焦線形モデル補正（ｆＬＭＣ）補正技術の使用に関連付けられる例示的実施形態１００の図である。当該使用は、ターゲット装置に対する構成に関し、マスタ装置に関連付けられるマスタキャリブレーションモデルに対応する、移行キャリブレーションモデルの生成に伴う。

図１Ａ及び１Ｂの例示的実施形態１００のために、マスタ装置上で構成される、マスタキャリブレーションモデルがターゲット装置に移行される。言い換えれば、マスタ装置上で構成されるマスタキャリブレーションモデルに対応し、ターゲット装置が使用する移行キャリブレーションモデルを生成できる。説明される例示的実施形態１００は、移行キャリブレーションモデルの生成とともに、ｆＬＭＣ技術を使用する。

図１と参照符号１０５に表されるように、モデル化デバイス（例えば移行キャリブレーションモデル生成に関連するデバイス）は、ターゲット装置のグリッドにおいてマスタキャリブレーションモデルのマスタベータ係数を取得できる。

マスタベータ係数は、マスタキャリブレーションモデルに関連付けられる係数のセットを含み得る。例えば、マスタベータ係数は、マスタ装置上で構成される、部分最小二乗法（ＰＬＳ）回帰キャリブレーションモデルに関連付けられる回帰係数のベクトルを含み得る。

上述したように、マスタベータ係数は、ターゲット装置のグリッドに存在する。ターゲット装置のグリッドは、ターゲット装置のスペクトル分解能及び波長範囲が定めるターゲット装置のパラメータである。同様に、マスタ装置のグリッドは、マスタ装置のスペクトル分解能及び波長範囲が定めるマスタ装置のパラメータである。ある実施形態では、マスタ装置のグリッドが、ターゲット装置のグリッドと異なることがある（例えば、マスタ装置が、ターゲット装置よりも、比較的高いスペクトル分解能及び／又は広い波長範囲を有するとき）。あるいは、マスタ装置のグリッドは、ターゲット装置のグリッドと一致できる（例えば、マスタ装置のスペクトル分解能及び波長範囲がターゲット装置のスペクトル分解能及び波長範囲と閾値内で一致するとき）。

ある実施形態では、モデル化デバイスがマスタベータ係数を取得する方法は、マスタ装置のグリッドがターゲット装置のグリッドと一致するかどうかに基づくことができる。

例えば、モデル化デバイスは、マスタ装置のグリッドがターゲット装置のグリッドと一致するかどうかを（例えば、マスタ装置及び／又はターゲット装置が提供する情報に基づき、記憶される情報又はモデル化装置がアクセス可能な情報に基づき）判定できる。ある実施形態では、マスタ装置のグリッドがターゲット装置のグリッドと一致するとモデル化デバイスが判定する場合、モデル化デバイスは、マスタキャリブレーションモデルのベータ係数を、マスタベータ係数として同定できる。言い換えれば、マスタ装置のグリッドがターゲット装置のグリッドと一致するときに、（例えば、マスタキャリブレーションモデルのベータ係数がすでにターゲット装置のグリッドに存在するため）モデル化デバイスは、マスタキャリブレーションモデルのベータ係数を、マスタベータ係数として直接使用できる。このような場合には、マスタキャリブレーションモデルに関連するマスタキャリブレーションセットが利用可能かどうかにかかわらず、マスタキャリブレーションモデルのベータ係数を、マスタベータ係数として使用できる。

ある実施形態では、マスタ装置のグリッドがターゲット装置のグリッドと一致しないとモデル化デバイスが判定する場合、マスタ装置は、マスタキャリブレーションに関連付けられるマスタキャリブレーションセットに基づいてマスタベータ係数を取得できる。例えば、マスタ装置のグリッドがターゲット装置のグリッドと一致しない場合、モデル化デバイスは、中間キャリブレーションデータ（すなわち、ターゲット装置のグリッドに挿入されるマスタキャリブレーションセットのスペクトル）を生み出すために、マスタキャリブレーションセットをターゲット装置のグリッドに挿入できる。ここで、モデル化デバイスは、挿入されるキャリブレーションデータに基づいて、回帰モデル（例えば部分最小二乗法モデル及び／又は主成分回帰（ＰＣＲ）モデル等）を生成でき、マスタベータ係数を回帰モデルのベータ係数として決定できる。ある実施形態では、マスタキャリブレーションセットが利用可能なときに、モデル化デバイスはマスタベータ係数をこのように取得できる。例えば、モデル化デバイスは、マスタキャリブレーションセットが利用可能である（例えば、アクセス可能であり、閾サイズ又は複雑度レベルを超えない）と判定でき、上述したように進行できる。

ある実施形態では、マスタ装置のグリッドがターゲット装置のグリッドと一致しないとモデル化デバイスが判定する場合、マスタ装置は、マスタキャリブレーションセットのベータ係数に基づいてマスタベータ係数を取得でき、その例を図１Ｃに示す。

図１Ｃは、マスタベータ係数を取得するために、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドに挿入することに関連する例示的実施形態１５０の図である。参照符号１５５が表すように、モデル化デバイスは、マスタ装置のグリッドがターゲット装置のグリッドと一致しないと判定できる。参照符号１６０が表すように、この判定に基づいて、モデル化デバイスは、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドに挿入できる。参照符号１６５が表すように、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドへの挿入した結果をマスタベータ係数として使用できる。ある実施形態では、マスタキャリブレーションセットが利用できないときに、モデル化デバイスはマスタベータ係数をこのように取得できる。例えば、モデル化デバイスは、マスタキャリブレーションセットが利用できない（例えば、アクセス可能ではなく、閾サイズ又は複雑度レベルを超える）と判定でき、上述したように進行できる。

ある実施形態では、（例示的実施形態１００に関連して説明されるように）モデル化デバイスは、キャリブレーションモデル移行に関するｆＬＭＣ技術の使用とともに、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドへ挿入することに基づいて、マスタベータ係数を決定できる。これとともに又はこれに代えて、モデル化デバイスは、ＬＭＣ技術の使用とともに、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドへ挿入することに基づいて、マスタベータ係数を決定できる。言い換えれば、キャリブレーションモデル移行に関するｆＬＭＣ技術又はＬＭＣ技術の実施に伴って、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドへ挿入することができる。

例示的実施形態１００に関連するｆＬＭＣ技術に戻って、ある実施形態では、モデル化デバイスは、移行ベータ係数のセットに基づいて、最終的な移行ベータ係数を決定できる。最終的な移行ベータ係数は、移行キャリブレーションモデルを生成するために使用できるベータ係数である。後述するように、ある実施形態では、モデル化デバイスは、移行ベータ係数の各セットを、目的関数の制約最適化の各繰返しに基づいて決定できる。

ある実施形態では、各繰返しに関して、モデル化デバイスは、以下の目的関数に対する制約最適化を実施できる。

この関数は、以下の制約を伴う。

ここで、X_scoutはスカウティングセット（例えばターゲット装置が測定するスカウティングセットのスペクトル）であり、b_transA及びb_transBは所与の繰返しに関連する移行ベータ係数の対であり、b_masterはマスタベータ係数であり、ｒは制約閾値であり、minY_cal及びmaxY_calはターゲット装置に関連するキャリブレーション範囲を定める。

ある実施形態では、バリデーションセットを使用して、制約閾値ｒ（例えば、上述した式で説明される、相関制約及び／又は傾き制約）を最適化できる。このような場合に、制約閾値ｒのセットを反復的に使用でき、結果として生じる移行ベータ係数の決定とともに、最適なｒ（例えばバリデーションセットの予測の二乗平均平方根誤差（ＲＭＳＥＰ）に基づいて決定される）を使用できる。ある実施形態では、ｆＬＭＣ技術又はＬＭＣ技術とともにこの制約閾理の最適化を使用できる。

目的関数を確立するために、再現性概念を導入する。移行ベータ係数の対b_transA及びb_transBのそれぞれがスカウティングセットに適合できると仮定すると、b_transA及びb_transBを使用するスカウティングセットの予測値の差が小さくなるであろう。したがって、目的関数は、b_transA及びb_transBを用いて、スカウティングセットの予測値の自乗差を最小化する。この再現性概念を使用することで、スカウティングセットの基準値の必要性を取り除く。言い換えれば、この再現性概念のために、ｆＬＭＣ技術は（ＬＭＣ技術と異なり）スカウティングセットの基準値を要求しない。

有意義な結果を得るために、ある制約のセット下で目的関数の最小化を実施する必要がある。例えば、制約のセットは、マスタベータ係数（b_master）に関連する相関制約と、目的関数の制約最適化の所与の繰返しに関連する移行ベータ係数の対（b_transA及びb_transB）のそれぞれとを含み得る。この相関制約に従って、b_transAとb_masterとの間の相関、及びb_transBとb_masterとの間の相関は、閾値（例えばそれぞれ式（１）及び（２）によって示され、ここでｒは例えば０．９５以上となり得る）を満たすできである。

他の例として、制約のセットは、マスタベータ係数に関連する傾き制約と、目的関数の制約最適化の所与の繰返しに関連する移行ベータ係数の対のそれぞれとを含み得る。この傾き制約に従って、b_transAとb_masterとの間の傾き、及びb_transBとb_masterとの間の傾きは、閾値（例えばそれぞれ式（３）及び（４）によって示され、ここでｒは例えば０．９５以上となり得る）を満たすべきである。

他の例として、制約のセットは、スカウティングセットに関連する予測値に対するキャリブレーション範囲制約を含み得る。このキャリブレーション制約によれば、b_transAを用いて予測されるスカウティングセットの値（すなわちX_scoutb_transA）と、b_transBを用いて予測されるスカウティングセットの値（すなわちX_scoutb_transB）とは、キャリブレーション範囲（例えば式（５）及び（６）がそれぞれ示す範囲）内、又はスカウティングセットの基準値の近くの範囲内に存在するべきである。

上述した制約最適化手順の所与の繰返しを開始するために、b_transA及びb_transBの初期値（すなわちそれぞれb_transA0及びb_transB0）が必要である。ある実施形態では、モデル化デバイスは、移行ベータ係数の初期対のランダム生成に基づいて、移行ベータ係数の初期対を生成できる。これとともに、又はこれに代えて、モデル化デバイスは、ランダム値に関連付けられる、一次関数（例えばb_transA0, b_transB0 = m×b_master + n、ここでｍ及びｎは乱数である）のマスタベータ係数への適用に基づいて、移行ベータ係数の初期対を生成できる。これとともに、又はこれに代えて、モデル化デバイスは、ランダム値のマスタベータ係数への付加（例えばb_transA0, b_transB0 = b_master + n、ここでｎは乱数である）に基づいて、移行ベータ係数の初期対を生成できる。

制約最適化の所与の繰り返しに関して、モデル化デバイスは、初期移行ベータ係数の対（例えば、繰返しｉに対するb_transAi0及びb_transBi0、並びに繰返しkに対するb_transAk0及びb_transBk0）を生成でき、移行ベータ係数の対（例えば、繰返しｉに対するb_transAi及びb_transBi、並びに繰返しkに対するb_transAk及びb_transBk）を決定するために目的関数の制約最適化を実施できる。その後、モデル化デバイスは、移行ベータ係数の対に基づいて移行ベータ係数を決定できる（例えば繰返しｉに対するb_transi、及び繰返しkに対するb_transk）。例えば、繰返しｉに関して参照符号１１０で表すように、モデル化デバイスは、b_transAi0及びb_transBi0を生成でき、b_transAi及びb_transBiを決定するために目的関数の制約最適化を実施でき、繰返しｉに対する移行ベータ係数（b_transi）を（例えばb_transAi及びb_transBiの平均化に基づく）移行ベータ係数の対に基づいて決定できる。他の例として、繰返しｋに関して参照符号１１５で表すように、モデル化デバイスは、b_transAk0及びb_transBk0を生成でき、b_transAk及びb_transBkを決定するために目的関数の制約最適化を実施でき、繰返しｋに対する移行ベータ係数（b_transk）を（例えばb_transAk及びb_transBkの平均化に基づく）移行ベータ係数の対に基づいて決定できる。ここで、b_transi及びb_transkは、移行ベータ係数のセットに含まれ、移行ベータ係数のセットに基づいて、モデル化デバイスは最終移行ベータ係数（b_trans）を決定できる。

ある実施形態では、モデル化デバイスは、（例えば、移行ベータ係数の初期対のランダム化性質に基づくバイアス結果を回避するため）目的関数の制約最適化の多数の（例えば５、２０及び／又は１００等の）繰返しを実施するように構成され得る。

図１Ｂ及び符号１２０が表すように、モデル化デバイスは、移行ベータ係数のセットに基づいて、最終移行ベータ係数（b_trans）を決定できる。例えば、モデル化デバイスは、最終移行ベータ係数を、移行ベータ係数のセット（例えばb_transiからb_transk）の平均値、中央値及び／又は最頻値等として決定できる。

符号１２５が表すように、モデル化デバイスは、最終移行ベータ係数に基づいて、移行キャリブレーションモデルを生成できる。例えば、モデル化デバイスは、最終移行ベータ係数に基づいて、回帰モデル（例えばＰＬＳモデル及び／又はＰＣＲモデル等）を生成できる。符号１３０が表すように、モデル化デバイスは、移行キャリブレーションモデルをターゲット装置に提供でき（例えばターゲット装置は移行キャリブレーションモデルを使用でき）る。このようにして、モデル化デバイスは、スカウティングセットの基準値を必要とせず、スカウティングセットに関連するスペクトルを用いてモデル化デバイスが移行キャリブレーションモデルを生成できるようにする、ｆＬＭＣ技術を使用するように構成され得る。

上述した図１Ａ−１Ｃは、単なる例示として提供する。他の例が可能であり、他の例は図面１Ａ−１Ｃに関して説明した例とは相違し得る。

図２は、本明細書で説明するシステム及び／又は方法を実装できる例示的環境２００の図である。図２に表されるように、環境２００は、マスタ装置２０５と、ターゲット装置２１０と、モデル化装置２１５と、ネットワーク２２０と、を含み得る。環境２００のデバイスは、有線接続、無線接続又は有線接続及び無線接続の組み合わせによって相互に接続し得る。

マスタ装置２０５は、マスタキャリブレーションモデルとともに構成され、試料に対する分光計測を実施できるデバイスを含む。例えば、マスタ装置２０５は、分光法（例えば、近赤外（ＮＩＲ）分光法、中赤外（mid-IR）分光法又はラマン分光法等の振動分光法）を実施するデスクトップ（すなわち非手持ち式）分光計デバイスを含み得る。ある実施形態では、マスタ装置２０５は、ターゲット装置２１０が取得する分光測定値よりも高い分解能で分光測定値を取得できる（すなわち、マスタ装置２０５を高分解能デバイスとできる一方、ターゲット装置２１０を低分解能デバイスとできる）。例えば、マスタ装置２０５は４００チャンネルに対する分光測定値を取得できる一方、ターゲット装置２１０は１２５チャンネルに対する分光測定値を取得できる。ある実施形態では、マスタ装置２０５は、マスタ装置２０５が取得する分光測定値を較正するマスタキャリブレーションモデルとともに構成され得る。ある実施形態では、マスタ装置２０５は、環境２００において、デバイス２１５等の他のデバイスから情報を受信でき及び／又は当該他のデバイスへ情報を送信できる。

ターゲット装置２１０は、ターゲットキャリブレーションモデルに基づいて、試料に対する分光計測を実施できるデバイスを含み、ここで、本明細書で説明するように、マスタ装置２０５に関するマスタキャリブレーションモデルに関連する情報に基づいて、ターゲットキャリブレーションモデルを生成できる。例えば、ターゲット装置２１０は、分光法を実施する、携帯型分光器デバイス又は手持ち式分光器デバイスを含み得る。ある実施形態では、ターゲット装置２１０は、マスタ装置２０５が取得する分光測定値よりも低い分解能で分光測定値を取得できる。ある実施形態では、ターゲット装置２１０は、環境２００において、モデル化デバイス２１５等の他のデバイスから情報を受信でき及び／又は当該他のデバイスへ情報を送信できる。

モデル化デバイス２１５は、本明細書で説明するように、マスタ装置２０５からターゲット装置２１０へのマスタキャリブレーションモデルの移行（すなわち、マスタキャリブレーションモデルに対応する移行キャリブレーションモデルを生成する）及び／又は所与の装置（例えばマスタ装置２０５又はターゲット装置２１０）上で構成されるキャリブレーションモデルの更新に関連する動作を実施できるデバイスを含む。例えば、モデル化デバイス２１５は、サーバ、サーバのグループ、コンピュータ又はクラウドコンピューティングデバイス等を含み得る。ある実施形態では、モデル化デバイス２１５は、環境２００において、マスタ装置２０５及び／又はターゲット装置２１０等の他のデバイスから情報を受信でき及び／又は当該他のデバイスへ情報を送信できる。ある実施形態では、モデル化デバイス２１５及びマスタ装置２０５を単一のデバイス内に実装できる。あるいは、ある実施形態では、モデル化デバイス２１５及びターゲット装置２１０を単一のデバイス内に実装できる。

ネットワーク２２０は、１つ以上の有線及び／又は無線ネットワークを含む。例えば、ネットワーク２２０は、セルラーネットワーク（例えば新無線（ＮＲ／５Ｇ）ネットワーク、ロング・ターム・エヴォリューション（ＬＴＥ）ネットワーク、３Ｇネットワーク、符号分割多元接続（ＣＤＭＡ）ネットワーク、等）、地上波公共移動通信ネットワーク（ＰＬＭＮ）、ローカル・エリア・ネットワーク（ＬＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、電話ネットワーク（例えば公衆交換電話網（ＰＳＴＮ））、プライベートネットワーク、アドホックネットワーク、イントラネット、インターネット、光ファイバベースのネットワーク若しくはクラウドコンピューティングネットワーク等、及び／又はこれらの若しくは他の種類のネットワークの組み合わせを含み得る。

図２に表されるデバイス及びネットワークの数及び配置を例示として提供する。実際に、付加的なデバイス及び／若しくはネットワークが存在でき、より少ないデバイス及び／若しくはネットワークが存在でき、異なるデバイス及び／若しくはネットワークが存在でき、又は図２に表される配置とは異なる配置のデバイス及び／若しくはネットワークが存在できる。

さらに、図２に表される２つ以上のデバイスを単一のデバイス内に実装でき、又は図２に表される単一の装置を複数の分散型デバイスとして実装できる。例えば、マスタ装置２０５及びモデル化デバイス２１５を２つの分離したデバイスとして説明するが、マスタ装置２０５及びモデル化デバイス２１５を単一のデバイス内に実装できる。他の例として、ターゲット装置２１０及びモデル化デバイス２１５を単一のデバイス内に実装できる。これとともに又はこれに代えて、環境２００におけるデバイスのセット（例えば１つ以上のデバイス）は、環境２００におけるデバイスの他のセットが実施すると説明される１つ以上の機能を実施できる。

図３は、デバイス３００の例示的要素の図である。デバイス３００は、マスタ装置２０５、ターゲット装置２１０及び／又はモデル化デバイス２１５に相当し得る。ある実施形態では、マスタ装置２０５、ターゲット装置２１０及び／又はモデル化デバイス２１５は、１つ以上のデバイス３００及び／又はデバイス３００の１つ以上の要素を含み得る。図３に表すように、デバイス３００は、バス３１０と、プロセッサ３２０と、メモリ３３０と、記憶要素３４０と、入力要素３５０と、出力要素３６０と、通信インタフェース３７０とを含み得る。

バス３１０は、デバイス３００の要素間で通信を可能とする要素を含む。プロセッサ３２０は、ハードウェア、ファームウェア又はハードウェア及びファームウェアの組み合わせで実装される。プロセッサ３２０は、中央処理装置（ＣＰＵ）、グラフィック処理装置（ＧＰＵ）、アクセラレーテッド・プロセッシング・ユニット（ＡＰＵ）、マイクロプロセッサ、マイクロコントローラ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）又は他の種類の処理要素の形態をとる。ある実施形態では、プロセッサ３２０は、機能を実施するようにプログラム化できる１つ以上のプロセッサを含む。メモリ３３０は、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、並びに／又はプロセッサ３２０が使用するための情報及び／若しくは命令を記憶する他の種類の動的若しくは静的記憶デバイス（例えばフラッシュメモリ、磁気メモリ及び／又は光メモリ）を含む。

記憶装置３４０は、デバイス３００の動作及び使用に関する情報及び／又はソフトウェアを記憶する。例えば、記憶要素３４０は、ハードディスク（例えば、磁気ディスク、光ディスク、光磁気ディスク及び／又は固体ディスク）、コンパクトディスク（ＣＤ）、デジタル多目的ディスク（ＤＶＤ）、フロッピーディスク、カートリッジ、磁気テープ及び／又は他の種類の非一時的コンピュータ可読媒体を、対応ドライブと一緒に含み得る。

入力要素３５０は、デバイス３００が、例えばユーザ入力（例えば、タッチ・スクリーン・ディスプレイ、キーボード、キーパッド、マウス、ボタン、スイッチ及び／又はマイクロフォン）を経て、情報を受信可能とする要素を含む。これとともに又はこれに代えて、入力要素３５０は、情報を感知するセンサ（例えば全地球測位システム（ＧＰＳ）要素、加速度計、ジャイロスコープ及び／又はアクチュエータ）を含み得る。出力要素３６０は、装置３００からの出力情報を提供する要素（例えばディスプレイ、スピーカ及び／又は１つ以上の発光ダイオード（ＬＥＤｓ））を含む。

通信インタフェース３７０は、装置３００が例えば有線接続、無線接続又は有線接続及び無線接続の組み合わせにより他のデバイスと通信できるようにするトランシーバのような要素（例えばトランシーバ及び／又は分離したレシーバ及びトランスミッタ）を含む。通信インタフェース３７０は、デバイス３００が他のデバイスからの情報を受信可能及び／又は他のデバイスへ情報を提供可能とし得る。例えば、通信インタフェース３７０は、イーサネット（登録商標）インタフェース、光インタフェース、同軸インタフェース、赤外線インタフェース、無線周波数（ＲＦ）インタフェース、ユニバーサルシリアルバス（ＵＳＢ）インタフェース、Wi-Fi（登録商標）インタフェース又はセルラーネットワークインターフェース等を含み得る。

デバイス３００は、本明細書で説明する１つ以上のプロセスを実施し得る。デバイス３００は、メモリ３３０及び／又は記憶要素３４０等の非一時的コンピュータ可読媒体が記憶するソフトウェア命令を実行するプロセッサ３２０に基づいて、これらのプロセスを実施し得る。本明細書において、コンピュータ可読媒体は、非一時的メモリデバイスとして定義される。メモリデバイスは、単一の物理的記憶デバイス内のメモリ空間又は複数の物理的記憶デバイスにわたるメモリ空間を含む。

ソフトウェア命令は、他のコンピュータ可読媒体から又は他のデバイスから、通信インタフェース３７０を経て、メモリ３３０及び／又は記憶要素３４０に読み込まれ得る。メモリ３３０及び／又は記憶要素３４０に記憶されているソフトウェア命令は、実行されるときに、プロセッサ３２０に本明細書で説明する１つ以上のプロセスを実施させ得る。これとともに又はこれに代えて、ハードウェアにより実現されている回路を原位置で又はソフトウェア命令と組み合わせて使用して、本明細書で説明する１つ以上のプロセスを実施し得る。したがって、本明細書で説明する実装は、ハードウェア回路及びソフトウェアの特定の組み合わせに限定されるものではない。

図３に表される要素の数及び配置を例示として提供する。実際に、デバイス３００は、付加的な要素、より少ない要素、異なる要素又は図３に表される配置とは異なる配置の要素を含み得る。これとともに又はこれに代えて、デバイス３００における要素のセット（例えば１つ以上の要素）は、デバイス３００における他の要素のセットが実施すると説明される１つ以上の機能を実施できる。

図４は、本明細書で説明する移行キャリブレーションモデルを生成するための移行ベータ係数の決定に関連する、合焦線形モデル補正（ｆＬＭＣ）技術の例示的プロセス４００のフローチャートである。ある実施形態では、図４の１つ以上のプロセスブロックは、モデル化デバイス２１５によって実施され得る。ある実施形態では、図４の１つ以上のプロセスブロックは、モデル化デバイス２１５から分離した又はモデル化デバイス２１５を含む、他のデバイス又はデバイスのグループ（例えばマスタ装置２０５及び／又はターゲット装置２１０）によって実施され得る。

図４に表すように、プロセス４００は、マスタ装置に関連するマスタキャリブレーションモデルのマスタベータ係数を取得するステップを含むことができ、ここでマスタベータ係数はターゲット装置のグリッドに存在する（ブロック４１０）。例えば、モデル化デバイス２１５は、マスタ装置２０５に関連するマスタキャリブレーションモデルのマスタベータ係数を取得でき、ここで上述したようにマスタベータ係数はターゲット装置２１０のグリッドに存在する。

図４に更に表されるように、プロセス４００は、移行ベータ係数の対を決定するために制約のセットに伴って目的関数の制約最適化を実施するステップを含むことができ、ここで制約最適化は移行ベータ係数の初期対、マスタベータ係数及びスカウティングセットに関連するスペクトルに基づいて実施される（ブロック４２０）。例えば、モデル化デバイス２１５は、移行ベータ係数の対を決定するために制約のセットに伴う目的関数の制約最適化を実施でき、ここで上述したように制約最適化は移行ベータ係数の初期対、マスタベータ係数及びスカウティングセットに関連するスペクトルに基づいて実施される。

図４に更に表されるように、プロセス４００は、移行ベータ係数の対に基づいて移行ベータ係数を決定するステップ（ブロック４３０）を含み得る。例えば上述したように、モデル化デバイス２１５は、移行ベータ係数の対に基づいて移行ベータ係数を決定することができる。

図４に更に表されるように、プロセス４００は、移行ベータ係数を含む移行ベータ係数のセットに基づいて最終移行ベータ係数を決定するステップを含むことができ、ここで最終移行ベータ係数はターゲット装置が使用するための移行キャリブレーションモデルの生成に関連し、移行キャリブレーションモデルはマスタキャリブレーションモデルに対応する（ブロック４４０）。例えば、モデル化デバイス２１５は、移行ベータ係数を含む移行ベータ係数のセットに基づいて最終移行ベータ係数を決定することができ、ここで最終移行ベータ係数はターゲット装置２１０が使用するための移行キャリブレーションモデルの生成に関連し、移行キャリブレーションモデルはマスタキャリブレーションモデルに対応する。

プロセス４００は、後述し及び／又は本明細書の別の場所で説明される１つ以上の他のプロセスに関連する、任意の単一の実装又は実装の任意の組み合わせ等の、付加的な実装を含むことができる。

ある実施形態では、モデル化デバイス２１５及び／又はターゲット装置２１０は、最終移行ベータ係数に基づいて、移行キャリブレーションモデルを生成できる。

ある実施形態では、移行ベータ係数のセットは、他の少なくとも１つの移行ベータ係数を含む。当該移行ベータ係数はそれぞれ、移行ベータ係数の各初期対に基づく目的関数の制約最適化の各実施に基づいて決定される。

ある実施形態では、モデル化デバイス２１５は、マスタベータ係数を取得するときに、マスタ装置２０５のグリッドがターゲット装置２１０のグリッドと一致しているかどうか判定でき、マスタキャリブレーションモデルのベータ係数をマスタベータ係数として同定できる。

ある実施形態では、モデル化デバイス２１５は、マスタベータ係数を取得するときに、マスタ装置２０５のグリッドがターゲット装置２１０のグリッドと一致しないかどうかを判定でき、挿入キャリブレーションデータを生成するために、マスタ装置２０５のグリッドがターゲット装置２１０のグリッドと一致しないとの判定に基づいて、マスタキャリブレーションセットをターゲット装置２１０のグリッドに挿入でき、挿入キャリブレーションデータに基づいて回帰モデルを生み出すことができ、マスタベータ係数を回帰モデルのベータ係数として決定できる。

ある実施形態では、モデル化デバイス２１５は、マスタベータ係数を取得するときに、マスタ装置２０５のグリッドがターゲット装置２１０のグリッドと一致しないかどうかを判定でき、マスタ装置２０５のグリッドがターゲット装置２１０のグリッドと一致しないとの判定に基づいて、マスタキャリブレーションモデルのベータ係数をターゲット装置２１０のグリッドに挿入でき、マスタキャリブレーションモデルのベータ係数をターゲット装置２１０のグリッドに挿入した結果に基づいてマスタベータ係数を決定できる。ある実施形態では、マスタキャリブレーションモデルに関連するマスタキャリブレーションセットが利用できないという判定に基づいて、マスタキャリブレーションモデルのベータ係数をターゲット装置２１０のグリッドに挿入する。

ある実施形態では、制約のセットは、スカウティングセットに関連する予測値に対するキャリブレーション範囲制約に加えて、マスタベータ係数及び移行ベータ係数の対のそれぞれに関連する相関制約を含み、並びに／又はマスタベータ係数及び移行ベータ係数の対のそれぞれに関連する傾き制約を含む。

ある実施形態では、モデル化デバイス２１５は、移行ベータ係数の初期対のランダム生成に基づいて、ランダム値に関連する一次関数をマスタベータ係数に適用し、及び／又はランダム値をマスタベータ係数に加えて、移行ベータ係数の初期対を生成できる。

図４はプロセス４００の例示的ブロックを表すが、ある実施形態では、プロセス４００は付加的なブロック、より少ない数のブロック、異なるブロック又は図４に描写されるブロックとは異なる配置のブロックを含むことができる。これとともに又はこれに代えて、プロセス４００の２つ以上のブロックを並列に実施できる。

ｆＬＭＣ技術の有効性を示すために、サトウキビのブリックスに関するＰＬＳ回帰モデルを、ベンチトップ・フォス（ＦＯＳＳ）・ＮＩＲマスタ装置から携帯型MicroNIRターゲット装置に移行した。図５Ａ−５Ｃは、ｆＬＭＣ技術を用いる例示的キャリブレーションモデル移行の結果に関連する図である。

全体として、１７１２のフォス・スペクトルを使用して、マスタキャリブレーションモデルを構築した。これらのスペクトルはまず、MicroNIRグリッドに挿入された。これらの挿入されたキャリブレーションデータを用いて中間マスタキャリブレーションモデルを構築し、結果として生じるベータ係数をb_masterとして使用した。MicroNIR装置が収集する１２６のスペクトルが存在し、当該１２６のスペクトルから１５のスペクトルをスカウティングセットとして無作為に選択してｆＬＭＣを実施した。残りの１１１のスペクトルを外部バリデーションセットとして使用して、移行キャリブレーションモデルを検証した。移行キャリブレーションモデルの予測性能を、マスタキャリブレーションモデルの予測性能と、同じ１１１の試料からのフォス・バリデーションセットを用いて比較した。

図５Ａに表されるように、キャリブレーションモデルの移行がない場合、中間マスタキャリブレーションモデルを使用してMicroNIRバリデーションセットを予測するときに、予測の二乗平均平方根誤差（ＲＭＳＥＰ）は高かった。しかしながら、ｆＬＭＣ技術を用いてキャリブレーションモデル移行を実施したときに、図５Ｂに表すようにＲＭＳＥＰは著しく減少した。また、フォス・バリデーションセットに関するオリジナル・フォス・モデルを使用して、ＲＭＳＥＰを計算し、移行キャリブレーションモデルの性能を評価するベンチマークとして使用した。図５Ｃにおいて、移行キャリブレーションモデルによるバリデーションセットに対する、予測されるブリックス値と実験室ブリックス値との間の残差は、オリジナル・フォス・マスタキャリブレーションモデルの約±２ＲＭＳＥＰ内に留まることがわかった。このことは、約９５％の信頼度で、移行MicroNIRキャリブレーションが、フォス・キャリブレーションのオリジナル範囲内に存在することを示す。これらの結果は、ｆＬＭＣ技術を用いて生み出される移行キャリブレーションの性能が、オリジナル・フォス・マスタキャリブレーションモデルに近いこと（例えば、比較的広い波長範囲を有し、比較的高いスペクトル分解能を有すること）を示す。

さらに、比較のため、キャリブレーションモデル移行に関する２つの典型的な技術である、平均差補正（ＭＤＣ）技術及び区分的直接標準化（ＰＤＳ、piecewise direct standardization）技術を用いて、同じフォス・マスタキャリブレーションモデルをMicroNIRに移行した。これら２つの技術を適用するために、マスタ装置及びターゲット装置の両方からの、１５のスペクトルからなる移行セットを使用した。これらのスペクトルは、ｆＬＭＣ技術を使用したときにスカウティングセットで用いた試料と同じ試料からのスペクトルであった。ＭＤＣ及びＰＤＳそれぞれによる移行キャリブレーションモデルを使用した、同バリデーションセットに対するＲＭＳＥＰは、１．８０及び０．７２であった。このように、この場合では、ｆＬＭＣ技術は、ＭＤＣ技術よりも良好に振る舞い、ＰＤＳ技術よりも振る舞いが劣っていた。しかしながら、ＰＤＳ技術とは異なり、ｆＬＭＣ技術はマスタ装置上で移行セットを必要としないことにより、ｆＬＭＣ技術は類似する性能を達成しながら比較的低コスト及び／又は単純となる。

上述した図５Ａ−５Ｃは、単なる例示として提供する。他の例が可能であり、他の例は図５Ａ−５Ｃに関して説明した例とは相違し得る。

図６は、ｆＬＭＣ技術又はＬＭＣ技術を使用するためのマスタベータ係数を決定するために、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドに挿入する例示的プロセス６００のフローチャートである。ある実施形態では、図６の１つ以上のプロセスブロックは、モデル化デバイス２１５によって実施され得る。ある実施形態では、図６の１つ以上のプロセスブロックは、モデル化デバイス２１５から分離した又はモデル化デバイス２１５を含む、他のデバイス又はデバイスのグループ（例えばマスタ装置２０５及び／又はターゲット装置２１０）によって実施され得る。

図６に表すように、プロセス６００は、マスタキャリブレーションモデルと関連するマスタ装置のグリッドが、ターゲット装置のグリッドと一致していないと判定し、マスタキャリブレーションモデルに対応する移行キャリブレーションモデルが、ターゲット装置に対して生み出されること（ブロック６１０）を含み得る。例えば、モデル化デバイス２１５は、上述したように、マスタキャリブレーションモデルと関連するマスタ装置２０５のグリッドが、ターゲット装置２１０のグリッドと一致していないと判定することができ、マスタキャリブレーションモデルに対応する移行キャリブレーションモデルが、ターゲット装置２１０に対して生み出される。

図６に更に表すように、プロセス６００は、マスタ装置のグリッドがターゲット装置のグリッドと一致していないと判定することに基づいて、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドに挿入すること（ブロック６２０）を含み得る。例えば、モデル化デバイス２１５は、上述したように、マスタ装置２０５のグリッドがターゲット装置２１０のグリッドと一致していないと判定することに基づいて、マスタキャリブレーションモデルのベータ係数をターゲット装置２１０のグリッドに挿入し得る。

図６に更に表すように、プロセス６００は、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドに挿入した結果に基づいて、移行キャリブレーションモデルの生成に関連するマスタベータ係数を決定すること（ブロック６３０）を含み得る。例えば、モデル化デバイス２１５は、上述したように、マスタキャリブレーションモデルのベータ係数をターゲット装置２１０のグリッドに挿入した結果に基づいて、移行キャリブレーションモデルの生成に関連するマスタベータ係数を決定できる。

プロセス６００は、後述し及び／又は本明細書の別の場所で説明される１つ以上の他のプロセスに関連する、任意の単一の実装又は実装の任意の組み合わせ等の、付加的な実装を含むことができる。

ある実施形態では、マスタキャリブレーションモデルに関連するマスタキャリブレーションセットが利用できないと判定することに基づいて、マスタキャリブレーションモデルのベータ係数を、ターゲット装置２１０のグリッドに挿入する。

ある実施形態では、モデル化デバイス２１５は、移行ベータ係数の対を決定するために制約のセットに伴う目的関数の制約最適化を実施でき、ここで制約最適化は移行ベータ係数の初期対、マスタベータ係数及びスカウティングセットに関連するスペクトルに基づいて実施される。ここで、モデル化デバイスは、移行ベータ係数の対に基づいて移行ベータ係数を決定でき、移行ベータ係数を含む移行ベータ係数のセットに基づいて最終移行ベータ係数を決定できる。言い換えれば、ある実施形態では、モデル化デバイス２１５は、ｆＬＭＣ技術を用いて最終移行ベータ係数を決定できる。ある実施形態では、制約のセットは、マスタベータ係数及び移行ベータ係数の対のそれぞれに関連する相関制約と、マスタベータ係数及び移行ベータ係数の対のそれぞれに関連する傾き制約と、スカウティングセットに関連する予測値に対するキャリブレーション範囲制約と、を含む。ある実施形態では、モデル化デバイス２１５は、移行ベータ係数の初期対のランダム生成に基づいて、ランダム値に関連する一次関数をマスタベータ係数に適用し、又はランダム値をマスタベータ係数に加えて、移行ベータ係数の初期対を生成できる。

ある実施形態では、モデル化デバイス２１５は、マスタベータ係数に基づき線形モデル補正（ＬＭＣ）技術を使用して、移行キャリブレーションモデルの生成に関連する移行ベータ係数を決定できる。言い換えれば、ある実施形態では、モデル化デバイス２１５は、ＬＭＣ技術を用いて最終移行ベータ係数を決定できる。ある実施形態では、ＬＭＣ技術の使用に関連するスカウティングセットに対する基準値を、マスタキャリブレーションモデル及びマスタ移行セットに基づいて予測する。

図６はプロセス６００の例示的ブロックを表すが、ある実施形態では、プロセス６００は付加的なブロック、より少ない数のブロック、異なるブロック又は図６に描写されるブロックとは異なる配置のブロックを含むことができる。これとともに又はこれに代えて、プロセス６００の２つ以上のブロックを並列に実施できる。

ある実施形態では、上述したように、マスタキャリブレーションモデルのベータ係数を、ターゲット装置２１０のグリッドに挿入でき、マスタベータ係数として使用できる。例えば、ある実施形態では、この技術を、ＬＭＣ技術又はｆＬＭＣ技術と共に使用できる。図７Ａ−７Ｃ及び８Ａ−８Ｂは、キャリブレーションモデル移行の実施に関連し、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドに挿入し、ＬＭＣ技術及びｆＬＭＣ技術をそれぞれ使用するステップに関連する図である。

図５Ａ−５Ｃに関して上述したものと同じデータセットを用いて、マスタキャリブレーションモデルのベータ係数をマスタベータ係数としてターゲット装置のグリッドに挿入した結果を使用してＬＭＣ技術を実施した。その結果を図７Ａ−７Ｃに示す。ここでは、利用できるマスタキャリブレーションセットが存在しないため、中間マスタキャリブレーションモデルを構築できない。図７Ａに表すように、挿入されるベータ係数を直接使用して、ターゲット装置上でバリデーションセットを予測するときに、結果として生じるＲＭＳＥＰは高かった。図７Ｂに表すように、挿入されるベータ係数をマスタベータ係数として使用してＬＭＣ技術を実施するときに、ＲＭＳＥＰは著しく減少した。さらに、図７Ｃに表すように、移行キャリブレーションモデルによるバリデーションセットに対する、予測されるブリックス値と実験室ブリックス値との間の残差は、限定的な例外を有するものの、オリジナル・フォス・マスタキャリブレーションモデルの約±２ＲＭＳＥＰ内に留まった。

さらに、図５Ａ−５Ｃに関して上述したものと同じデータセットを用いて、マスタキャリブレーションモデルのベータ係数をターゲット装置のグリッドへの挿入した結果をマスタベータ係数として使用してｆＬＭＣ技術を実施した。その結果を図８Ａ及び８Ｂに表す。ＬＭＣ技術の使用と比較して性能がわずかに減少するが、（図５Ａに表すように）キャリブレーションモデル移行を実施しない場合よりもＲＭＳＥＰが著しく減少した。図８Ａに表すように、ＲＭＳＥＰは適度に低く、（バリデーションセットの平均ブリックス値に対して正規化された）正規化ＲＭＳＥＰは７．７％であった。さらに、図８Ｂに表すように、移行キャリブレーションモデルによるバリデーションセットに対する、予測されるブリックス値と実験室ブリックス値との間の残差の大部分は、オリジナル・フォス・マスタキャリブレーションモデルの約±２ＲＭＳＥＰ内に留まった。とりわけ、ｆＬＭＣ技術は、マスタキャリブレーションセットが利用できず、グリッドがマスタ装置とターゲット装置との間で相違し、ターゲット装置が移行のためにスカウティングセットのみを収集し、スカウティングセットに対する基準値が存在しない場合に使用できる唯一の技術である。ある実施形態では、キャリブレーションセットの更新によって、移行キャリブレーションモデルの性能を更に改善できる。

上述した図７Ａ−７Ｃ及び８Ａ−８Ｂを単に例示として提供する。他の例が可能であり、他の例は図７Ａ−７Ｃ及び８Ａ−８Ｂに関して説明した例とは相違し得る。

ある実施形態では、複数装置にわたってキャリブレーションモデルの標準化を達成するために、本明細書で説明する技術を使用できる。上述したように、同じ種類の装置又はデバイスに対して、一般に装置対装置の変動に直面する。したがって、１つの装置上でキャリブレーションモデルが開発されているが複数（例えば数百及び／又は数百万等）の装置上に展開する必要があるとき、装置対装置の変動が性能の不一致をもたらし得る。この課題に対して、典型的な方法を使用してキャリブレーションモデル移行を実施することは、特に装置が様々な場所に存在するときに、現実的でないことがある。この問題を解決するために、装置上でＬＭＣ技術及びｆＬＭＣ技術を構成できる。ここで、マスタキャリブレーションモデルをターゲット装置に引き渡すときに、ほんのわずかの試料からのスペクトルを収集する必要がある。（例えば、スカウティングセットに対する基準値が利用できるときに）ＬＭＣ技術を用いて、又は（例えば、スカウティングセットに対する基準値が利用できるかどうかにかかわらず）ｆＬＭＣ技術を用いて、キャリブレーションモデルを自動的に修正できる。

図９Ａ−９Ｄ、１０Ａ−１０Ｂ及び１１Ａ−１１Ｂは、複数装置にわたるキャリブレーションモデルの標準化の達成に関連する例示的結果を示す図である。図９Ａ−９Ｄ、１０Ａ−１０Ｂ及び１１Ａ−１１Ｂに関連する例では、MicroNIRデバイスからの生データを２つの異なる方法で較正して（データＡ及びデータＢ）、装置対装置の変動のシミュレーションをした。３８の混合試料からの７５９のスペクトルを使用して、キャリブレーションモデルを構築してカフェイン含有量を予測した。他の１０の混合試料からの２００のスペクトルをバリデーションセットとして使用した。図９Ａ及び９Ｂに表すように、キャリブレーションモデルＡを使用してバリデーションデータＡを予測するとき、又はキャリブレーションモデルＢを使用してバリデーションデータＢを予測するとき、性能は類似していた。しかしながら、図９Ｃに表すように、キャリブレーションモデルＡを使用してバリデーションデータＢを予測するとき、性能は悪化していた。図９Ｄに表すように、バリデーションセットＢに対する予測値と実験室値との間の多数の残差は、モデルＡを使用してバリデーションＡを予測するベンチマークの、±２ＲＭＳＥＰの範囲外に存在していた。

キャリブレーションセットＢから、３つの複製スペクトルを有する１０の試料をスカウティングセットとして無作為に選択し、ＬＭＣ技術及びｆＬＭＣ技術を実施した。図１０Ａに表すように、ＬＭＣ技術によってＲＭＳＥＰは著しく減少した。図１０Ｂに表すように、すべての予測残差は、モデルＡを使用してバリデーションＡを予測するベンチマークの、±２ＲＭＳＥＰの範囲内に存在した。図１１Ａに表すように、ｆＬＭＣ技術によってＲＭＳＥＰは同様に減少した。図１１Ｂに表すように、大多数の予測残差は、モデルＡを使用してバリデーションＡを予測するベンチマークの、±２ＲＭＳＥＰの範囲内に存在した。それゆえ、ＬＭＣ技術又はｆＬＭＣ技術を使用して装置対装置のモデル性能差を補正することが有効である。

実際に、わずか８つの試料をスカウティングセットとして使用したときに、ＬＭＣ技術及びｆＬＭＣ技術は有効である。とりわけ、図１０Ａ−Ｂ及び１１Ａ−Ｂの結果は、中間の性能の例である。スカウティング試料を無作為に選択して、ユーザ側の現実の試験シナリオをシミュレーションした。試料をスカウティングセットとして使用することで、最終性能結果に強い影響を与えた。またｆＬＭＣ技術は、ＬＭＣ技術ほど良好に振る舞わなかった。しかしながら、スカウティングセットに関して利用できる基準値が存在しないとき、ｆＬＭＣ技術はキャリブレーションモデル移行に使用できる唯一の技術である。

上述した図９Ａ−Ｄ、１０Ａ−Ｂ及び１１Ａ−Ｂを単に例示として提供する。他の例が可能であり、他の例は図９Ａ−Ｄ、１０Ａ−Ｂ及び１１Ａ−Ｂに関して説明した例とは相違し得る。

上述したように、ある場合には、試料をＬＭＣ技術用のスカウティングセットとして更新することで、ＬＭＣ技術をキャリブレーションモデルの更新に適用できる。とりわけ、これは（更新試料をキャリブレーションセットに追加してモデルを再調整する典型的なモデル更新技術が要求するように）すべてのキャリブレーションデータを要求するものではなく、かかる時間が比較的短く、キャリブレーションモデル更新を装置（例えば、マスタ装置２０５、ターゲット装置２１０）のオンライン動作中に実施できる。

図１２は、キャリブレーションモデル更新を実施するためにＬＭＣ技術を使用する例示的プロセス１２００のフローチャートである。ある実施形態では、図１２の１つ以上のプロセスブロックは、モデル化デバイス２１５によって実施され得る。ある実施形態では、図１２の１つ以上のプロセスブロックは、モデル化デバイス２１５から分離した又はモデル化デバイス２１５を含む、他のデバイス又はデバイスのグループ（例えばマスタ装置２０５及び／又はターゲット装置２１０）によって実施され得る。

図１２に表すように、プロセス１２００は、キャリブレーションモデル更新と関連するスカウティングセットを取得するステップを含むことができ、ここでスカウティングセットは試料のセットに関連するスペクトルを含み、当該スペクトルに基づいてキャリブレーションモデルを更新できる（ブロック１２１０）。例えば、モデル化デバイス２１５は、キャリブレーションモデル更新と関連するスカウティングセットを取得することができ、ここでスカウティングセットは試料のセットに関連するスペクトルを含み、当該スペクトルに基づいてキャリブレーションモデルを更新できる。

図１２に更に表すように、プロセス１２００は、キャリブレーションモデルに関連するベータ係数を決定するステップを含み得る（ブロック１２２０）。例えば、モデル化デバイス２１５は、キャリブレーションモデルに関連するベータ係数を決定できる。

図１２に更に表すように、プロセス１２００は、ベータ係数に基づきＬＭＣ技術を使用して、キャリブレーションモデル更新に関連する更新ベータ係数を決定するステップを含み得る（ブロック１２３０）。例えば、モデル化デバイス２１５は、ベータ係数に基づきＬＭＣ技術を使用して、キャリブレーションモデル更新に関連する更新ベータ係数を決定できる。

図１２に更に表すように、プロセス１２００は、更新ベータ係数に基づいてキャリブレーションモデルを更新するステップを含み得る（ブロック１２４０）。例えば、モデル化デバイス２１５は、（例えば、更新キャリブレーションモデルがキャリブレーションの実施に伴って更新ベータ係数を使用するように）更新ベータ係数に基づいてキャリブレーションモデルを更新できる。

プロセス１２００は、後述し及び／又は本明細書の別の場所で説明される１つ以上の他のプロセスに関連する、任意の単一の実装又は実装の任意の組み合わせ等の、付加的な実装を含み得る。

ある実施形態では、装置（例えば、マスタ装置２０５、ターゲット装置２１０）の動作中に、デバイスをオフラインにすることなく、キャリブレーションモデルの更新を実施する。

図１２はプロセス１２００の例示的ブロックを表すが、ある実施形態では、プロセス１２００は付加的なブロック、より少ない数のブロック、異なるブロック又は図１２に描写されるブロックとは異なる配置のブロックを含むことができる。これとともに又はこれに代えて、プロセス１２００の２つ以上のブロックを並列に実施できる。

図１３Ａ及び１３Ｂは、線形モデル補正技術を用いたキャリブレーションモデル更新の例示的結果を示す図である。

サトウキビに関するブリックスモデル（図７Ｂに関連して上述した）を更新するために、付加的な３０のMicroNIRスペクトルをスカウティングセットとして使用した。ここで、ＬＭＣ技術を適用してキャリブレーションモデルを更新した。図１３Ａは、この更新に関連し、図７Ｂで使用されるバリデーションセットと同じバリデーションセットに対する予測結果を表す図である。図１３で表すように、モデル性能が改善され、ＲＭＳＥＰが減少し、予測残差が減少した。

上述した図１３Ａ及び１３Ｂを単に例示として提供する。他の例が可能であり、他の例は図１３Ａ及び１３Ｂに関して説明した例とは相違し得る。

上述したように、ＬＭＣ技術は、スカウティングセットに対する基準値を要求する。マスタ装置２０５及びターゲット装置２１０の両方からの移行セットが利用できるが、これら試料に対する基準値が利用できないときに、ＬＭＣ技術を使用可能とするために、マスタキャリブレーションモデル及びマスタ移行セットを用いて基準値を予測できる。

図１４Ａ及び１４Ｂは、マスタキャリブレーションモデル及びマスタ移行セットを用いる基準値の予測に関連する例示的結果を示す図である。図１４Ａに表すように、図５Ａ−５Ｃに関するデータセットと同じデータセットを用いて、真の基準値を使用したときに、ＲＭＳＥＰは０．４４であった。図１４Ｂが表すように、マスタキャリブレーションモデル及びマスタ移行セットを用いて予測される基準値を使用したときに、ＲＭＳＥＰは０．８０であった。上述したように、予測される基準値を使用するＬＭＣ技術の性能は、真の基準値を使用するＬＭＣ技術の性能ほど良好ではないが、ＭＤＣ技術又はｆＬＭＣ技術を用いる場合と比較して性能が改善し、ＰＤＳ技術を用いる場合と類似していた。

上述した図１４Ａ及び１４Ｂを単に例示として提供する。他の例が可能であり、他の例は図１４Ａ及び１４Ｂに関して説明した例とは相違し得る。

本明細書で説明するある実装は、キャリブレーションモデル移行の実施に伴って使用できる合焦ＬＭＣ（ｆＬＭＣ）技術を提供する。ＬＭＣ技術と同様に、ｆＬＭＣ技術は、ターゲット装置が収集するスカウティングセットのみを要求する。しかしながら、ＬＭＣ技術と異なり、ｆＬＭＣ技術はスカウティングセットに対する基準値を要求しない。そうであるから、キャリブレーションモデル移行に伴いｆＬＭＣ技術を使用することで、（例えばＬＭＣ技術及び上述した典型的なキャリブレーションモデル移行技術と比較して）コストを削減し、及び／又はキャリブレーションモデル移行の複雑さを減少する。

本明細書で説明されるいくつかの実装は、ｆＬＭＣ技術又はＬＭＣ技術が、マスタキャリブレーションセットを必要とせずに、キャリブレーションモデル移行の実施に伴い、マスタキャリブレーションモデルのベータ係数を使用する手順を提供する。

本明細書で説明されるいくつかの実装は、ＬＭＣ技術を使用してモデルを更新するための手順を提供する。

前述の開示は、図解及び説明を提供するが、網羅することを意図するものではなく、又は実施形態を開示される正確な形態に限定することを意図するものではない。上述した開示を考慮して変更及び変形が可能であり、実施形態を実施するために変更及び変形が必要となることがある。

本明細書で使用される用語「要素」は、ハードウェア、ファームウェア及び／又はハードウェアとファームウェアとの組み合わせとして広義に解釈されることを意図する。

本明細書で説明するある実施形態は、閾値に関連する。本明細書で使用される閾値を満たすとは、値が、閾値よりも大きくなること、閾値を超えること、閾値よりも多くなること、閾値よりも高くなること、閾値以上となること、閾値未満となること、閾値よりも少なくなること、閾値よりも低くなること、閾値以下となること又は閾値に等しくなること等を指すことができる。

本明細書で説明するシステム及び／又は方法をハードウェア、ファームウェア又はハードウェア及びソフトウェアの組み合わせの様々な形態で実装できることが明らかであろう。これらシステム及び／又は方法を実装するために使用される、実際上特殊化される制御ハードウェア又はソフトウェアコードは、実施形態を限定するものではない。したがって、本明細書では、特定のソフトウェアコードに言及することなく、システム及び／又は方法の動作及び振る舞いを説明した。本明細書の説明に基づいて、ソフトウェア及びハードウェアを設計して、システム及び／又は方法を実装できることが理解される。

たとえ構成の特別な組み合わせが、特許請求の範囲に記載されており、及び／又は明細書に開示されているとしても、これらの組み合わせは、可能な実施形態の開示を限定することを意図するものではない。実際に、これら構成の多数を、具体的に特許請求の範囲に記載されておらず、及び／又は明細書に開示されていない方法で組み合わせることができる。後述する各従属項は１つのみの請求項に直接従属することがあるが、可能な実施形態の開示は、各請求項の、請求項のセットのあらゆる他の請求項との組み合わせを含む。

本明細書で明確にそのように記載されていない限り、本明細書で使用される要素、行為及び命令は決定的又は必須ではないと解釈すべきである。また、本明細書で使用される冠詞“ａ”及び“ａｎ”は、１つ以上の項目を含むことを意図し、“ｏｎｅ ｏｒ ｍｏｒｅ（１つ以上）”と交換可能に使用できる。さらに、本明細書で使用される用語「セット」は、１つ以上の項目（例えば、関連項目、無関連項目、関連項目及び無関連項目の組み合わせ等）を含むことを意図し、“ｏｎｅ ｏｒ ｍｏｒｅ（１つ以上）”と交換可能に使用できる。１つの項目のみを意図する場合、用語“ｏｎｅ（１つの）”または類似する用語を使用する。また、本明細書で使用される用語“has”、“have”又は“having”（有する）等は、オープンエンドの用語であることを意図する。さらに、明確に別段の定めがない限り、句「基づいて」は、「少なくとも部分的に基づく」意味であることを意図する。

Claims (20)

1. デバイスが、マスタ装置に関連するマスタキャリブレーションモデルのマスタベータ係数を取得する取得ステップと、
   前記デバイスが、移行ベータ係数の対を決定するために、制約のセットに従って目的関数の制約最適化を実施する実施ステップと、
   前記デバイスが、前記移行ベータ係数の対に基づいて、移行ベータ係数を決定する移行ベータ係数決定ステップと、
   前記デバイスが、前記移行ベータ係数を含む移行ベータ係数のセットに基づいて、最終移行ベータ係数を決定する最終移行ベータ係数決定ステップと、
   を含む方法であり、
   前記マスタベータ係数がターゲット装置のグリッドに存在し、
   前記制約最適化は、移行ベータ係数の初期対、前記マスタベータ係数及びスカウティングセットに関連するスペクトルに基づいて実施され、
   前記最終移行ベータ係数が、前記マスタキャリブレーションモデルに対応し、前記ターゲット装置が使用するための、移行キャリブレーションモデルの生成と関連する、
   方法。
2. 前記移行キャリブレーションモデルが前記最終移行ベータ係数に基づいて生成される、請求項１に記載の方法。
3. 前記移行ベータ係数の前記セットが、他の少なくとも１つの移行ベータ係数を含み、
   前記他の少なくとも１つの移行ベータ係数がそれぞれ、移行ベータ係数の各初期対に基づく、前記目的関数の制約最適化の各実施に基づいて決定される、請求項１に記載の方法。
4. 前記取得ステップが、
   前記マスタ装置のグリッドが前記ターゲット装置の前記グリッドに一致すると判定するステップと、
   前記マスタキャリブレーションモデルのベータ係数を前記マスタベータ係数として同定するステップと、
   を含む、請求項１に記載の方法。
5. 前記取得ステップが、
   前記マスタ装置のグリッドが前記ターゲット装置の前記グリッドに一致しないと判定するステップと、
   前記マスタ装置の前記グリッドが前記ターゲット装置の前記グリッドに一致しないとの判定に基づいて、挿入キャリブレーションデータを生み出すために、マスタキャリブレーションセットを前記ターゲット装置の前記グリッドに挿入するステップと、
   前記挿入キャリブレーションデータに基づいて、回帰モデルを生成するステップと、
   前記マスタベータ係数を前記回帰モデルのベータ係数として決定するステップと、
   を含む、請求項１に記載の方法。
6. 前記取得ステップが、前記マスタ装置のグリッドが前記ターゲット装置の前記グリッドと一致しないと判定するステップと、
   前記マスタ装置の前記グリッドが前記ターゲット装置の前記グリッドに一致しないとの判定に基づいて、前記マスタキャリブレーションモデルのベータ係数を前記ターゲット装置の前記グリッドに挿入するステップと、
   前記マスタキャリブレーションモデルの前記ベータ係数を前記ターゲット装置の前記グリッドに挿入した結果に基づいて、前記マスタベータ係数を決定するステップと、
   を含む、請求項１に記載の方法。
7. 前記マスタキャリブレーションモデルに関連するマスタキャリブレーションセットが利用できないとの判定に基づいて、前記マスタキャリブレーションモデルの前記ベータ係数を、前記ターゲット装置の前記グリッドに挿入する、請求項６に記載の方法。
8. 前記制約のセットは、前記マスタベータ係数と前記移行ベータ係数の前記対のそれぞれとに関連する相関制約を含む、請求項１に記載の方法。
9. 前記制約のセットは、前記マスタベータ係数と前記移行ベータ係数の前記対のそれぞれとに関連する傾き制約を含む、請求項１に記載の方法。
10. 前記制約のセットは、前記スカウティングセットに関連する予測値に対するキャリブレーション範囲制約を含む、請求項１に記載の方法。
11. 前記移行ベータ係数の初期対をランダム生成するステップ、ランダム値に関連する一次関数を前記マスタベータ係数に適用するステップ、又はランダム値を前記マスタベータ係数に付加するステップ、の少なくとも１つに基づいて、前記移行ベータ係数の初期対を生成するステップを更に含む、請求項１に記載の方法。
12. マスタキャリブレーションモデルと関連するマスタ装置のグリッドがターゲット装置のグリッドと一致しないと、デバイスが判定するステップと、
    前記デバイスが、前記マスタ装置の前記グリッドが前記ターゲット装置の前記グリッドに一致しないとの判定に基づいて、前記マスタキャリブレーションモデルのベータ係数を前記ターゲット装置の前記グリッドに挿入するステップと、
    前記デバイスが、前記マスタキャリブレーションモデルの前記ベータ係数を前記ターゲット装置の前記グリッドに挿入した結果に基づいて、移行キャリブレーションモデルの生成に関連するマスタベータ係数を決定するステップと、
    を含む方法であり、
    前記マスタキャリブレーションモデルに対応する前記移行キャリブレーションモデルが前記ターゲット装置のために生成される、
    方法。
13. 前記マスタキャリブレーションモデルに関連するマスタキャリブレーションセットが利用できないとの判定に基づいて、前記マスタキャリブレーションモデルの前記ベータ係数を、前記ターゲット装置の前記グリッドに挿入する、請求項１２に記載の方法。
14. 移行ベータ係数の対を決定するために、制約のセットに伴って目的関数の制約最適化を実施するステップと、
    前記移行ベータ係数の対に基づいて、移行ベータ係数を決定するステップと、
    前記移行ベータ係数を含む移行ベータ係数のセットに基づいて、最終移行ベータ係数を決定するステップと、
    前記最終移行ベータ係数に基づいて、前記移行キャリブレーションモデルを生成するステップと、
    を更に含む方法であり、
    移行ベータ係数の初期対、前記マスタベータ係数及びスカウティングセットに関連するスペクトルに基づいて前記制約最適化を実施する、請求項１２に記載の方法。
15. 前記制約のセットは、
    前記マスタベータ係数及び前記移行ベータ係数の対のそれぞれに関連する相関制約と、
    前記マスタベータ係数及び前記移行ベータ係数の対のそれぞれに関連する傾き制約と、
    前記スカウティングセットに関連する予測値に対するキャリブレーション範囲制約と、
    を含む、請求項１４に記載の方法。
16. 前記移行ベータ係数の初期対をランダム生成するステップ、ランダム値に関連する一次関数を前記マスタベータ係数に適用するステップ、又はランダム値を前記マスタベータ係数に付加するステップ、の少なくとも１つに基づいて、前記移行ベータ係数の初期対を生成するステップを更に含む、請求項１４に記載の方法。
17. 前記マスタベータ係数に基づき、線形モデル補正（ＬＭＣ）技術を用いて、前記移行キャリブレーションモデルに関連する移行ベータ係数を決定するステップと、
    前記移行ベータ係数に基づいて、前記移行キャリブレーションモデルを生成するステップと、を更に含む、請求項１２に記載の方法。
18. 前記ＬＭＣ技術の使用に伴い、前記マスタキャリブレーションモデル及びマスタ移行セットに基づいて、スカウティングセットに対する基準値を予測する、請求項１７に記載の方法。
19. デバイスが、キャリブレーションモデルの更新に関連するスカウティングセットを取得するステップと、
    前記デバイスが、前記キャリブレーションモデルに関連するベータ係数を決定するステップと、
    前記デバイスが、前記ベータ係数に基づき線形モデル補正（ＬＭＣ）技術を用いて、前記キャリブレーションモデルの更新に関連する更新ベータ係数を決定するステップと、
    前記デバイスが、前記更新ベータ係数に基づいて、前記キャリブレーションモデルを更新するステップと、
    を含む方法であり、
    前記スカウティングセットが試料のセットと関連するスペクトルを含み、前記スペクトルに基づいて前記キャリブレーションモデルを更新する、方法。
20. 前記キャリブレーションモデルの更新が前記デバイスの動作中に実施される、請求項１９に記載の方法。