JP7239300B2

JP7239300B2 - スペクトル分析装置およびスペクトル分析方法

Info

Publication number: JP7239300B2
Application number: JP2018206465A
Authority: JP
Inventors: 誠史福原; 一彦藤原; 芳弘丸山
Original assignee: Hamamatsu Photonics KK
Current assignee: Hamamatsu Photonics KK
Priority date: 2018-11-01
Filing date: 2018-11-01
Publication date: 2023-03-14
Anticipated expiration: 2038-11-01
Also published as: TW202035972A; JP2020071166A; WO2020090336A1; TWI818101B

Description

本発明は、分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する装置および方法に関するものである。

分析対象物で生じる光のスペクトルは、分析対象物に含まれる成分の種類または割合に応じた形状を有する。したがって、分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析することができる。分析対象物で生じる光のスペクトルには、分析対象物への光照射に応じて該分析対象物で生じる光（例えば、反射光、透過光、散乱光、蛍光、非線形光学現象（例えばラマン散乱等）により生じる光）のスペクトルが含まれ、また、分析対象物における化学反応により生じる化学発光のスペクトルが含まれる。さらに、光のスペクトルには、透過光または反射光から得られる屈折率または吸収係数のスペクトルも含まれる。ここでいう光は、紫外光、可視光、赤外光に限られるものではなく、例えばテラヘルツ波等をも含む。

従来では、このようなスペクトル分析を行う際に多変量解析が用いられてきた。多変量解析として、主成分分析、分類器、回帰分析等が用いられ、これらを組み合わせた解析手法も知られている。また、特許文献１には、深層ニューラルネットワーク（Deep Neural Network）を用いてスペクトル分析を行う旨の示唆がある。深層ニューラルネットワークを用いれば高効率で高精度の画像認識等が可能であるので（非特許文献１参照）、深層ニューラルネットワークを用いてスペクトル分析を行うことができれば、多変量解析を用いる場合と比べて高効率で高精度の分析が可能になると期待される。

特開２０１７－９０１３０号公報

Russakovsky, O.; Deng, J.; Su,H.; Krause, J.; Satheesh, S.; Ma, S.; Huang, Z.; Karpathy, A.; Khosla, A.;Bernstein, M.; Berg, A. C.; Fei-Fei, L.; Int. J. Comput. Vis. 2015, 115,211-252.

しかし、特許文献１には、深層ニューラルネットワークを用いてスペクトル分析を行う際の具体的な手順について何ら記載がない。また、非特許文献１には、深層ニューラルネットワークを用いてスペクトル分析を行う旨の示唆はない。

本発明は、上記問題点を解消する為になされたものであり、高効率で高精度のスペクトル分析を行うことができる装置および方法を提供することを目的とする。

本発明のスペクトル分析装置は、複数の基準物のうちの何れか１または２以上の基準物を含む分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する装置であって、(1) 等価的に複数のセルが鎖状に接続されたモデルで表される再帰型ニューラルネットワークを有する処理部と、(2) 再帰型ニューラルネットワークの各セルに光のスペクトルのデータを１つずつ入力させる入力部と、(3) 分析対象物で生じた光のスペクトルのデータを入力部により再帰型ニューラルネットワークに入力させたときに再帰型ニューラルネットワークから出力されるデータに基づいて分析対象物を分析する分析部と、を備える。

処理部は、再帰型ニューラルネットワークとしてＬＳＴＭネットワークを有するのが好適である。入力部は、スペクトルのピーク強度が所定値となるようにスペクトルを規格化して、当該規格化後のスペクトルのデータを再帰型ニューラルネットワークに入力させるのが好適である。

本発明のスペクトル分析装置は、複数の基準物それぞれで生じた光のスペクトルのデータを入力部により再帰型ニューラルネットワークに入力させて、再帰型ニューラルネットワークを学習させる学習部を更に備えるのが好適である。学習部は、複数の基準物のうちの何れか１または２以上の基準物を含み混合割合が既知である混合物で生じる光のスペクトルのデータを入力部により再帰型ニューラルネットワークに入力させて、混合割合を用いて再帰型ニューラルネットワークを学習させるのが好適である。

分析部は、再帰型ニューラルネットワークから出力されるデータに基づいて分析対象物を複数の基準物のうちの何れか一つに分類するのが好適である。また、分析部は、再帰型ニューラルネットワークから出力されるデータに基づいて分析対象物に含まれる基準物の混合割合を求めるのも好適である。

本発明のスペクトル分析方法は、複数の基準物のうちの何れか１または２以上の基準物を含む分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する方法であって、(1) 等価的に複数のセルが鎖状に接続されたモデルで表される再帰型ニューラルネットワークの各セルに光のスペクトルのデータを１つずつ入力させる入力ステップと、(2) 分析対象物で生じた光のスペクトルのデータを入力ステップにおいて再帰型ニューラルネットワークに入力させたときに再帰型ニューラルネットワークから出力されるデータに基づいて分析対象物を分析する分析ステップと、を備える。

本発明のスペクトル分析方法は、再帰型ニューラルネットワークとしてＬＳＴＭネットワークを用いるのが好適である。入力ステップにおいて、スペクトルのピーク強度が所定値となるようにスペクトルを規格化して、当該規格化後のスペクトルのデータを再帰型ニューラルネットワークに入力させるのが好適である。

本発明のスペクトル分析方法は、複数の基準物それぞれで生じた光のスペクトルのデータを入力ステップにおいて再帰型ニューラルネットワークに入力させて、再帰型ニューラルネットワークを学習させる学習ステップを更に備えるのが好適である。学習ステップにおいて、複数の基準物のうちの何れか１または２以上の基準物を含み混合割合が既知である混合物で生じる光のスペクトルのデータを入力ステップにおいて再帰型ニューラルネットワークに入力させて、混合割合を用いて再帰型ニューラルネットワークを学習させるのが好適である。

分析ステップにおいて、再帰型ニューラルネットワークから出力されるデータに基づいて分析対象物を複数の基準物のうちの何れか一つに分類するのが好適である。また、分析ステップにおいて、再帰型ニューラルネットワークから出力されるデータに基づいて分析対象物に含まれる基準物の混合割合を求めるのも好適である。

本発明によれば、高効率で高精度のスペクトル分析を行うことができる。

図１は、スペクトル分析装置１の構成を示す図である。図２は、基準物としての各アミノ酸粉末のラマンスペクトルの例を示す図である。図３は、分析対象物としてのアラニンのラマンスペクトルの例を示す図である。図４は、ＬＳＴＭのモデルの例を示す図である。図５は、第１実施例の分類結果を表す混同行列を示す図である。図６は、第１比較例の分類結果を表す混同行列を示す図である。図７は、グルタミンとグルタミン酸との混合物のラマンスペクトルの例を示す図である。図８は、Stacked ＬＳＴＭのモデルの例を示す図である。図９は、第２実施例の定量結果を示す図である。図１０は、第２比較例の定量結果を示す図である。図１１は、第３実施例の分類結果を表す混同行列を示す図である。

以下、添付図面を参照して、本発明を実施するための形態を詳細に説明する。なお、図面の説明において同一の要素には同一の符号を付し、重複する説明を省略する。本発明は、これらの例示に限定されるものではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

図１は、スペクトル分析装置１の構成を示す図である。スペクトル分析装置１は、複数の基準物のうちの何れか１または２以上の基準物を含む分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する装置であって、処理部１０、入力部２０、学習部３０および分析部４０を備える。

処理部１０は、深層ニューラルネットワークの一種である再帰型ニューラルネットワーク（ＲＮＮ: Recurrent Neural Network）を有する。ＲＮＮは、セルの出力の一部を該セルに再帰的に入力させるものであり、等価的には複数のセルが鎖状に接続されたモデルで表される。処理部１０は、ＲＮＮの一種であるＬＳＴＭ（Long Short-Term Memory）ネットワークを有するのが好適である。以下では、これを単に「ＬＳＴＭ」という。また、処理部１０は、ＬＳＴＭの一種であるStacked ＬＳＴＭを有するのも好適である。処理部１０は、ＲＮＮにおける処理をＣＰＵ（Central Processing Unit）により行ってもよいが、より高速な処理が可能なＤＳＰ（Digital Signal Processor）またはＧＰＵ（Graphics Processing Unit）により行うのが好適である。

入力部２０は、ＲＮＮの各セルに、基準物または分析対象物で生じた光のスペクトルのデータを１つずつ入力させる。スペクトルは、波長、波数または周波数をパラメタとする複数のデータの集合である。入力部２０は、スペクトルのピーク強度が所定値となるようにスペクトルを規格化して、当該規格化後のスペクトルのデータをＲＮＮに入力させるのが好適である。

学習部３０は、複数の基準物それぞれで生じた光のスペクトルのデータを学習用データとして入力部２０によりＲＮＮに入力させて、ＲＮＮを学習させる。また、学習部３０は、複数の基準物のうちの何れか１または２以上の基準物を含み混合割合が既知である混合物で生じる光のスペクトルのデータを学習用データとして入力部２０によりＲＮＮに入力させて、既知の混合割合を用いてＲＮＮを学習させる。このような深層ニューラルネットワークの学習は深層学習（Deep Learning）と呼ばれる。

分析部４０は、分析対象物で生じた光のスペクトルのデータを入力部２０によりＲＮＮに入力させたときにＲＮＮから出力されるデータに基づいて分析対象物を分析する。分析部４０は、ＲＮＮから出力されるデータに基づいて分析対象物を複数の基準物のうちの何れか一つに分類する。また、分析部４０は、ＲＮＮから出力されるデータに基づいて分析対象物に含まれる基準物の混合割合を求める。

ＬＳＴＭおよびStacked ＬＳＴＭを含むＲＮＮは、これまでにも時系列データおよび音声データ等の処理に用いられている。従来では、ＲＮＮの各セルにはベクトルデータが入力されていた。例えば、入力データが音声データである場合、ＲＮＮの各セルには或る時刻の音声スペクトル（ベクトルデータ）が入力されていた。

これに対して、本実施形態では、入力部２０は、ＲＮＮの各セルにスカラーデータを入力させる。具体的には、分光器により測定された光のスペクトルがＮ個のデータＤ(1)～Ｄ(N)からなるとし、そのうちの第ｎデータＤ(n)が第ｎチャネルのデータであるとする。また、ＲＮＮのモデルにおいて鎖状に接続された複数のセルのうち第ｎセルをＣ(n)と表す。このとき、入力部２０は、例えば、第ｎデータＤ(n)を第ｎセルＣ(n)に入力させる。また、入力部２０は、スペクトルのデータの間引き、トリミング、任意の値の補填などを行ってもよい。入力部２０は、数値解析の分野で用いられる補間方法（スプライン補間，ラグランジュ補間，Akima補間など）または画像処理の分野で用いられる圧縮方法（Wavelet変換，離散コサイン変換など）により、学習用データおよび分析対象データを互いに同じ個数とするのも好ましい。

入力部２０は、一般に第ｎデータＤ(n)を第(ｎ＋δ)セルＣ(n+δ)に入力させてもよい。δは０または正負の整数である。δは、学習部３０による学習ステップおよび分析部４０による分析ステップの双方において固定値としてもよい。δは、学習ステップにおいて固定値とし、分析ステップにおいては分析対象データの入力の度に変化してもよい。

スペクトル分析装置１は、分析対象のスペクトルの選択、分析開始の指示および分析条件の選択等を受け付ける入力装置を備えていてもよい。入力装置は例えばキーボードまたはマウス等である。また、スペクトル分析装置１は、分析結果等を表示する表示装置を備えていてもよい。表示装置は例えば液晶ディスプレイ等である。スペクトル分析装置１は、分析対象のスペクトルおよび分析結果等を記憶する記憶装置を備えていてもよい。スペクトル分析装置１は、コンピュータを含む構成とすることができる。

このようなスペクトル分析装置１を用いたスペクトル分析方法は、入力部２０による入力ステップ、学習部３０による学習ステップ、および、分析部４０による分析ステップを備える。すなわち、入力ステップにおいて、ＲＮＮの各セルに、基準物または分析対象物で生じた光のスペクトルのデータを１つずつ入力させる。学習ステップにおいて、複数の基準物それぞれで生じた光のスペクトルのデータを学習用データとしてＲＮＮに入力させて、ＲＮＮを学習させる。分析ステップにおいて、分析対象物で生じた光のスペクトルのデータを分析対象データとしてＲＮＮに入力させて、ＲＮＮから出力されるデータに基づいて分析対象物を分析する。

学習ステップにおいてＲＮＮの学習を一度行っておけば以降は分析ステップを繰り返して行うことができるので、分析ステップを行う度に学習ステップを行う必要はない。同様の理由で、ＲＮＮが学習済みであれば学習部３０は不要である。

本実施形態では、スペクトルのデータをＲＮＮに入力させてスペクトル分析を行うので、複雑な分類を行う場合、および、大量のスペクトルの分類を行う場合などであっても、高効率で高精度のスペクトル分析を安定して行うことができる。また、本実施形態では、ＲＮＮを用いて定量分析を行うことができる。

次に、第１～第４の実施例について説明する。各実施例では、基準物として以下の２０種類のアミノ酸粉末を用いた。分析対象物として、これら２０種類のアミノ酸粉末のうちの何れか１種類または２種類のアミノ酸粉末を含むものを用いた。
アラニン(Ala)、アルギニン(Arg)、アスパラギン(Asn)、アスパラギン酸(Asp)
システイン(Cys)、グルタミン(Gln)、グルタミン酸(Glu)、グリシン(Gly)
ヒスチジン(His)、ソロイシン(Ile)、ロイシン(Leu)、リシン(Lys)
メチオニン(Met)、フェニルアラニン(Phe)、プロリン(Pro)、セリン(Ser)
トレオニン(Thr)、トリプトファン(Trp)、チロシン(Tyr)、バリン(Val)

基準物および分析対象物に中心波長７８５ｎｍのレーザ光を照射し、そのときに生じたラマン散乱光の強度をラマンシフト量（波数）の各値において測定して、ラマンスペクトルを求めた。各ラマンスペクトルについてピーク強度が所定値となるように規格化を行い、その規格化後のラマンスペクトルのデータをＲＮＮに入力させた。ＲＮＮへのデータ入力に際しては、ラマンスペクトルの第ｎチャネルのデータである第ｎデータＤ(n)を、ＲＮＮのモデルにおいて鎖状に接続された複数のセルのうちの第ｎセルＣ(n)に入力させた。

第１実施例では、ＲＮＮとしてＬＳＴＭを用いて、分析対象物を２０種類の基準物のうちの何れか一つに分類した。

学習ステップにおいて、基準物としての各アミノ酸粉末について５０個のラマンスペクトルを学習用データとして用いた。学習用データの総数は１０００（＝５０×２０種類）であった。学習用データとして用いたラマンスペクトルは、信号雑音比（ＳＮ: signal-to-noise ratio）が高いものであった。例えばアラニンについて説明すると、アラニンのみからなるアミノ酸粉末のラマンスペクトルのデータをＬＳＴＭに入力させ、アラニンの学習用ラベルを値１とするとともに、他のアミノ酸粉末の学習ラベルを値０として、ＬＳＴＭを学習させた。

分析ステップにおいて、分析対象物としての各アミノ酸粉末について４０個のラマンスペクトルを分析対象データとして用いた。分析対象データの総数は８００（＝４０×２０種類）であった。例えばアラニンについて説明すると、アラニンのみからなるアミノ酸粉末のラマンスペクトルをＳＮが異なる４種類用意し、各ラマンスペクトルのデータをＬＳＴＭに入力させて、ＬＳＴＭから出力ラベルを出力させた。

図２は、基準物としての各アミノ酸粉末のラマンスペクトルの例を示す図である。図３は、分析対象物としてのアラニンのラマンスペクトルの例を示す図である。この図３は、ＳＮ比が異なる４つのラマンスペクトルを示している。

図４は、ＬＳＴＭのモデルの例を示す図である。この図は、分析対象物をアラニンとしたときに測定されたラマンスペクトルの第ｎデータＤ(n)をＬＳＴＭのモデルの第ｎセルＣ(n)に入力させることを示している。また、この図は、ＬＳＴＭから出力される出力ラベルは、アラニン(Ala)が０.８５であり、アルギニン(Arg)が０.０５であり、アスパラギン(Asn)が０.０１であることを示している。この図の例では、ＬＳＴＭから出力される各アミノ酸粉末の出力ラベルのうちアラニンの出力ラベルの値が最も大きいので、分析対象物がアラニンであると分類される。

第１実施例と比較するための第１比較例では、以下のようにして、多変量解析により分析対象物を２０種類の基準物のうちの何れか一つに分類した。すなわち、学習用データに主成分分析（ＰＣＡ: Principal Component Analysis）を施した結果に基づいて、サポートベクターマシン（ＳＶＭ: Support Vector Machine）により２０クラスのパターン識別器を構成した。ＰＣＡの主成分数は１８であり、ＰＣＡの寄与率は０.７９であった。ＳＶＭによるパターン識別器に分析対象データを入力させた。

図５は、第１実施例の分類結果を表す混同行列を示す図である。図６は、第１比較例の分類結果を表す混同行列を示す図である。第１実施例の分類では正答率は９８.５％であった。第１比較例の分類では正答率は９８.１２５％であった。第１実施例と第１比較例とは同程度の分類精度が得られた。

第２実施例では、ＲＮＮとしてStacked ＬＳＴＭを用いて、分析対象物に含まれる基準物の混合割合を求めた。

学習ステップにおいて、グルタミン(Gln)およびグルタミン酸(Glu)の双方または一方からなり混合割合が既知である混合物のラマンスペクトルを学習用データとして用いた。グルタミンとグルタミン酸との混合割合（mol比）をｘ：(１－ｘ)とし、ｘを０～１の範囲で０.１刻みとして、１１とおりの混合割合を有する混合物のラマンスペクトルを用意した。なお、ｘ＝１の場合はグルタミンが１００％であり、ｘ＝０の場合はグルタミン酸が１００％であるが、便宜上ここでは混合物という。各混合割合について５０個のラマンスペクトルを学習用データとして用いた。学習用データの総数は５５０（＝５０×１１種類）であった。これらのラマンスペクトルのデータをStacked ＬＳＴＭに入力させ、学習用ラベルを混合割合に応じた値として、StackedＬＳＴＭを学習させた。

分析ステップにおいて、グルタミンおよびグルタミン酸の双方または一方からなる混合物のラマンスペクトルを分析対象データとして用いた。グルタミンとグルタミン酸との混合割合を同様に１１とおりとした。各混合割合について２５個のラマンスペクトルを分析対象データとして用いた。分析対象データの総数は２７５（＝２５×１１種類）であった。

図７は、グルタミンとグルタミン酸との混合物のラマンスペクトルの例を示す図である。この図は、各混合割合について用意した学習データとしてのラマンスペクトルを示す。

図８は、Stacked ＬＳＴＭのモデルの例を示す図である。Stacked ＬＳＴＭのモデルは、ＬＳＴＭのモデルの各セルを多段構成したものである。この図は、グルタミン(Gln)とグルタミン酸(Glu)との混合割合が０.６０：０.４０である混合物を分析対象物として、その分析対象物のラマンスペクトルの第ｎデータＤ(n)をStacked ＬＳＴＭのモデルの第ｎセルＣ(n)に入力させることを示している。また、この図は、Stacked ＬＳＴＭから出力される出力ラベルは、グルタミン(Gln)が０.６５であり、グルタミン酸(Glu)が０.３５であることを示している。この図の例では、分析対象物の混合割合が０.６５：０.３５であると求められる。

第２実施例と比較するための第２比較例では、以下のようにして、多変量解析により分析対象物に含まれる基準物の混合割合を求めた。すなわち、学習用データにＰＣＡを施した結果に基づいて重回帰法（ＭＬＲ: Multivariate LinearRegression）により検量線を作成し、この検量線を用いて定量を行った。ＰＣＡの主成分数は５４であり、ＰＣＡの寄与率は０.８６４であった。

図９は、第２実施例の定量結果を示す図である。図１０は、第２比較例の定量結果を示す図である。これらの図は、真の混合割合（横軸）と定量結果の混合割合（縦軸）との関係を示している。これらの図において、四角のプロットは学習用データの定量結果を示し、白丸のプロットは分析対象データの定量結果を示している。また、これらの図に示された傾きが１の直線は理論直線である。学習が正しく行われていれば、プロットは理論直線上に集まる。真の混合割合と定量結果の混合割合との差を二乗平均平方根誤差で評価したところ、第２実施例では０.６２３であり、第２比較例では０.６９６であった。第２実施例と第２比較例とは同程度の定量精度が得られた。

第３実施例では、一般的なＲＮＮを用いて、分析対象物を２０種類の基準物のうちの何れか一つに分類した。第３実施例では、第１実施例の場合と同じ学習用データおよび分析対象データを用いて、第１実施例の場合と同様にして学習ステップおよび分析ステップを行った。図１１は、第３実施例の分類結果を表す混同行列を示す図である。第３実施例の分類では正答率は、９９.１２５％であり、第１実施例の分類の正答率（９８.５％）と同程度であった。

第４実施例では、ＲＮＮとしてＬＳＴＭを用いて、分析対象物を２０種類の基準物のうちの何れか一つに分類した。第４実施例では、第１実施例の場合と同じ学習用データおよび分析対象データを用いて、第１実施例の場合と同様にして学習ステップおよび分析ステップを行った。ただし、第４実施例では、学習ステップにおいてはラマンスペクトルの第ｎデータＤ(n)をＬＳＴＭのモデルの第ｎセルＣ(n)に入力させ、分析ステップにおいてはラマンスペクトルの第ｎデータＤ(n)をＬＳＴＭのモデルの第(ｎ＋δ)セルＣ(n+δ)に入力させ、シフト量δを０または正の各整数値とした。

第４実施例と比較するための第４比較例では、第１比較例の場合と同様にして、多変量解析により分析対象物を２０種類の基準物のうちの何れか一つに分類した。ただし、第４比較例では、パターン識別器構成時に対して第４実施例と同様のシフト量δを分析時において与えた。

ここで用いたラマンスペクトルは、波数３３０ｃｍ^-1付近において１チャネル当たりの波数差が２.３１ｃｍ^-1であり、波数１９００ｃｍ^-1付近において１チャネル当たりの波数差が１.２４ｃｍ^-1であった。

第４実施例および第４比較例の何れにおいても、シフト量δが大きくなるに従って正答率が低くなった。第４比較例より第４実施例の方が正答率の低下が小さかった。第４実施例においてシフト量δが５以下であれば十分に高い正答率が得られた。このことは、波長較正が不完全な状態でスペクトルが測定されても、ＲＮＮによりスペクトル分析を行うことにより高い正答率が得られることを意味している。

１…スペクトル分析装置、１０…処理部、２０…入力部、３０…学習部、４０…分析部。

Claims

複数の基準物のうちの何れか１または２以上の基準物を含む分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する装置であって、
等価的に複数のセルが鎖状に接続されたモデルで表される再帰型ニューラルネットワークを有する処理部と、
前記再帰型ニューラルネットワークの各セルに、波長、波数または周波数をパラメタとする複数のデータの集合である光のスペクトルのデータを１つずつ入力させる入力部と、
前記分析対象物で生じた光のスペクトルのデータを前記入力部により前記再帰型ニューラルネットワークに入力させたときに前記再帰型ニューラルネットワークから出力されるデータに基づいて前記分析対象物を分析する分析部と、
を備えるスペクトル分析装置。
前記処理部は、前記再帰型ニューラルネットワークとしてＬＳＴＭネットワークを有する、
請求項１に記載のスペクトル分析装置。
前記入力部は、前記スペクトルのピーク強度が所定値となるように前記スペクトルを規格化して、当該規格化後のスペクトルのデータを前記再帰型ニューラルネットワークに入力させる、
請求項１または２に記載のスペクトル分析装置。
前記複数の基準物それぞれで生じた光のスペクトルのデータを前記入力部により前記再帰型ニューラルネットワークに入力させて、前記再帰型ニューラルネットワークを学習させる学習部を更に備える、
請求項１～３の何れか１項に記載のスペクトル分析装置。
前記学習部は、前記複数の基準物のうちの何れか１または２以上の基準物を含み混合割合が既知である混合物で生じる光のスペクトルのデータを前記入力部により前記再帰型ニューラルネットワークに入力させて、前記混合割合を用いて前記再帰型ニューラルネットワークを学習させる、
請求項４に記載のスペクトル分析装置。
前記分析部は、前記再帰型ニューラルネットワークから出力されるデータに基づいて前記分析対象物を前記複数の基準物のうちの何れか一つに分類する、
請求項１～５の何れか１項に記載のスペクトル分析装置。
前記分析部は、前記再帰型ニューラルネットワークから出力されるデータに基づいて前記分析対象物に含まれる前記基準物の混合割合を求める、
請求項１～５の何れか１項に記載のスペクトル分析装置。
複数の基準物のうちの何れか１または２以上の基準物を含む分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する方法であって、
等価的に複数のセルが鎖状に接続されたモデルで表される再帰型ニューラルネットワークの各セルに、波長、波数または周波数をパラメタとする複数のデータの集合である光のスペクトルのデータを１つずつ入力させる入力ステップと、
前記分析対象物で生じた光のスペクトルのデータを前記入力ステップにおいて前記再帰型ニューラルネットワークに入力させたときに前記再帰型ニューラルネットワークから出力されるデータに基づいて前記分析対象物を分析する分析ステップと、
を備えるスペクトル分析方法。
前記再帰型ニューラルネットワークとしてＬＳＴＭネットワークを用いる、
請求項８に記載のスペクトル分析方法。
前記入力ステップにおいて、前記スペクトルのピーク強度が所定値となるように前記スペクトルを規格化して、当該規格化後のスペクトルのデータを前記再帰型ニューラルネットワークに入力させる、
請求項８または９に記載のスペクトル分析方法。
前記複数の基準物それぞれで生じた光のスペクトルのデータを前記入力ステップにおいて前記再帰型ニューラルネットワークに入力させて、前記再帰型ニューラルネットワークを学習させる学習ステップを更に備える、
請求項８～１０の何れか１項に記載のスペクトル分析方法。
前記学習ステップにおいて、前記複数の基準物のうちの何れか１または２以上の基準物を含み混合割合が既知である混合物で生じる光のスペクトルのデータを前記入力ステップにおいて前記再帰型ニューラルネットワークに入力させて、前記混合割合を用いて前記再帰型ニューラルネットワークを学習させる、
請求項１１に記載のスペクトル分析方法。
前記分析ステップにおいて、前記再帰型ニューラルネットワークから出力されるデータに基づいて前記分析対象物を前記複数の基準物のうちの何れか一つに分類する、
請求項８～１２の何れか１項に記載のスペクトル分析方法。
前記分析ステップにおいて、前記再帰型ニューラルネットワークから出力されるデータに基づいて前記分析対象物に含まれる前記基準物の混合割合を求める、
請求項８～１２の何れか１項に記載のスペクトル分析方法。