JP7387832B2 - 分光モデルのクロスバリデーションベース較正 - Google Patents
分光モデルのクロスバリデーションベース較正 Download PDFInfo
- Publication number
- JP7387832B2 JP7387832B2 JP2022128108A JP2022128108A JP7387832B2 JP 7387832 B2 JP7387832 B2 JP 7387832B2 JP 2022128108 A JP2022128108 A JP 2022128108A JP 2022128108 A JP2022128108 A JP 2022128108A JP 7387832 B2 JP7387832 B2 JP 7387832B2
- Authority
- JP
- Japan
- Prior art keywords
- spectroscopic
- model
- generating
- dataset
- spectrometer
- 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.)
- Active
Links
- 238000002790 cross-validation Methods 0.000 title claims description 28
- 238000000034 method Methods 0.000 claims description 97
- 238000005259 measurement Methods 0.000 claims description 57
- 238000010200 validation analysis Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 43
- 230000015654 memory Effects 0.000 claims description 35
- 230000003595 spectral effect Effects 0.000 claims description 19
- 238000004611 spectroscopical analysis Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 53
- 238000003860 storage Methods 0.000 description 30
- 238000004891 communication Methods 0.000 description 26
- 238000011002 quantification Methods 0.000 description 17
- 239000000463 material Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 239000002994 raw material Substances 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 238000013145 classification model Methods 0.000 description 5
- 239000004615 ingredient Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012628 principal component regression Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 239000012567 medical material Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- 229930091371 Fructose Natural products 0.000 description 1
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 1
- 239000005715 Fructose Substances 0.000 description 1
- HEFNNWSXXWATRW-UHFFFAOYSA-N Ibuprofen Chemical compound CC(C)CC1=CC=C(C(C)C(O)=O)C=C1 HEFNNWSXXWATRW-UHFFFAOYSA-N 0.000 description 1
- GUBGYTABKSRVRQ-QKKXKWKRSA-N Lactose Natural products OC[C@H]1O[C@@H](O[C@H]2[C@H](O)[C@@H](O)C(O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@H]1O GUBGYTABKSRVRQ-QKKXKWKRSA-N 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 229960001138 acetylsalicylic acid Drugs 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 229960001680 ibuprofen Drugs 0.000 description 1
- 239000008101 lactose Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 229960005489 paracetamol Drugs 0.000 description 1
- 239000000825 pharmaceutical preparation Substances 0.000 description 1
- 229940127557 pharmaceutical product Drugs 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000002460 vibrational spectroscopy Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/02—Details
- G01J3/0275—Details making use of sensor-related data, e.g. for identification of sensor parts or optical elements
-
- 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
- G01N21/274—Calibration, base line adjustment, drift correction
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0118—Apparatus with remote processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Description
［関連出願］
本願は、米国特許法第１１９条の下で、２０１８年６月２９日に出願された「近赤外（
ＮＩＲ）スペクトルに基づく較正モデルの更新（UPDATING CALIBRATION MODELS BASED ON
NEAR-INFRARED (NIR) SPECTRA）」と題する米国仮特許出願第６２／６９２，２４８号の
優先権を主張し、その内容の全体を参照により本明細書に援用する。
本願は、米国特許法第１１９条の下で、２０１８年６月２９日に出願された「近赤外（
ＮＩＲ）スペクトルに基づく較正モデルの更新（UPDATING CALIBRATION MODELS BASED ON
NEAR-INFRARED (NIR) SPECTRA）」と題する米国仮特許出願第６２／６９２，２４８号の
優先権を主張し、その内容の全体を参照により本明細書に援用する。
原料識別は、医薬品の品質管理に利用することができる。例えば、原料識別を医療材料
で実行して、その医療材料の含有成分（component ingredients）がその医療材料に関連
する包装ラベルに対応するか否かを判定することができる。同様に、原料定量化を実行し
て、特定の試料中の特定の化学物質の濃度を判定することができる。分光法は、他のケモ
メトリックス手法に比べて少ない準備及び短いデータ収集時間で非破壊的な原料識別及び
／又は定量化を容易にすることができる。
で実行して、その医療材料の含有成分（component ingredients）がその医療材料に関連
する包装ラベルに対応するか否かを判定することができる。同様に、原料定量化を実行し
て、特定の試料中の特定の化学物質の濃度を判定することができる。分光法は、他のケモ
メトリックス手法に比べて少ない準備及び短いデータ収集時間で非破壊的な原料識別及び
／又は定量化を容易にすることができる。
いくつかの実施形態によれば、装置は、１つ又は複数のメモリと、１つ又は複数のメモ
リに通信可能に結合された１つ又は複数のプロセッサであり、第１分光モデルのマスター
データセットを受信し、第１分光モデルに関連するターゲット母集団のターゲットデータ
セットを受信して第１分光モデルを更新し、マスターデータセットとターゲットデータセ
ットからの第１データとを含むトレーニングデータセットを生成し、ターゲットデータセ
ットからの第２データを含みマスターデータセットを含まないバリデーションデータセッ
トを生成し、クロスバリデーションを用いると共にトレーニングデータセット及びバリデ
ーションデータセットを用いて、第１分光モデルの更新である第２分光モデルを生成し、
且つ第２分光モデルを提供するよう構成された、プロセッサとを含み得る。
リに通信可能に結合された１つ又は複数のプロセッサであり、第１分光モデルのマスター
データセットを受信し、第１分光モデルに関連するターゲット母集団のターゲットデータ
セットを受信して第１分光モデルを更新し、マスターデータセットとターゲットデータセ
ットからの第１データとを含むトレーニングデータセットを生成し、ターゲットデータセ
ットからの第２データを含みマスターデータセットを含まないバリデーションデータセッ
トを生成し、クロスバリデーションを用いると共にトレーニングデータセット及びバリデ
ーションデータセットを用いて、第１分光モデルの更新である第２分光モデルを生成し、
且つ第２分光モデルを提供するよう構成された、プロセッサとを含み得る。
いくつかの実施形態によれば、方法は、装置により第１分光モデルに関連するターゲッ
ト母集団のターゲットデータセットを受信するステップと、装置によりターゲットデータ
セットの受信に基づき第１分光モデルのマスターデータセットを取得するステップと、装
置によりクロスバリデーションを用いて最適部分最小二乗（ＰＬＳ）因子を求めるステッ
プであり、最適ＰＬＳ因子は、それぞれがターゲットデータセットの各部分及びマスター
データセットの全部を含む複数のトレーニングデータセットと、それぞれがターゲットデ
ータセットの各部分を含みマスターデータセットのデータを含まない複数のバリデーショ
ンデータセットとに基づき求められるステップと、装置によりターゲットデータセット及
びマスターデータセットをマージしてマージ済みデータセットを生成するステップと、装
置により、マージ済みデータセット及び最適ＰＬＳ因子を用いて第２分光モデルを生成す
るステップであり、第２分光モデルは、第１分光モデルの更新であるステップと、装置に
より第２分光モデルを提供して第１分光モデルと置き換えるステップとを含み得る。
ト母集団のターゲットデータセットを受信するステップと、装置によりターゲットデータ
セットの受信に基づき第１分光モデルのマスターデータセットを取得するステップと、装
置によりクロスバリデーションを用いて最適部分最小二乗（ＰＬＳ）因子を求めるステッ
プであり、最適ＰＬＳ因子は、それぞれがターゲットデータセットの各部分及びマスター
データセットの全部を含む複数のトレーニングデータセットと、それぞれがターゲットデ
ータセットの各部分を含みマスターデータセットのデータを含まない複数のバリデーショ
ンデータセットとに基づき求められるステップと、装置によりターゲットデータセット及
びマスターデータセットをマージしてマージ済みデータセットを生成するステップと、装
置により、マージ済みデータセット及び最適ＰＬＳ因子を用いて第２分光モデルを生成す
るステップであり、第２分光モデルは、第１分光モデルの更新であるステップと、装置に
より第２分光モデルを提供して第１分光モデルと置き換えるステップとを含み得る。
いくつかの実施形態によれば、非一時的なコンピュータ可読媒体が、１つ又は複数の命
令を記憶し得る。１つ又は複数の命令は、装置の１つ又は複数のプロセッサにより実行さ
れると、１つ又は複数のプロセッサに、第１分光モデルのマスターデータセットを受信さ
せ、第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信させて
第１分光モデルを更新させ、マスターデータセット及びターゲットデータセットに基づき
複数のトレーニングデータセットを生成させ、ターゲットデータセットに基づきマスター
データセットのデータを含まない複数のバリデーションデータセットを生成させ、複数の
トレーニングデータセット及び複数のバリデーションデータセットに基づき且つクロスバ
リデーションを用いてモデル設定を求めさせ、モデル設定、ターゲットデータセット、及
びマスターデータセットに基づき第２分光モデルを生成させ、且つ第２分光モデルを提供
させることができる。
令を記憶し得る。１つ又は複数の命令は、装置の１つ又は複数のプロセッサにより実行さ
れると、１つ又は複数のプロセッサに、第１分光モデルのマスターデータセットを受信さ
せ、第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信させて
第１分光モデルを更新させ、マスターデータセット及びターゲットデータセットに基づき
複数のトレーニングデータセットを生成させ、ターゲットデータセットに基づきマスター
データセットのデータを含まない複数のバリデーションデータセットを生成させ、複数の
トレーニングデータセット及び複数のバリデーションデータセットに基づき且つクロスバ
リデーションを用いてモデル設定を求めさせ、モデル設定、ターゲットデータセット、及
びマスターデータセットに基づき第２分光モデルを生成させ、且つ第２分光モデルを提供
させることができる。
以下の実施例の詳細な説明では、添付図面を参照する。異なる図において同一の参照符
号は、同一又は同様の要素を示し得る。以下の説明では、分光計を例として用いるが、本
明細書に記載の較正原理、手順、及び方法は、限定はされないが他の光センサ及び分光セ
ンサを含む、任意のセンサと共に用いることができる。
号は、同一又は同様の要素を示し得る。以下の説明では、分光計を例として用いるが、本
明細書に記載の較正原理、手順、及び方法は、限定はされないが他の光センサ及び分光セ
ンサを含む、任意のセンサと共に用いることができる。
原料識別（ＲＭＩＤ）は、識別、検証等のために特定の試料の成分（例えば、含有成分
）を識別するために利用される手法である。例えば、ＲＭＩＤを利用して、医薬品材料の
含有成分がラベルで確認される一組の含有成分に対応することを検証することができる。
同様に、原材料定量化は、特定の試料中の特定の材料の濃度の判定等、特定の試料で定量
分析を実行するために利用される手法である。分光計を利用して試料（例えば、医薬品材
料）で分光法を実行し、試料の成分、試料の成分の濃度等を判定することができる。分光
計は、試料の測定値セットを求めることができ、その測定値セットを分光判定（spectros
copic determination）のために提供することができる。分光分類手法（例えば、クラシ
ファイア）は、試料の測定値セットに基づく試料の成分の判定を容易にすることができる
。
）を識別するために利用される手法である。例えば、ＲＭＩＤを利用して、医薬品材料の
含有成分がラベルで確認される一組の含有成分に対応することを検証することができる。
同様に、原材料定量化は、特定の試料中の特定の材料の濃度の判定等、特定の試料で定量
分析を実行するために利用される手法である。分光計を利用して試料（例えば、医薬品材
料）で分光法を実行し、試料の成分、試料の成分の濃度等を判定することができる。分光
計は、試料の測定値セットを求めることができ、その測定値セットを分光判定（spectros
copic determination）のために提供することができる。分光分類手法（例えば、クラシ
ファイア）は、試料の測定値セットに基づく試料の成分の判定を容易にすることができる
。
分光分類又は定量化を実行するために、分光モデルを用いて未知試料の１つ又は複数の
測定値を評価することができる。例えば、制御装置が、未知試料の１つ又は複数の測定値
を分光モデルの特定のクラス、分光モデルに関連する特定のレベル及び／又は量等に対応
するものとして分類することを試みることができる。しかしながら、原材料が経時変化し
得る結果として、分光モデルが不正確になり得る。例えば、農産物に適用される分光分類
に関しては、収穫年及びそれに関連する収穫量が異なればスペクトルも異なり得る。結果
として、マスターデータセット(例えば、初期時点の初期母集団の初期分光測定セット)で
トレーニングした分光モデルは、ターゲットデータセット（例えば、後続時点の後続母集
団の後続分光測定セット）に適用した場合に不正確であり得る。
測定値を評価することができる。例えば、制御装置が、未知試料の１つ又は複数の測定値
を分光モデルの特定のクラス、分光モデルに関連する特定のレベル及び／又は量等に対応
するものとして分類することを試みることができる。しかしながら、原材料が経時変化し
得る結果として、分光モデルが不正確になり得る。例えば、農産物に適用される分光分類
に関しては、収穫年及びそれに関連する収穫量が異なればスペクトルも異なり得る。結果
として、マスターデータセット(例えば、初期時点の初期母集団の初期分光測定セット)で
トレーニングした分光モデルは、ターゲットデータセット（例えば、後続時点の後続母集
団の後続分光測定セット）に適用した場合に不正確であり得る。
別の場合では、分光計毎のマスターデータセットを用いて分光計毎の分光モデルをトレ
ーニングするのは非現実的であり得る。結果として、制御装置は、マスターデータセット
で単一の分光モデルをトレーニングし、多くの異なる分光計で用いるためにその単一の分
光モデルを展開し得る。しかしながら、分光計が異なれば、関連する較正及び／又は動作
の環境条件が異なり得る。結果として、第１分光計により実行された分光測定のマスター
データセットを用いてトレーニングされた分光モデルは、第２分光計により実行された分
光測定のターゲットデータセットに適用された場合に不正確であり得る。
ーニングするのは非現実的であり得る。結果として、制御装置は、マスターデータセット
で単一の分光モデルをトレーニングし、多くの異なる分光計で用いるためにその単一の分
光モデルを展開し得る。しかしながら、分光計が異なれば、関連する較正及び／又は動作
の環境条件が異なり得る。結果として、第１分光計により実行された分光測定のマスター
データセットを用いてトレーニングされた分光モデルは、第２分光計により実行された分
光測定のターゲットデータセットに適用された場合に不正確であり得る。
本明細書に記載のいくつかの実施形態は、クロスバリデーション手法を用いた分光モデ
ルの較正更新及び較正移行を可能にする。例えば、ターゲットデータセットからのデータ
をマスターデータセットからのデータとマージして、新たな分光モデルの生成を可能にす
ることができる。この場合、マスターデータセットからのデータは、分光モデルのトレー
ニング用のトレーニングセットに用いられ、ターゲットデータセットからのデータは、ト
レーニングセット及び分光モデルのバリデーション用のバリデーションセットの両方に用
いられる。このように、モデル生成及び／又はモデル更新のための他の手法に比べて、分
光モデルの精度が改善される。さらに、移行された分光モデルの精度の改善に基づき、分
光計毎にマスターデータセットを取得する必要が減ることにより、分光計の展開に関連す
る費用が減る。
ルの較正更新及び較正移行を可能にする。例えば、ターゲットデータセットからのデータ
をマスターデータセットからのデータとマージして、新たな分光モデルの生成を可能にす
ることができる。この場合、マスターデータセットからのデータは、分光モデルのトレー
ニング用のトレーニングセットに用いられ、ターゲットデータセットからのデータは、ト
レーニングセット及び分光モデルのバリデーション用のバリデーションセットの両方に用
いられる。このように、モデル生成及び／又はモデル更新のための他の手法に比べて、分
光モデルの精度が改善される。さらに、移行された分光モデルの精度の改善に基づき、分
光計毎にマスターデータセットを取得する必要が減ることにより、分光計の展開に関連す
る費用が減る。
図１Ａ～図１Ｅは、本明細書に記載の例示的な実施形態１００の図である。図１Ａに示
すように、例示的な実施形態１００は、第１分光計１０２及び第１制御装置１０４を含む
。
すように、例示的な実施形態１００は、第１分光計１０２及び第１制御装置１０４を含む
。
図１Ａに参照符号１５０でさらに示すように、第１制御装置１０４は、第１分光計１２
０に命令を送信して第１分光計１２０にマスター母集団１５２で分光測定セットを実行さ
せることができる。例えば、第１制御装置１０４は、分類モデルを用いて分類すべき各ク
ラス、定量化モデルを用いて定量化すべき各量等について、第１分光計１２０に試料の測
定を実行させることができる。分類モデルのクラスは、（薬学関連で）ラクトース物質、
フルクトース物質、アセトアミノフェン物質、イブプロフェン物質、アスピリン物質等、
１つ又は複数の特徴を共有する類似材料のグループ化を指し得る。分類モデルのトレーニ
ングに用いられる材料であって、分類モデルを用いて原料識別を実行すべき材料は、関心
材料（materials of interest）と称され得る。
０に命令を送信して第１分光計１２０にマスター母集団１５２で分光測定セットを実行さ
せることができる。例えば、第１制御装置１０４は、分類モデルを用いて分類すべき各ク
ラス、定量化モデルを用いて定量化すべき各量等について、第１分光計１２０に試料の測
定を実行させることができる。分類モデルのクラスは、（薬学関連で）ラクトース物質、
フルクトース物質、アセトアミノフェン物質、イブプロフェン物質、アスピリン物質等、
１つ又は複数の特徴を共有する類似材料のグループ化を指し得る。分類モデルのトレーニ
ングに用いられる材料であって、分類モデルを用いて原料識別を実行すべき材料は、関心
材料（materials of interest）と称され得る。
図１Ａに参照符号１５４及び１５６でさらに示すように、第１分光計１０２は、分光測
定セットを実行することができると共に、処理のために分光測定値セットを第１制御装置
１０４に提供することができる。例えば、第１分光計１０２は、マスター母集団１５２の
各試料のスペクトルを求め、第１制御装置１０４が未知試料を定量化モデル用の関心材料
の１つとして又は定量化モデルに関して特定の量を有するものとして分類するためのクラ
スのセットを生成することを可能にし得る。
定セットを実行することができると共に、処理のために分光測定値セットを第１制御装置
１０４に提供することができる。例えば、第１分光計１０２は、マスター母集団１５２の
各試料のスペクトルを求め、第１制御装置１０４が未知試料を定量化モデル用の関心材料
の１つとして又は定量化モデルに関して特定の量を有するものとして分類するためのクラ
スのセットを生成することを可能にし得る。
図１Ａに参照符号１５８でさらに示すように、第１制御装置１０４は、マスターデータ
セットに基づき第１分光モデルを生成することができる。例えば、第１制御装置１０４は
、特定の判定手法を用いて、分光測定値セットに基づき、第１分光モデルを生成すること
ができる。いくつかの実施形態では、第１制御装置１０４は、サポートベクターマシン（
ＳＶＭ）手法（例えば、情報判定に関する機械学習手法）を用いて定量化モデルを生成す
ることができる。追加として又は代替として、第１制御装置１０４は、別のタイプの定量
化手法を用いて定量化モデルを生成することができる。
セットに基づき第１分光モデルを生成することができる。例えば、第１制御装置１０４は
、特定の判定手法を用いて、分光測定値セットに基づき、第１分光モデルを生成すること
ができる。いくつかの実施形態では、第１制御装置１０４は、サポートベクターマシン（
ＳＶＭ）手法（例えば、情報判定に関する機械学習手法）を用いて定量化モデルを生成す
ることができる。追加として又は代替として、第１制御装置１０４は、別のタイプの定量
化手法を用いて定量化モデルを生成することができる。
定量化モデルは、特定のスペクトルを関心材料の特定の量クラスに割り当てることに関
連する情報を含み得る。いくつかの実施形態では、定量化モデルは、特定の量クラスに関
連する関心材料のタイプの識別に関連する情報を含み得る。このように、第１制御装置１
０４は、未知試料のスペクトルを定量化モデルの特定の量クラスに割り当てることに基づ
き、分光法の出力として未知試料の材料の量を識別する情報を提供することができる。
連する情報を含み得る。いくつかの実施形態では、定量化モデルは、特定の量クラスに関
連する関心材料のタイプの識別に関連する情報を含み得る。このように、第１制御装置１
０４は、未知試料のスペクトルを定量化モデルの特定の量クラスに割り当てることに基づ
き、分光法の出力として未知試料の材料の量を識別する情報を提供することができる。
図１Ｂに参照符号１６０で示すように、第２制御装置１０４が、第１分光モデルに関連
する情報を受信することができる。例えば、第２制御装置１０４は、第１分光モデル、マ
スターデータセット等を受信することができる。いくつかの実施形態では、第２制御装置
１０４は、第１制御装置１０４とは異なる分光計に関連し得る。例えば、較正移行の場合
、第２制御装置１０４は、第２分光計１０２（例えば、ターゲット分光計）に関連して用
いることができると共に、第１分光モデルに関連する情報を受信して第１分光計１０２（
例えば、マスター分光計）から第２分光計１０２への較正移行を可能にすることができる
。この場合、本明細書でより詳細に説明するように、第２制御装置１０４及び第２分光計
１０２は、ターゲット母集団の測定を実行して第２分光モデルを生成することができる。
代替的に、較正更新の場合、本明細書でより詳細に説明するように、第１分光モデルを第
２制御装置１０４に移行させるのではなく、第１制御装置１０４及び第１分光計１０２が
ターゲット母集団の測定を実行して第２分光モデルを生成し得る。
する情報を受信することができる。例えば、第２制御装置１０４は、第１分光モデル、マ
スターデータセット等を受信することができる。いくつかの実施形態では、第２制御装置
１０４は、第１制御装置１０４とは異なる分光計に関連し得る。例えば、較正移行の場合
、第２制御装置１０４は、第２分光計１０２（例えば、ターゲット分光計）に関連して用
いることができると共に、第１分光モデルに関連する情報を受信して第１分光計１０２（
例えば、マスター分光計）から第２分光計１０２への較正移行を可能にすることができる
。この場合、本明細書でより詳細に説明するように、第２制御装置１０４及び第２分光計
１０２は、ターゲット母集団の測定を実行して第２分光モデルを生成することができる。
代替的に、較正更新の場合、本明細書でより詳細に説明するように、第１分光モデルを第
２制御装置１０４に移行させるのではなく、第１制御装置１０４及び第１分光計１０２が
ターゲット母集団の測定を実行して第２分光モデルを生成し得る。
図１Ｂに参照符号１６２でさらに示すように、第２制御装置１０４は、第２分光計１０
２に命令を送信して第２分光計１２０にターゲット母集団１６４の分光測定セットを実行
させることができる。例えば、第２制御装置１０４は、第１分光モデルの受信に基づき第
２分光計１０２にターゲット母集団１６４の分光測定を実行させることができる。いくつ
かの実施形態では、第２制御装置１０４は、第１分光モデルの更新又は較正を決定するこ
とができると共に、分光測定セットを実行するよう第２分光計１０２をトリガすることが
できる。この場合、第２制御装置１０４は、第２分光モデルの生成を可能にするために第
１制御装置１０４と通信してマスターデータセットを識別する情報を取得することができ
る。
２に命令を送信して第２分光計１２０にターゲット母集団１６４の分光測定セットを実行
させることができる。例えば、第２制御装置１０４は、第１分光モデルの受信に基づき第
２分光計１０２にターゲット母集団１６４の分光測定を実行させることができる。いくつ
かの実施形態では、第２制御装置１０４は、第１分光モデルの更新又は較正を決定するこ
とができると共に、分光測定セットを実行するよう第２分光計１０２をトリガすることが
できる。この場合、第２制御装置１０４は、第２分光モデルの生成を可能にするために第
１制御装置１０４と通信してマスターデータセットを識別する情報を取得することができ
る。
いくつかの実施形態では、ターゲット母集団１６４は、マスター母集団１５２に対応し
得る。例えば、ターゲット母集団１６４は、マスター母集団１５２に含まれるのと同じク
ラスの追加試料であり得る。この場合、ターゲット母集団１６４は、試料を収集又は測定
した時間、場所、環境条件等に関してマスター母集団１５２とは異なり得る。追加として
又は代替として、ターゲット母集団１６４は、異なる分光計を用いて測定されること（例
えば、マスター母集団１５２のように第１分光計１０２ではなく第２分光計１０２により
測定されること）に基づき、マスター母集団１５２とは異なり得る。
得る。例えば、ターゲット母集団１６４は、マスター母集団１５２に含まれるのと同じク
ラスの追加試料であり得る。この場合、ターゲット母集団１６４は、試料を収集又は測定
した時間、場所、環境条件等に関してマスター母集団１５２とは異なり得る。追加として
又は代替として、ターゲット母集団１６４は、異なる分光計を用いて測定されること（例
えば、マスター母集団１５２のように第１分光計１０２ではなく第２分光計１０２により
測定されること）に基づき、マスター母集団１５２とは異なり得る。
図１Ｂに参照符号１６６及び１６８でさらに示すように、第２分光計１０２は、分光測
定セットを実行することができると共に、分光測定セットを識別する情報を第２制御装置
１０４に提供することができる。例えば、第２分光計１０２は、ターゲット母集団１６４
の分光測定を実行することができると共に、（例えば、ターゲットデータセットとして）
分光測定を識別する情報を処理のために第２制御装置１０４に提供することができる。
定セットを実行することができると共に、分光測定セットを識別する情報を第２制御装置
１０４に提供することができる。例えば、第２分光計１０２は、ターゲット母集団１６４
の分光測定を実行することができると共に、（例えば、ターゲットデータセットとして）
分光測定を識別する情報を処理のために第２制御装置１０４に提供することができる。
図１Ｃに参照符号１７０で示すように、第２制御装置１０４は、総合性能メトリック（
total performance metric）を求めることができる。例えば、第２制御装置１０４は、デ
ータを複数フォールドに分割し、その複数フォールドに関する複数の性能メトリックを求
め、その複数の性能メトリックを集約して二乗平均誤差（ＲＭＳＥ）値を求め、且つＲＭ
ＳＥ値を最小化するよう部分最小二乗（ＰＬＳ）因子を最適化（最適ＰＬＳ因子と称され
得る）ことに基づき、総合性能メトリックを求めることができる。フォールドは、候補モ
デルを生成するためのトレーニングセットと予測データにおける候補モデルの精度を評価
するためのバリデーションセットとを含むクロスバリデーション用のデータのサブグルー
プを指し得る。別の例では、第２制御装置１０４は、主成分回帰（ＰＣＲ）因子、サポー
トベクター回帰（ＳＶＲ）因子等に関するモデル設定等の別のタイプの最適化されたモデ
ル設定を求めることができる。いくつかの実施形態では、第２制御装置１０４は、前処理
最適化を実行することができる。例えば、第２制御装置１０４は、モデル設定の一部とし
て最適化された前処理パラメータを求めることができる。
total performance metric）を求めることができる。例えば、第２制御装置１０４は、デ
ータを複数フォールドに分割し、その複数フォールドに関する複数の性能メトリックを求
め、その複数の性能メトリックを集約して二乗平均誤差（ＲＭＳＥ）値を求め、且つＲＭ
ＳＥ値を最小化するよう部分最小二乗（ＰＬＳ）因子を最適化（最適ＰＬＳ因子と称され
得る）ことに基づき、総合性能メトリックを求めることができる。フォールドは、候補モ
デルを生成するためのトレーニングセットと予測データにおける候補モデルの精度を評価
するためのバリデーションセットとを含むクロスバリデーション用のデータのサブグルー
プを指し得る。別の例では、第２制御装置１０４は、主成分回帰（ＰＣＲ）因子、サポー
トベクター回帰（ＳＶＲ）因子等に関するモデル設定等の別のタイプの最適化されたモデ
ル設定を求めることができる。いくつかの実施形態では、第２制御装置１０４は、前処理
最適化を実行することができる。例えば、第２制御装置１０４は、モデル設定の一部とし
て最適化された前処理パラメータを求めることができる。
いくつかの実施形態では、第２制御装置１０４は、フォールド毎にデータをトレーニン
グセット又はバリデーションセットに割り当てることができる。例えば、第２制御装置１
０４は、Ｎ個のフォールドについて複数のトレーニングセット１～Ｎと、Ｎ個のフォール
ドについて複数の対応するバリデーションセット１～Ｎとを求めることができる。いくつ
かの実施形態では、トレーニングセットは、マスターデータセット及びターゲットデータ
セットをマージすることにより生成されるマージ済みデータを含み得る。例えば、トレー
ニングセット（例えば、トレーニングセット１）が、マスターデータセットからの全デー
タ（例えば、ＭＤＳ）とターゲットデータセットからのデータの一部（例えば、ＴＤＳ１
，ＴＳ）とを含み得る。この場合、対応するバリデーションセットは、ターゲットデータ
セットからのデータの対応部分（例えば、ＴＤＳ１，ＴＳ）を含み、マスターデータセッ
トからのデータを含まない。対応するバリデーションセットは、トレーニングセットに含
まれるのと同じ物理的試料の反復走査から得られたデータを省くことができる。
グセット又はバリデーションセットに割り当てることができる。例えば、第２制御装置１
０４は、Ｎ個のフォールドについて複数のトレーニングセット１～Ｎと、Ｎ個のフォール
ドについて複数の対応するバリデーションセット１～Ｎとを求めることができる。いくつ
かの実施形態では、トレーニングセットは、マスターデータセット及びターゲットデータ
セットをマージすることにより生成されるマージ済みデータを含み得る。例えば、トレー
ニングセット（例えば、トレーニングセット１）が、マスターデータセットからの全デー
タ（例えば、ＭＤＳ）とターゲットデータセットからのデータの一部（例えば、ＴＤＳ１
，ＴＳ）とを含み得る。この場合、対応するバリデーションセットは、ターゲットデータ
セットからのデータの対応部分（例えば、ＴＤＳ１，ＴＳ）を含み、マスターデータセッ
トからのデータを含まない。対応するバリデーションセットは、トレーニングセットに含
まれるのと同じ物理的試料の反復走査から得られたデータを省くことができる。
データを複数のフォールドに割り当てることに基づき、第２制御装置１０４は、フォー
ルド毎の性能メトリックを求めることができる。例えば、第２制御装置１０４は、フォー
ルド毎の性能メトリックを集約して総合性能メトリックを求めることができる。例えば、
第２制御装置１０４は、フォールド毎にＰＬＳ因子を求めることができると共に、フォー
ルド毎のＰＬＳ因子毎にＲＭＳＥを求めることができる。フォールド毎のＰＬＳ因子毎に
ＲＭＳＥ値を求めることに基づき、第２制御装置１０４は、総ＲＭＳＥ値を求めることが
できる。例えば、第２制御装置１０４は、全部のフォールドの全部のＰＬＳ因子の関数と
してＲＭＳＥ値を求めることができる。この場合、総ＲＭＳＥ値を求めることに基づき、
第２制御装置１０４は、最低ＲＭＳＥ値を有するＰＬＳ因子であり得る最適ＰＬＳ因子を
求めることができる。
ルド毎の性能メトリックを求めることができる。例えば、第２制御装置１０４は、フォー
ルド毎の性能メトリックを集約して総合性能メトリックを求めることができる。例えば、
第２制御装置１０４は、フォールド毎にＰＬＳ因子を求めることができると共に、フォー
ルド毎のＰＬＳ因子毎にＲＭＳＥを求めることができる。フォールド毎のＰＬＳ因子毎に
ＲＭＳＥ値を求めることに基づき、第２制御装置１０４は、総ＲＭＳＥ値を求めることが
できる。例えば、第２制御装置１０４は、全部のフォールドの全部のＰＬＳ因子の関数と
してＲＭＳＥ値を求めることができる。この場合、総ＲＭＳＥ値を求めることに基づき、
第２制御装置１０４は、最低ＲＭＳＥ値を有するＰＬＳ因子であり得る最適ＰＬＳ因子を
求めることができる。
この場合、クロスバリデーション中のＮフォールドトレーニングセットにマスターデー
タセット及びターゲットデータセットを含むが対応するバリデーションセットにはターゲ
ットデータセットしか含まないことに基づき、他の手法に比べて第２分光モデルの精度が
高まる。例えば、このような手法では、更新なしで第１分光モデルを用いること、ターゲ
ットデータセットのみを用いてＰＬＳ性能メトリックを求めること、ターゲットデータセ
ットの全データ及びマスターデータセットの全データをマージしてマージ済みデータセッ
トを生成し、トレーニングセット及びバリデーションセットの両方でマージ済みデータセ
ットの分割を用いること等に比べて、精度の向上を得ることができる。
タセット及びターゲットデータセットを含むが対応するバリデーションセットにはターゲ
ットデータセットしか含まないことに基づき、他の手法に比べて第２分光モデルの精度が
高まる。例えば、このような手法では、更新なしで第１分光モデルを用いること、ターゲ
ットデータセットのみを用いてＰＬＳ性能メトリックを求めること、ターゲットデータセ
ットの全データ及びマスターデータセットの全データをマージしてマージ済みデータセッ
トを生成し、トレーニングセット及びバリデーションセットの両方でマージ済みデータセ
ットの分割を用いること等に比べて、精度の向上を得ることができる。
図１Ｄに参照符号１７２で示すように、第２制御装置１０４は、第２分光モデルを生成
することができる。例えば、第２制御装置１０４は、マスターデータセット（ＭＤＳ）、
ターゲットデータセット（ＴＤＳ）、及び最適ＰＬＳ因子を用いて第２分光モデルを生成
することができる。このように、第２制御装置１０４は、較正分光モデル、更新分光モデ
ル、移行分光モデル等の生成を可能にし得る。
することができる。例えば、第２制御装置１０４は、マスターデータセット（ＭＤＳ）、
ターゲットデータセット（ＴＤＳ）、及び最適ＰＬＳ因子を用いて第２分光モデルを生成
することができる。このように、第２制御装置１０４は、較正分光モデル、更新分光モデ
ル、移行分光モデル等の生成を可能にし得る。
いくつかの実施形態では、第２制御装置１０４は、マスターデータセット及びターゲッ
トデータセットをマージしてマージ済みデータセット(例えば、第２分光モデルのトレー
ニング用の最終トレーニングセット)を生成することができる。例えば、第２制御装置１
０４は、マスターデータセット及びターゲットデータセットを集約してマージ済みデータ
セットを生成することができる。マージ済みデータセットの生成に基づき、第２制御装置
１０４は、マージ済みデータセット及び最適ＰＬＳ因子（例えば、最低ＲＭＳＥ値を有す
る）を用いて第２分光モデルを生成することができる。例えば、第２制御装置１０４は、
定量化モデル生成手法を用いて、マージ済みデータセット（例えば、第２分光モデルのト
レーニングセットであり得る）及び最適ＰＬＳ因子に関連して第２分光モデルを生成する
ことができる。このように、マージ済みデータセットを用いずに最適ＰＬＳ因子を求めて
から最適ＰＬＳ因子をマージ済みデータセットと結合することにより、制御装置１０４は
、他の手法よりも正確な分光モデルを得る。
トデータセットをマージしてマージ済みデータセット(例えば、第２分光モデルのトレー
ニング用の最終トレーニングセット)を生成することができる。例えば、第２制御装置１
０４は、マスターデータセット及びターゲットデータセットを集約してマージ済みデータ
セットを生成することができる。マージ済みデータセットの生成に基づき、第２制御装置
１０４は、マージ済みデータセット及び最適ＰＬＳ因子（例えば、最低ＲＭＳＥ値を有す
る）を用いて第２分光モデルを生成することができる。例えば、第２制御装置１０４は、
定量化モデル生成手法を用いて、マージ済みデータセット（例えば、第２分光モデルのト
レーニングセットであり得る）及び最適ＰＬＳ因子に関連して第２分光モデルを生成する
ことができる。このように、マージ済みデータセットを用いずに最適ＰＬＳ因子を求めて
から最適ＰＬＳ因子をマージ済みデータセットと結合することにより、制御装置１０４は
、他の手法よりも正確な分光モデルを得る。
いくつかの実施形態では、第２制御装置１０４は、第２分光モデルの生成に基づき第２
分光モデルを提供することができる。例えば、第２制御装置１０４は、データ構造を介し
た記憶、１つ又は複数の他の分光計での展開等のために第２分光モデルを提供することが
できる。追加として又は代替として、第２制御装置１０４は、第２分光モデルの生成に基
づき第２分光モデルに関する出力を提供することができる。例えば、本明細書でより詳細
に説明するように、第２制御装置１０４は、未知試料を分析するために第２分光モデルの
使用に基づき未知試料を定量する情報を提供することができる。
分光モデルを提供することができる。例えば、第２制御装置１０４は、データ構造を介し
た記憶、１つ又は複数の他の分光計での展開等のために第２分光モデルを提供することが
できる。追加として又は代替として、第２制御装置１０４は、第２分光モデルの生成に基
づき第２分光モデルに関する出力を提供することができる。例えば、本明細書でより詳細
に説明するように、第２制御装置１０４は、未知試料を分析するために第２分光モデルの
使用に基づき未知試料を定量する情報を提供することができる。
図１Ｅに参照符号１７４で示すように、第２制御装置１０４は、第２分光計１０２に命
令を送信して第２分光計１０２に未知試料１７６で分光測定セットを実行させることがで
きる。例えば、第２制御装置１０４は、第２分光モデルの生成後に、第２分光計１０４に
未知試料１７６で分光測定を実行させることができる。
令を送信して第２分光計１０２に未知試料１７６で分光測定セットを実行させることがで
きる。例えば、第２制御装置１０４は、第２分光モデルの生成後に、第２分光計１０４に
未知試料１７６で分光測定を実行させることができる。
図１Ｅに参照符号１７８及び１８０でさらに示すように、第２分光計１０２は、分光測
定セットを実行することができると共に、分光測定セットを識別する情報を第２制御装置
１０４に提供することができる。例えば、第２分光計１０２は、未知試料１７６のスペク
トルを求めることができると共に、分類及び／又は定量化のためにスペクトルを識別する
情報を第２制御装置１０４に提供することができる。
定セットを実行することができると共に、分光測定セットを識別する情報を第２制御装置
１０４に提供することができる。例えば、第２分光計１０２は、未知試料１７６のスペク
トルを求めることができると共に、分類及び／又は定量化のためにスペクトルを識別する
情報を第２制御装置１０４に提供することができる。
図１Ｅに参照符号１８２でさらに示すように、第２制御装置１０４は、第２分光モデル
を用いて分光測定セットの分光分析を実行することができる。例えば、第２制御装置１０
４は、第２分光モデルを用いて未知試料１７６の分類及び／又は未知試料１７６の定量化
を判定することができる。この場合、第２制御装置１０４は、分類及び／又は定量化を識
別する出力を提供することができる。このように、第２制御装置１０４は、第２分光モデ
ルの生成に基づき第２分光モデルを用いる。
を用いて分光測定セットの分光分析を実行することができる。例えば、第２制御装置１０
４は、第２分光モデルを用いて未知試料１７６の分類及び／又は未知試料１７６の定量化
を判定することができる。この場合、第２制御装置１０４は、分類及び／又は定量化を識
別する出力を提供することができる。このように、第２制御装置１０４は、第２分光モデ
ルの生成に基づき第２分光モデルを用いる。
上記のように、図１Ａ～図１Ｅは、１つ又は複数の例として提供されているにすぎない
。他の例は、図１Ａ～図１Ｅに関して説明したものとは異なり得る。
。他の例は、図１Ａ～図１Ｅに関して説明したものとは異なり得る。
図２は、本明細書に記載のシステム及び／又は方法を実施し得る例示的環境２００の図
である。図２に示すように、環境２００は、制御装置２１０、分光計２２０、ネットワー
ク２３０等を含み得る。環境２００の装置は、有線接続、無線接続、又は有線及び無線接
続の組み合わせを介して相互接続し得る。
である。図２に示すように、環境２００は、制御装置２１０、分光計２２０、ネットワー
ク２３０等を含み得る。環境２００の装置は、有線接続、無線接続、又は有線及び無線接
続の組み合わせを介して相互接続し得る。
制御装置２１０は、分光分類に関連する情報の記憶、処理、及び／又はルーティングが
可能な１つ又は複数の装置を含む。例えば、制御装置２１０は、トレーニングセットの測
定セットに基づき分光モデル（例えば、分類モデル又は定量化モデル）を生成し、バリデ
ーションセットの測定セットに基づき分光モデルを検証し、且つ／又は分光モデルを利用
して未知試料の測定セットに基づき分光分析を実行する、サーバ、コンピュータ、ウェア
ラブルデバイス、クラウドコンピューティングデバイス等を含み得る。いくつかの実施形
態では、制御装置２１０は、特定の分光計２２０と関連し得る。いくつかの実施形態では
、制御装置２１０は、複数の分光計２２０と関連し得る。いくつかの実施形態では、制御
装置２１０は、分光計２２０等の環境２００内の別の装置から情報を受信し且つ／又はこ
れに情報を送信し得る。
可能な１つ又は複数の装置を含む。例えば、制御装置２１０は、トレーニングセットの測
定セットに基づき分光モデル（例えば、分類モデル又は定量化モデル）を生成し、バリデ
ーションセットの測定セットに基づき分光モデルを検証し、且つ／又は分光モデルを利用
して未知試料の測定セットに基づき分光分析を実行する、サーバ、コンピュータ、ウェア
ラブルデバイス、クラウドコンピューティングデバイス等を含み得る。いくつかの実施形
態では、制御装置２１０は、特定の分光計２２０と関連し得る。いくつかの実施形態では
、制御装置２１０は、複数の分光計２２０と関連し得る。いくつかの実施形態では、制御
装置２１０は、分光計２２０等の環境２００内の別の装置から情報を受信し且つ／又はこ
れに情報を送信し得る。
分光計２２０は、試料で分光測定を実行することが可能な１つ又は複数の装置を含む。
例えば、分光計２２０は、分光法（例えば、近赤外（ＮＩＲ）分光法、中赤外分光（ｍｉ
ｄ－ＩＲ）、ラマン分光法等の振動分光法）を実行する分光装置を含み得る。いくつかの
実施形態では、分光計２２０は、ウェアラブル分光計等のウェアラブルデバイスに組み込
むことができる。いくつかの実施形態では、分光計２２０は、制御装置２１０等の環境２
００内の別の装置から情報を受信し且つ／又はこれに情報を送信することができる。
例えば、分光計２２０は、分光法（例えば、近赤外（ＮＩＲ）分光法、中赤外分光（ｍｉ
ｄ－ＩＲ）、ラマン分光法等の振動分光法）を実行する分光装置を含み得る。いくつかの
実施形態では、分光計２２０は、ウェアラブル分光計等のウェアラブルデバイスに組み込
むことができる。いくつかの実施形態では、分光計２２０は、制御装置２１０等の環境２
００内の別の装置から情報を受信し且つ／又はこれに情報を送信することができる。
ネットワーク２３０は、１つ又は複数の有線及び／又は無線ネットワークを含む。例え
ば、ネットワーク２３０は、セルラーネットワーク（例えば、ロングタームエボリューシ
ョン（ＬＴＥ）ネットワーク、３Ｇネットワーク、符号分割多重アクセス（ＣＤＭＡ）ネ
ットワーク等）、公衆陸上移動体ネットワーク（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）、電話網（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、光ファイバネットワ
ーク（fiber optic-based network）、クラウドコンピューティングネットワーク等、及
び／又はこれら若しくは他のタイプのネットワークの組み合わせを含み得る。
ば、ネットワーク２３０は、セルラーネットワーク（例えば、ロングタームエボリューシ
ョン（ＬＴＥ）ネットワーク、３Ｇネットワーク、符号分割多重アクセス（ＣＤＭＡ）ネ
ットワーク等）、公衆陸上移動体ネットワーク（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）、電話網（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、光ファイバネットワ
ーク（fiber optic-based network）、クラウドコンピューティングネットワーク等、及
び／又はこれら若しくは他のタイプのネットワークの組み合わせを含み得る。
図２に示す装置及びネットワークの数及び配置は、１つ又は複数の例として挙げたもの
である。実際には、図２に示すものに比べて追加の装置及び／又はネットワーク、より少
ない装置及び／又はネットワーク、異なる装置及び／又はネットワーク、又は異なる配置
の装置及び／又はネットワークがあってもよい。さらに、図２に示す２つ以上の装置を単
一の装置内で実施してもよく、又は図２に示す単一の装置を複数の分散した装置として実
施してもよい。追加として又は代替として、環境２００の装置セット（例えば、１つ又は
複数の装置）が、環境２００の別の装置セットにより実行されると記載されている１つ又
は複数の機能を実行してもよい。
である。実際には、図２に示すものに比べて追加の装置及び／又はネットワーク、より少
ない装置及び／又はネットワーク、異なる装置及び／又はネットワーク、又は異なる配置
の装置及び／又はネットワークがあってもよい。さらに、図２に示す２つ以上の装置を単
一の装置内で実施してもよく、又は図２に示す単一の装置を複数の分散した装置として実
施してもよい。追加として又は代替として、環境２００の装置セット（例えば、１つ又は
複数の装置）が、環境２００の別の装置セットにより実行されると記載されている１つ又
は複数の機能を実行してもよい。
図３は、装置３００の例示的なコンポーネントの図である。装置３００は、制御装置２
１０及び／又は分光計２２０に対応し得る。いくつかの実施形態では、制御装置２１０及
び／又は分光計２２０が、１つ又は複数の装置３００及び／又は装置３００の１つ又は複
数のコンポーネントを含み得る。図３に示すように、装置３００は、バス３１０、プロセ
ッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５
０、出力コンポーネント３６０、及び通信インタフェース３７０を含み得る。
１０及び／又は分光計２２０に対応し得る。いくつかの実施形態では、制御装置２１０及
び／又は分光計２２０が、１つ又は複数の装置３００及び／又は装置３００の１つ又は複
数のコンポーネントを含み得る。図３に示すように、装置３００は、バス３１０、プロセ
ッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５
０、出力コンポーネント３６０、及び通信インタフェース３７０を含み得る。
バス３１０は、装置３００の複数のコンポーネント間の通信を可能にするコンポーネン
トを含む。プロセッサ３２０は、ハードウェア、ファームウェア、及び／又はハードウェ
ア及びソフトウェアの組み合わせで実装される。プロセッサ３２０は、セントラルプロセ
ッシングユニット（ＣＰＵ）、グラフィックスプロセッシングユニット（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、デジタル信号プロセッサ（ＤＳＰ）、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）、又は別のタイプの処理コンポーネン
トである。いくつかの実施形態では、プロセッサ３２０は、機能を実行するようプログラ
ム可能な１つ又は複数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）、リードオンリメモリ（ＲＯＭ）、及び／又はプロセッサ３２０が使用するため
の情報及び／又は命令を記憶する別のタイプのダイナミック又はスタティックストレージ
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。
トを含む。プロセッサ３２０は、ハードウェア、ファームウェア、及び／又はハードウェ
ア及びソフトウェアの組み合わせで実装される。プロセッサ３２０は、セントラルプロセ
ッシングユニット（ＣＰＵ）、グラフィックスプロセッシングユニット（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、デジタル信号プロセッサ（ＤＳＰ）、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）、又は別のタイプの処理コンポーネン
トである。いくつかの実施形態では、プロセッサ３２０は、機能を実行するようプログラ
ム可能な１つ又は複数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）、リードオンリメモリ（ＲＯＭ）、及び／又はプロセッサ３２０が使用するため
の情報及び／又は命令を記憶する別のタイプのダイナミック又はスタティックストレージ
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。
ストレージコンポーネント３４０は、装置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、ストレージコンポーネント３４０は、ハードディス
ク(例えば、磁気ディスク、光ディスク、及び／又は光磁気ディスク)、ソリッドステート
ドライブ（ＳＳＤ）、コンパクトディスク（ＣＤ）、デジタル多用途ディスク（ＤＶＤ）
、フロッピーディスク、カートリッジ、磁気テープ、及び／又は別のタイプの非一時的な
コンピュータ可読媒体を、対応するドライブと共に含み得る。
はソフトウェアを記憶する。例えば、ストレージコンポーネント３４０は、ハードディス
ク(例えば、磁気ディスク、光ディスク、及び／又は光磁気ディスク)、ソリッドステート
ドライブ（ＳＳＤ）、コンパクトディスク（ＣＤ）、デジタル多用途ディスク（ＤＶＤ）
、フロッピーディスク、カートリッジ、磁気テープ、及び／又は別のタイプの非一時的な
コンピュータ可読媒体を、対応するドライブと共に含み得る。
入力コンポーネント３５０は、装置３００がユーザ入力(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)等を介して情報を受信することを可能にするコンポーネントを含む。追加として
又は代替として、入力コンポーネント３５０は、場所を判定するコンポーネント（例えば
、全地球測位システム（ＧＰＳ）コンポーネント）及び／又はセンサ（例えば、加速度計
、ジャイロスコープ、アクチュエータ、別のタイプの位置又は環境センサ等）を含み得る
。出力コンポーネント３６０は、装置３００からの出力情報を（例えば、ディスプレイ、
スピーカ、触覚フィードバックコンポーネント、聴覚又は視覚インジケータ等を介して）
提供するコンポーネントを含む。
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)等を介して情報を受信することを可能にするコンポーネントを含む。追加として
又は代替として、入力コンポーネント３５０は、場所を判定するコンポーネント（例えば
、全地球測位システム（ＧＰＳ）コンポーネント）及び／又はセンサ（例えば、加速度計
、ジャイロスコープ、アクチュエータ、別のタイプの位置又は環境センサ等）を含み得る
。出力コンポーネント３６０は、装置３００からの出力情報を（例えば、ディスプレイ、
スピーカ、触覚フィードバックコンポーネント、聴覚又は視覚インジケータ等を介して）
提供するコンポーネントを含む。
通信インタフェース３７０は、装置３００が有線接続、無線接続、又は有線及び無線接
続の組み合わせ等を介して他の装置と通信することを可能にする送受信機のようなコンポ
ーネント（例えば、送受信機、別個の受信器、別個の送信器等）を含む。通信インタフェ
ース３７０は、装置３００が別の装置から情報を受信し且つ／又は別の装置に情報を提供
することを可能にし得る。例えば、通信インタフェース３７０は、イーサネットインタフ
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－Ｆ
ｉインタフェース、セルラーネットワークインタフェース等を含み得る。
続の組み合わせ等を介して他の装置と通信することを可能にする送受信機のようなコンポ
ーネント（例えば、送受信機、別個の受信器、別個の送信器等）を含む。通信インタフェ
ース３７０は、装置３００が別の装置から情報を受信し且つ／又は別の装置に情報を提供
することを可能にし得る。例えば、通信インタフェース３７０は、イーサネットインタフ
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－Ｆ
ｉインタフェース、セルラーネットワークインタフェース等を含み得る。
装置３００は、本明細書に記載の１つ又は複数のプロセスを実行し得る。装置３００は
、プロセッサ３２０がメモリ３３０及び／又はストレージコンポーネント３４０等の非一
時的なコンピュータ可読媒体により記憶されたソフトウェア命令を実行することに基づき
、これらのプロセスを実行し得る。本明細書において、「コンピュータ可読媒体」という
用語は、非一時的なメモリデバイスを指す。メモリデバイスは、単一の物理ストレージデ
バイス内のメモリ空間又は複数の物理ストレージデバイスに広がるメモリ空間を含む。
、プロセッサ３２０がメモリ３３０及び／又はストレージコンポーネント３４０等の非一
時的なコンピュータ可読媒体により記憶されたソフトウェア命令を実行することに基づき
、これらのプロセスを実行し得る。本明細書において、「コンピュータ可読媒体」という
用語は、非一時的なメモリデバイスを指す。メモリデバイスは、単一の物理ストレージデ
バイス内のメモリ空間又は複数の物理ストレージデバイスに広がるメモリ空間を含む。
ソフトウェア命令は、別のコンピュータ可読媒体又は別の装置から通信インタフェース
３７０を介して入力メモリ３３０及び／又はストレージコンポーネント３４０に読み込む
ことができる。実行されると、メモリ３３０及び／又はストレージコンポーネント３４０
に記憶されたソフトウェア命令は、プロセッサ３２０に本明細書に記載の１つ又は複数の
プロセスを実行させることができる。追加として又は代替として、ハードウェア回路をソ
フトウェア命令の代わりに又はソフトウェア命令と組み合わせて用いて、本明細書に記載
の１つ又は複数のプロセスを実行してもよい。したがって、本明細書に記載の実施形態は
、ハードウェア回路及びソフトウェアのいかなる特定の組み合わせにも限定されない。
３７０を介して入力メモリ３３０及び／又はストレージコンポーネント３４０に読み込む
ことができる。実行されると、メモリ３３０及び／又はストレージコンポーネント３４０
に記憶されたソフトウェア命令は、プロセッサ３２０に本明細書に記載の１つ又は複数の
プロセスを実行させることができる。追加として又は代替として、ハードウェア回路をソ
フトウェア命令の代わりに又はソフトウェア命令と組み合わせて用いて、本明細書に記載
の１つ又は複数のプロセスを実行してもよい。したがって、本明細書に記載の実施形態は
、ハードウェア回路及びソフトウェアのいかなる特定の組み合わせにも限定されない。
図３に示すコンポーネントの数及び配置は、一例として挙げたものである。実際には、
装置３００は、図３に示すものに比べて追加のコンポーネント、より少ないコンポーネン
ト、異なるコンポーネント、又は異なる配置のコンポーネントを含んでいてもよい。追加
として又は代替として、装置３００のコンポーネントのセット（例えば、１つ又は複数の
コンポーネント）が、装置３００の別のコンポーネントのセットにより実行されると記載
されている１つ又は複数の機能を実行してもよい。
装置３００は、図３に示すものに比べて追加のコンポーネント、より少ないコンポーネン
ト、異なるコンポーネント、又は異なる配置のコンポーネントを含んでいてもよい。追加
として又は代替として、装置３００のコンポーネントのセット（例えば、１つ又は複数の
コンポーネント）が、装置３００の別のコンポーネントのセットにより実行されると記載
されている１つ又は複数の機能を実行してもよい。
図４は、分光モデルのクロスバリデーションベース較正の例示的なプロセス４００のフ
ローチャートである。いくつかの実施形態では、図４の１つ又は複数のブロックが制御装
置（例えば、制御装置２１０）により実行され得る。いくつかの実施形態では、図４の１
つ又は複数のブロックが、制御装置とは別個の又は制御装置を含む、分光計（例えば、分
光計２２０）等の別の装置又は装置群により実行され得る。
ローチャートである。いくつかの実施形態では、図４の１つ又は複数のブロックが制御装
置（例えば、制御装置２１０）により実行され得る。いくつかの実施形態では、図４の１
つ又は複数のブロックが、制御装置とは別個の又は制御装置を含む、分光計（例えば、分
光計２２０）等の別の装置又は装置群により実行され得る。
図４に示すように、プロセス４００は、第１分光モデルのマスターデータセットを受信
するステップを含み得る（ブロック４１０）。例えば、上述のように、制御装置は（例え
ば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポー
ネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、第
１分光モデルのマスターデータセットを受信し得る。
するステップを含み得る（ブロック４１０）。例えば、上述のように、制御装置は（例え
ば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポー
ネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、第
１分光モデルのマスターデータセットを受信し得る。
図４にさらに示すように、プロセス４００は、第１分光モデルに関連するターゲット母
集団のターゲットデータセットを受信して第１分光モデルを更新するステップを含み得る
（ブロック４２０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、
メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コン
ポーネント３６０、通信インタフェース３７０等を用いて）、第１分光モデルに関連する
ターゲット母集団のターゲットデータセットを受信して第１分光モデルを更新し得る。
集団のターゲットデータセットを受信して第１分光モデルを更新するステップを含み得る
（ブロック４２０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、
メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コン
ポーネント３６０、通信インタフェース３７０等を用いて）、第１分光モデルに関連する
ターゲット母集団のターゲットデータセットを受信して第１分光モデルを更新し得る。
図４にさらに示すように、プロセス４００は、マスターデータセットとターゲットデー
タセットからの第１データとを含むトレーニングデータセットを生成するステップを含み
得る（ブロック４３０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２
０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力
コンポーネント３６０、通信インタフェース３７０等を用いて）、マスターデータセット
とターゲットデータセットからの第１データとを含むトレーニングデータセットを生成し
得る。
タセットからの第１データとを含むトレーニングデータセットを生成するステップを含み
得る（ブロック４３０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２
０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力
コンポーネント３６０、通信インタフェース３７０等を用いて）、マスターデータセット
とターゲットデータセットからの第１データとを含むトレーニングデータセットを生成し
得る。
図４にさらに示すように、プロセス４００は、ターゲットデータセットからの第２デー
タを含みマスターデータセットを含まないバリデーションデータセットを生成するステッ
プを含み得る（ブロック４４０）。例えば、上述のように、制御装置は（例えば、プロセ
ッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５
０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、ターゲットデ
ータセットからの第２データを含みマスターデータセットを含まないバリデーションデー
タセットを生成し得る。
タを含みマスターデータセットを含まないバリデーションデータセットを生成するステッ
プを含み得る（ブロック４４０）。例えば、上述のように、制御装置は（例えば、プロセ
ッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５
０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、ターゲットデ
ータセットからの第２データを含みマスターデータセットを含まないバリデーションデー
タセットを生成し得る。
図４にさらに示すように、プロセス４００は、クロスバリデーションを用いると共にト
レーニングデータセット及びバリデーションデータセットを用いて、第１分光モデルの更
新である第２分光モデルを生成するステップを含み得る（ブロック４５０）。例えば、上
述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポ
ーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフ
ェース３７０等を用いて）、クロスバリデーションを用いると共にトレーニングデータセ
ット及びバリデーションデータセットを用いて、第１分光モデルの更新である第２分光モ
デルを生成し得る。
レーニングデータセット及びバリデーションデータセットを用いて、第１分光モデルの更
新である第２分光モデルを生成するステップを含み得る（ブロック４５０）。例えば、上
述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポ
ーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフ
ェース３７０等を用いて）、クロスバリデーションを用いると共にトレーニングデータセ
ット及びバリデーションデータセットを用いて、第１分光モデルの更新である第２分光モ
デルを生成し得る。
図４にさらに示すように、プロセス４００は、第２分光モデルを提供するステップを含
み得る（ブロック４６０）。例えば、上述のように、制御装置は（例えば、プロセッサ３
２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出
力コンポーネント３６０、通信インタフェース３７０等を用いて）、第２分光モデルを提
供し得る。
み得る（ブロック４６０）。例えば、上述のように、制御装置は（例えば、プロセッサ３
２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出
力コンポーネント３６０、通信インタフェース３７０等を用いて）、第２分光モデルを提
供し得る。
プロセス４００は、以下に記載され且つ／又は本明細書の他の箇所に記載の１つ又は複
数の他のプロセスに関連して記載された任意の単一の実施形態又は実施形態の任意の組み
合わせ等の、さらなる実施形態を含み得る。
数の他のプロセスに関連して記載された任意の単一の実施形態又は実施形態の任意の組み
合わせ等の、さらなる実施形態を含み得る。
第１実施形態では、プロセス４００は、分光測定値を受信するステップと、第２分光モ
デルを用いて分光判定を実行するステップと、分光判定を識別する出力を提供するステッ
プとを含む。
デルを用いて分光判定を実行するステップと、分光判定を識別する出力を提供するステッ
プとを含む。
単独の又は第１実施形態と組み合わせた第２実施形態では、トレーニングデータセット
は複数のトレーニングデータセットであり、バリデーションデータセットは複数のバリデ
ーションデータセットであり、プロセス４００は、複数のトレーニングデータセット及び
複数のバリデーションデータセットに基づき複数の性能メトリックを生成するステップと
、複数の性能メトリックに基づき総合性能メトリックを求めるステップと、総合性能メト
リックに基づき最適部分最小二乗（ＰＬＳ）因子を求めるステップと、最適ＰＬＳ因子及
びマージ済みデータセットに基づき第２分光モデルを求めるステップとを含み、マージ済
みデータセットは、マスターデータセット及びターゲットデータセットを含む。
は複数のトレーニングデータセットであり、バリデーションデータセットは複数のバリデ
ーションデータセットであり、プロセス４００は、複数のトレーニングデータセット及び
複数のバリデーションデータセットに基づき複数の性能メトリックを生成するステップと
、複数の性能メトリックに基づき総合性能メトリックを求めるステップと、総合性能メト
リックに基づき最適部分最小二乗（ＰＬＳ）因子を求めるステップと、最適ＰＬＳ因子及
びマージ済みデータセットに基づき第２分光モデルを求めるステップとを含み、マージ済
みデータセットは、マスターデータセット及びターゲットデータセットを含む。
単独の又は第１及び第２実施形態の一方又は両方と組み合わせた第３実施形態では、第
１分光モデル及び第２分光モデルは定量化モデルである。
１分光モデル及び第２分光モデルは定量化モデルである。
単独の又は第１～第３実施形態の１つ又は複数と組み合わせた第４実施形態では、マス
ターデータセットは、マスター分光計により実行された第１分光測定セットに基づき、タ
ーゲットデータセットは、マスター分光計とは異なるターゲット分光計により実行された
第２分光測定セットに基づく。
ターデータセットは、マスター分光計により実行された第１分光測定セットに基づき、タ
ーゲットデータセットは、マスター分光計とは異なるターゲット分光計により実行された
第２分光測定セットに基づく。
単独の又は第１～第４実施形態の１つ又は複数と組み合わせた第５実施形態では、マス
ターデータセットは、特定の分光計により実行された第１分光測定セットに基づき、ター
ゲットデータセットは、特定の分光計により実行された第２分光測定セットに基づく。
ターデータセットは、特定の分光計により実行された第１分光測定セットに基づき、ター
ゲットデータセットは、特定の分光計により実行された第２分光測定セットに基づく。
図４は、プロセス４００の例示的なブロックを示しているが、いくつかの実施形態では
、プロセス４００は、図４に示すものに比べて追加のブロック、より少ないブロック、異
なるブロック、又は異なる配置のブロックを含んでいてもよい。追加として又は代替とし
て、プロセス４００のブロックのうち２つ以上を並行して実行してもよい。
、プロセス４００は、図４に示すものに比べて追加のブロック、より少ないブロック、異
なるブロック、又は異なる配置のブロックを含んでいてもよい。追加として又は代替とし
て、プロセス４００のブロックのうち２つ以上を並行して実行してもよい。
図５は、分光モデルのクロスバリデーションベース較正の例示的なプロセス５００のフ
ローチャートである。いくつかの実施形態では、図５の１つ又は複数のプロセスブロック
が制御装置（例えば、制御装置２１０）により実行され得る。いくつかの実施形態では、
図５の１つ又は複数のブロックプロセスが、制御装置とは別個の又は制御装置を含む、分
光計（例えば、分光計２２０）等の別の装置又は装置群により実行され得る。
ローチャートである。いくつかの実施形態では、図５の１つ又は複数のプロセスブロック
が制御装置（例えば、制御装置２１０）により実行され得る。いくつかの実施形態では、
図５の１つ又は複数のブロックプロセスが、制御装置とは別個の又は制御装置を含む、分
光計（例えば、分光計２２０）等の別の装置又は装置群により実行され得る。
図５に示すように、プロセス５００は、第１分光モデルに関連するターゲット母集団の
ターゲットデータセットを受信するステップを含み得る（ブロック５１０）。例えば、上
述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポ
ーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフ
ェース３７０等を用いて）、第１分光モデルに関連するターゲット母集団のターゲットデ
ータセットを受信し得る。
ターゲットデータセットを受信するステップを含み得る（ブロック５１０）。例えば、上
述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポ
ーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフ
ェース３７０等を用いて）、第１分光モデルに関連するターゲット母集団のターゲットデ
ータセットを受信し得る。
図５にさらに示すように、プロセス５００は、ターゲットデータセットの受信に基づき
第１分光モデルのマスターデータセットを取得するステップを含み得る（ブロック５２０
）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ス
トレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０
、通信インタフェース３７０等を用いて）、ターゲットデータセットの受信に基づき第１
分光モデルのマスターデータセットを取得し得る。
第１分光モデルのマスターデータセットを取得するステップを含み得る（ブロック５２０
）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ス
トレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０
、通信インタフェース３７０等を用いて）、ターゲットデータセットの受信に基づき第１
分光モデルのマスターデータセットを取得し得る。
図５にさらに示すように、プロセス５００は、クロスバリデーションを用いて最適部分
最小二乗（ＰＬＳ）因子を求めるステップであり、最適ＰＬＳ因子は、それぞれがターゲ
ットデータセットの各部分及びマスターデータセットの全部を含む複数のトレーニングデ
ータセットと、それぞれがターゲットデータセットの各部分を含みマスターデータセット
のデータを含まない複数のバリデーションデータセットとに基づき求められるステップを
含み得る（ブロック５３０）。例えば、上述のように、制御装置は（例えば、プロセッサ
３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、
出力コンポーネント３６０、通信インタフェース３７０等を用いて）、クロスバリデーシ
ョンを用いて最適部分最小二乗（ＰＬＳ）因子を求め得る。いくつかの態様では、最適Ｐ
ＬＳ因子は、それぞれがターゲットデータセットの各部分及びマスターデータセットの全
部を含む複数のトレーニングデータセットと、それぞれがターゲットデータセットの各部
分を含みマスターデータセットのデータを含まない複数のバリデーションデータセットと
に基づき求められる。
最小二乗（ＰＬＳ）因子を求めるステップであり、最適ＰＬＳ因子は、それぞれがターゲ
ットデータセットの各部分及びマスターデータセットの全部を含む複数のトレーニングデ
ータセットと、それぞれがターゲットデータセットの各部分を含みマスターデータセット
のデータを含まない複数のバリデーションデータセットとに基づき求められるステップを
含み得る（ブロック５３０）。例えば、上述のように、制御装置は（例えば、プロセッサ
３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、
出力コンポーネント３６０、通信インタフェース３７０等を用いて）、クロスバリデーシ
ョンを用いて最適部分最小二乗（ＰＬＳ）因子を求め得る。いくつかの態様では、最適Ｐ
ＬＳ因子は、それぞれがターゲットデータセットの各部分及びマスターデータセットの全
部を含む複数のトレーニングデータセットと、それぞれがターゲットデータセットの各部
分を含みマスターデータセットのデータを含まない複数のバリデーションデータセットと
に基づき求められる。
図５にさらに示すように、プロセス５００は、ターゲットデータセット及びマスターデ
ータセットをマージしてマージ済みデータセットを生成するステップを含み得る（ブロッ
ク５４０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３
３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネン
ト３６０、通信インタフェース３７０等を用いて）、ターゲットデータセット及びマスタ
ーデータセットをマージしてマージ済みデータセットを生成し得る。
ータセットをマージしてマージ済みデータセットを生成するステップを含み得る（ブロッ
ク５４０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３
３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネン
ト３６０、通信インタフェース３７０等を用いて）、ターゲットデータセット及びマスタ
ーデータセットをマージしてマージ済みデータセットを生成し得る。
図５にさらに示すように、プロセス５００は、マージ済みデータセット及び最適ＰＬＳ
因子を用いて、第１分光モデルの更新である第２分光モデルを生成するステップを含み得
る（ブロック５５０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０
、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コ
ンポーネント３６０、通信インタフェース３７０等を用いて）、マージ済みデータセット
及び最適ＰＬＳ因子を用いて第２分光モデルを生成し得る。いくつかの態様では、第２分
光モデルは第１分光モデルの更新である。
因子を用いて、第１分光モデルの更新である第２分光モデルを生成するステップを含み得
る（ブロック５５０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０
、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コ
ンポーネント３６０、通信インタフェース３７０等を用いて）、マージ済みデータセット
及び最適ＰＬＳ因子を用いて第２分光モデルを生成し得る。いくつかの態様では、第２分
光モデルは第１分光モデルの更新である。
図５にさらに示すように、プロセス５００は、第２分光モデルを提供して第１分光モデ
ルと置き換えるステップを含み得る（ブロック５６０）。例えば、上述のように、制御装
置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入
力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用
いて）、第２分光モデルを提供して第１分光と置き換え得る。
ルと置き換えるステップを含み得る（ブロック５６０）。例えば、上述のように、制御装
置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入
力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用
いて）、第２分光モデルを提供して第１分光と置き換え得る。
プロセス５００は、以下に記載され且つ／又は本明細書の他の箇所に記載の１つ又は複
数の他のプロセスに関連して記載された任意の単一の実施形態又は実施形態の任意の組み
合わせ等の、さらなる実施形態を含み得る。
数の他のプロセスに関連して記載された任意の単一の実施形態又は実施形態の任意の組み
合わせ等の、さらなる実施形態を含み得る。
第１実施形態では、最適化ＰＬＳ因子を求めるステップは、複数のトレーニングデータ
セットのそれぞれ及び複数のバリデーションデータセットのそれぞれについて部分最小二
乗（ＰＬＳ）性能メトリックを求めるステップと、ＰＬＳ性能メトリックに基づき総合Ｐ
ＬＳ性能メトリックを求めるステップと、総合ＰＬＳ性能メトリックに基づき第２分光モ
デルのＰＬＳ因子を最適化するステップとを含む。
セットのそれぞれ及び複数のバリデーションデータセットのそれぞれについて部分最小二
乗（ＰＬＳ）性能メトリックを求めるステップと、ＰＬＳ性能メトリックに基づき総合Ｐ
ＬＳ性能メトリックを求めるステップと、総合ＰＬＳ性能メトリックに基づき第２分光モ
デルのＰＬＳ因子を最適化するステップとを含む。
単独の又は第１実施形態と組み合わせた第２実施形態では、総合ＰＬＳ性能メトリック
は、二乗平均誤差（ＲＭＳＥ）値に関連し、ＰＬＳ因子を最適化するステップは、ＲＭＳ
Ｅ値を最小化するようＰＬＳ因子を最適化するステップを含む。
は、二乗平均誤差（ＲＭＳＥ）値に関連し、ＰＬＳ因子を最適化するステップは、ＲＭＳ
Ｅ値を最小化するようＰＬＳ因子を最適化するステップを含む。
単独の又は第１及び第２実施形態の一方又は両方と組み合わせた第３実施形態では、複
数のバリデーションデータセットは、複数のトレーニングデータセットとは異なるターゲ
ットデータセットのデータを含む。
数のバリデーションデータセットは、複数のトレーニングデータセットとは異なるターゲ
ットデータセットのデータを含む。
単独の又は第１～第３実施形態の１つ又は複数と組み合わせた第４実施形態では、総合
ＰＬＳ性能メトリックを求めるステップは、ＰＬＳ性能メトリックを集約するステップを
含む。
ＰＬＳ性能メトリックを求めるステップは、ＰＬＳ性能メトリックを集約するステップを
含む。
単独の又は第１～第４実施形態の１つ又は複数と組み合わせた第５実施形態では、ター
ゲットデータセットは、マスターデータセットに関連する測定後に実行されたターゲット
母集団の測定セットに関連する。
ゲットデータセットは、マスターデータセットに関連する測定後に実行されたターゲット
母集団の測定セットに関連する。
単独の又は第１～第５実施形態の１つ又は複数と組み合わせた第６実施形態では、第２
分光モデルは、第１分光モデルの較正更新モデルである。
分光モデルは、第１分光モデルの較正更新モデルである。
単独の又は第１～第６実施形態の１つ又は複数と組み合わせた第７実施形態では、ター
ゲットデータセットは、マスターデータセットに関連する測定を実行した１つ又は複数の
分光計とは異なる特定の分光計により実行された測定セットに関連する。
ゲットデータセットは、マスターデータセットに関連する測定を実行した１つ又は複数の
分光計とは異なる特定の分光計により実行された測定セットに関連する。
単独の又は第１～第７実施形態の１つ又は複数と組み合わせた第８実施形態では、第２
分光モデルは、第１分光モデルの較正移行モデルである。
分光モデルは、第１分光モデルの較正移行モデルである。
単独の又は第１～第８実施形態の１つ又は複数と組み合わせた第９実施形態では、第２
分光モデルを提供するステップは、特定の分光計による後続の測定に関連して用いるため
の第２分光モデルを提供するステップを含む。
分光モデルを提供するステップは、特定の分光計による後続の測定に関連して用いるため
の第２分光モデルを提供するステップを含む。
図５は、プロセス５００の例示的なブロックを示しているが、いくつかの実施形態では
、プロセス５００は、図５に示すものに比べて追加のブロック、より少ないブロック、異
なるブロック、又は異なる配置のブロックを含んでいてもよい。追加として又は代替とし
て、プロセス５００のブロックのうち２つ以上を並行して実行してもよい。
、プロセス５００は、図５に示すものに比べて追加のブロック、より少ないブロック、異
なるブロック、又は異なる配置のブロックを含んでいてもよい。追加として又は代替とし
て、プロセス５００のブロックのうち２つ以上を並行して実行してもよい。
図６は、分光モデルのクロスバリデーションベース較正の例示的なプロセス６００のフ
ローチャートである。いくつかの実施形態では、図６の１つ又は複数プロセスブロックが
制御装置（例えば、制御装置２１０）により実行され得る。いくつかの実施形態では、図
６の１つ又は複数のプロセスブロックが、制御装置とは別個の又は制御装置を含む、分光
計（例えば、分光計２２０）等の別の装置又は装置群により実行され得る。
ローチャートである。いくつかの実施形態では、図６の１つ又は複数プロセスブロックが
制御装置（例えば、制御装置２１０）により実行され得る。いくつかの実施形態では、図
６の１つ又は複数のプロセスブロックが、制御装置とは別個の又は制御装置を含む、分光
計（例えば、分光計２２０）等の別の装置又は装置群により実行され得る。
図６に示すように、プロセス６００は、第１分光モデルのマスターデータセットを受信
するステップと、第１分光モデルに関連するターゲット母集団のターゲットデータセット
を受信して第１分光モデルを更新するステップと、マスターデータセット及びターゲット
データセットに基づき複数のトレーニングデータセットを生成するステップと、ターゲッ
トデータセットに基づきマスターデータセットのデータを含まない複数のバリデーション
データセットを生成するステップとを含み得る（ブロック６１０）。例えば、上述のよう
に、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント
３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３
７０等を用いて）、第１分光モデルのマスターデータセットを受信し、第１分光モデルに
関連するターゲット母集団のターゲットデータセットを受信して第１分光モデルを更新し
、マスターデータセット及びターゲットデータセットに基づき複数のトレーニングデータ
セットを生成し、ターゲットデータセットに基づきマスターデータセットのデータを含ま
ない複数のバリデーションデータセットを生成し得る。いくつかの態様では、複数のバリ
デーションデータセットはマスターデータセットのデータを含まない。
するステップと、第１分光モデルに関連するターゲット母集団のターゲットデータセット
を受信して第１分光モデルを更新するステップと、マスターデータセット及びターゲット
データセットに基づき複数のトレーニングデータセットを生成するステップと、ターゲッ
トデータセットに基づきマスターデータセットのデータを含まない複数のバリデーション
データセットを生成するステップとを含み得る（ブロック６１０）。例えば、上述のよう
に、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント
３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３
７０等を用いて）、第１分光モデルのマスターデータセットを受信し、第１分光モデルに
関連するターゲット母集団のターゲットデータセットを受信して第１分光モデルを更新し
、マスターデータセット及びターゲットデータセットに基づき複数のトレーニングデータ
セットを生成し、ターゲットデータセットに基づきマスターデータセットのデータを含ま
ない複数のバリデーションデータセットを生成し得る。いくつかの態様では、複数のバリ
デーションデータセットはマスターデータセットのデータを含まない。
図６に示すように、プロセス６００は、第１分光モデルのマスターデータセットを受信
するステップを含み得る（ブロック６１０）。例えば、上述のように、制御装置は（例え
ば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポー
ネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、第
１分光モデルのマスターデータセットを受信し得る。
するステップを含み得る（ブロック６１０）。例えば、上述のように、制御装置は（例え
ば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポー
ネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、第
１分光モデルのマスターデータセットを受信し得る。
図６に示すように、プロセス６００は、第１分光モデルに関連するターゲット母集団の
ターゲットデータセットを受信して第１分光モデルを更新するステップを含み得る（ブロ
ック６２０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ
３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネ
ント３６０、通信インタフェース３７０等を用いて）、第１分光モデルに関連するターゲ
ット母集団のターゲットデータセットを受信して第１分光モデルを更新し得る。
ターゲットデータセットを受信して第１分光モデルを更新するステップを含み得る（ブロ
ック６２０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ
３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネ
ント３６０、通信インタフェース３７０等を用いて）、第１分光モデルに関連するターゲ
ット母集団のターゲットデータセットを受信して第１分光モデルを更新し得る。
図６に示すように、プロセス６００は、マスターデータセット及びターゲットデータセ
ットに基づき複数のトレーニングデータセットを生成するステップを含み得る（ブロック
６３０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３
０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント
３６０、通信インタフェース３７０等を用いて）、マスターデータセット及びターゲット
データセットに基づき複数のトレーニングデータセットを生成し得る。
ットに基づき複数のトレーニングデータセットを生成するステップを含み得る（ブロック
６３０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３
０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント
３６０、通信インタフェース３７０等を用いて）、マスターデータセット及びターゲット
データセットに基づき複数のトレーニングデータセットを生成し得る。
図６に示すように、プロセス６００は、ターゲットデータセットに基づきマスターデー
タセットのデータを含まない複数のバリデーションデータセットを生成するステップを含
み得る（ブロック６４０）。例えば、上述のように、制御装置は（例えば、プロセッサ３
２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出
力コンポーネント３６０、通信インタフェース３７０等を用いて）、ターゲットデータセ
ットに基づき複数のバリデーションデータセットを生成し得る。いくつかの態様では、複
数のバリデーションデータセットはマスターデータセットのデータを含まない。
タセットのデータを含まない複数のバリデーションデータセットを生成するステップを含
み得る（ブロック６４０）。例えば、上述のように、制御装置は（例えば、プロセッサ３
２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出
力コンポーネント３６０、通信インタフェース３７０等を用いて）、ターゲットデータセ
ットに基づき複数のバリデーションデータセットを生成し得る。いくつかの態様では、複
数のバリデーションデータセットはマスターデータセットのデータを含まない。
図６にさらに示すように、プロセス６００は、複数のトレーニングデータセット及び複
数のバリデーションデータセットに基づき且つクロスバリデーションを用いてモデル設定
を求めるステップを含み得る（ブロック６５０）。例えば、上述のように、制御装置は（
例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コン
ポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）
、複数のトレーニングデータセット及び複数のバリデーションデータセットに基づきモデ
ル設定を求め得る。
数のバリデーションデータセットに基づき且つクロスバリデーションを用いてモデル設定
を求めるステップを含み得る（ブロック６５０）。例えば、上述のように、制御装置は（
例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コン
ポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）
、複数のトレーニングデータセット及び複数のバリデーションデータセットに基づきモデ
ル設定を求め得る。
図６にさらに示すように、プロセスは、モデル設定、ターゲットデータセット、及びマ
スターデータセットに基づき第２分光モデルを生成するステップを含み得る(ブロック６
６０)。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０
、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３
６０、通信インタフェース３７０等を用いて）、モデル設定、ターゲットデータセット、
及びマスターデータセットに基づき第２分光モデルを生成し得る。
スターデータセットに基づき第２分光モデルを生成するステップを含み得る(ブロック６
６０)。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０
、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３
６０、通信インタフェース３７０等を用いて）、モデル設定、ターゲットデータセット、
及びマスターデータセットに基づき第２分光モデルを生成し得る。
図６にさらに示すように、プロセス６００は、第２分光モデルを提供するステップを含
み得る（ブロック６７０）。例えば、上述のように、制御装置は（例えば、プロセッサ３
２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出
力コンポーネント３６０、通信インタフェース３７０等を用いて）、第２分光モデルを提
供し得る。
み得る（ブロック６７０）。例えば、上述のように、制御装置は（例えば、プロセッサ３
２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出
力コンポーネント３６０、通信インタフェース３７０等を用いて）、第２分光モデルを提
供し得る。
プロセス６００は、以下に記載され且つ／又は本明細書の他の箇所に記載の１つ又は複
数の他のプロセスに関連して記載された任意の単一の実施形態又は実施形態の任意の組み
合わせ等の、さらなる実施形態を含み得る。
数の他のプロセスに関連して記載された任意の単一の実施形態又は実施形態の任意の組み
合わせ等の、さらなる実施形態を含み得る。
第１実施形態では、モデル設定は、ＰＬＳモデルの部分最小二乗（ＰＬＳ）因子、主成
分回帰（ＰＣＲ）モデルの成分の量、サポートベクター回帰（ＳＶＲ）モデルのＳＶＲパ
ラメータ、又は前処理設定の少なくとも１つである。
分回帰（ＰＣＲ）モデルの成分の量、サポートベクター回帰（ＳＶＲ）モデルのＳＶＲパ
ラメータ、又は前処理設定の少なくとも１つである。
単独の又は第１実施形態と組み合わせた第２実施形態では、プロセス６００は、複数の
トレーニングデータセットのそれぞれ及び複数のバリデーションデータセットの対応する
バリデーションデータセットについて複数の部分性能メトリックを生成するステップと、
複数の部分性能メトリックを集約して総合性能メトリックを生成するステップと、総合性
能メトリックの誤差値を最小化するモデル設定を求めるステップとを含む。
トレーニングデータセットのそれぞれ及び複数のバリデーションデータセットの対応する
バリデーションデータセットについて複数の部分性能メトリックを生成するステップと、
複数の部分性能メトリックを集約して総合性能メトリックを生成するステップと、総合性
能メトリックの誤差値を最小化するモデル設定を求めるステップとを含む。
単独の又は第１実施形態及び第２実施形態の一方又は両方と組み合わせた第３実施形態
では、プロセス６００は、測定に基づき且つ第２分光モデルを用いて分光判定を実行する
ステップと、分光判定を識別する出力を提供するステップとを含む。
では、プロセス６００は、測定に基づき且つ第２分光モデルを用いて分光判定を実行する
ステップと、分光判定を識別する出力を提供するステップとを含む。
図６は、プロセス６００の例示的なブロックを示しているが、いくつかの実施形態では
、プロセス６００は、図６に示すものに比べて追加のブロック、より少ないブロック、異
なるブロック、又は異なる配置のブロックを含んでいてもよい。追加として又は代替とし
て、プロセス６００のブロックのうち２つ以上を並行して実行してもよい。
、プロセス６００は、図６に示すものに比べて追加のブロック、より少ないブロック、異
なるブロック、又は異なる配置のブロックを含んでいてもよい。追加として又は代替とし
て、プロセス６００のブロックのうち２つ以上を並行して実行してもよい。
上記開示により図解及び説明を行ったが、これは、網羅的であることも実施形態を開示
された形態そのものに限定することも意図されない。変更及び変形は、上記開示に照らし
て可能であるか、又は実施形態の実施から得ることができる。
された形態そのものに限定することも意図されない。変更及び変形は、上記開示に照らし
て可能であるか、又は実施形態の実施から得ることができる。
本明細書において、「コンポーネント」という用語は、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と広義に解釈されることを意図したも
のである。
、又はハードウェア及びソフトウェアの組み合わせと広義に解釈されることを意図したも
のである。
本明細書において、閾値を満たすことは、文脈に応じて、値が閾値を超えること、閾値
より大きいこと、閾値より高いこと、閾値以上であること、閾値未満であること、閾値よ
り少ないこと、閾値より低いこと、閾値以下であること、閾値と等しいこと等を指し得る
。
より大きいこと、閾値より高いこと、閾値以上であること、閾値未満であること、閾値よ
り少ないこと、閾値より低いこと、閾値以下であること、閾値と等しいこと等を指し得る
。
本明細書に記載のシステム及び／又は方法が、異なる形態のハードウェア、ファームウ
ェア、及び／又はハードウェア及びソフトウェアの組み合わせで実施され得ることが明ら
かであろう。これらのシステム及び／又は方法の実施に用いられる実際の特殊制御ハード
ウェア又はソフトウェアコードは、実施形態を制限するものではない。したがって、シス
テム及び／又は方法の動作及び挙動は、本明細書の記載では特定のソフトウェアコードに
関係なく、ソフトウェアハードウェアが本明細書の記載に基づくシステム及び／又は方法
を実施するよう設計され得ることが理解される。
ェア、及び／又はハードウェア及びソフトウェアの組み合わせで実施され得ることが明ら
かであろう。これらのシステム及び／又は方法の実施に用いられる実際の特殊制御ハード
ウェア又はソフトウェアコードは、実施形態を制限するものではない。したがって、シス
テム及び／又は方法の動作及び挙動は、本明細書の記載では特定のソフトウェアコードに
関係なく、ソフトウェアハードウェアが本明細書の記載に基づくシステム及び／又は方法
を実施するよう設計され得ることが理解される。
特定の特徴の組み合わせが特許請求の範囲に記載され且つ／又は本明細書に開示されて
いるが、これらの組み合わせが可能な実施形態の開示を限定することは意図されない。実
際には、これらの特徴の多くを、具体的に特許請求の範囲に記載且つ／又は本明細書に開
示されていない方法で組み合わせることができる。添付の各従属請求項は、１つの請求項
のみに直接従属している場合があるが、種々の実施形態の開示には、各従属請求項をその
請求項セットの他の全ての請求項と組み合わせたものが含まれる。
いるが、これらの組み合わせが可能な実施形態の開示を限定することは意図されない。実
際には、これらの特徴の多くを、具体的に特許請求の範囲に記載且つ／又は本明細書に開
示されていない方法で組み合わせることができる。添付の各従属請求項は、１つの請求項
のみに直接従属している場合があるが、種々の実施形態の開示には、各従属請求項をその
請求項セットの他の全ての請求項と組み合わせたものが含まれる。
本明細書で使用される要素、行為、又は指示はいずれも、そのように明記されない限り
は重要であるとも必須であるとも解釈されないものとする。また、本明細書において、不
定冠詞「ａ」及び「ａｎ」は１つ又は複数の事項を含むことが意図され、「１つ又は複数
の」と交換可能に用いることができる。さらに、本明細書において、「セット」という用
語は、１つ又は複数の事項（例えば、関連事項、非関連事項、関連事項及び非関連事項の
組み合わせ等）を含むことが意図され、「１つ又は複数の」と交換可能に用いることがで
きる。１つの事項のみを意図する場合、「１つのみ」という語句又は同様の文言が用いら
れる。また、本明細書において、「有する」（"has," "have," "having"）という用語又
はそれに類する用語はオープンエンドな用語であることが意図される。さらに、「基づく
」という語句は、別段に明記されない限り「少なくとも一部基づく」を意味することが意
図される。また、本明細書において、「又は」という用語は、羅列において用いられる場
合は包括的であることが意図され、別段に明記されない限り（例えば、「いずれか」又は
「のうちの１つのみ」と組み合わせて用いられる場合）「及び／又は」と交換可能に用い
ることができる。
は重要であるとも必須であるとも解釈されないものとする。また、本明細書において、不
定冠詞「ａ」及び「ａｎ」は１つ又は複数の事項を含むことが意図され、「１つ又は複数
の」と交換可能に用いることができる。さらに、本明細書において、「セット」という用
語は、１つ又は複数の事項（例えば、関連事項、非関連事項、関連事項及び非関連事項の
組み合わせ等）を含むことが意図され、「１つ又は複数の」と交換可能に用いることがで
きる。１つの事項のみを意図する場合、「１つのみ」という語句又は同様の文言が用いら
れる。また、本明細書において、「有する」（"has," "have," "having"）という用語又
はそれに類する用語はオープンエンドな用語であることが意図される。さらに、「基づく
」という語句は、別段に明記されない限り「少なくとも一部基づく」を意味することが意
図される。また、本明細書において、「又は」という用語は、羅列において用いられる場
合は包括的であることが意図され、別段に明記されない限り（例えば、「いずれか」又は
「のうちの１つのみ」と組み合わせて用いられる場合）「及び／又は」と交換可能に用い
ることができる。
Claims (20)
- 第１分光モデルに基づいて第２分光モデルを提供する方法であって、
第１分光計からのマスターデータセットに基づいて生成された前記第１分光モデルに関連する情報を制御装置により受信するステップと、
前記第１分光モデルに関連する前記情報の受信に基づいて、前記制御装置により第２分光計に１つ又は複数の分光測定を実行させるステップと、
１つ又は複数の分光測定値をターゲットデータセットとして前記制御装置により前記第２分光計から受信するステップと、
前記制御装置によりクロスバリデーションを用いて、前記ターゲットデータセットに基づき前記第２分光モデルを生成するステップと、
前記第２分光モデルを用いて前記制御装置により分光分析を実行するステップと、
を含む、
方法。 - 請求項１に記載の方法であって、
前記第１分光モデルに関連する前記情報は、１つ又は複数の前記第１分光モデル又は１つ又は複数の前記マスターデータセットを含む、
方法。 - 請求項１に記載の方法であって、
前記マスターデータセットは、初期時点の初期母集団に対して前記第１分光計により実行される初期分光測定セットを含み、
前記ターゲットデータセットは、後続時点の後続母集団に対して前記第２分光計により実行される後続分光測定セットを含む、
方法。 - 請求項１に記載の方法であって、
前記第２分光計に１つ又は複数の前記分光測定を実行させるステップは、前記第２分光計に命令を送信して、前記第２分光計に１つ又は複数の分光測定を実行させるステップを含む、
方法。 - 請求項１に記載の方法であって、
前記第２分光計に１つ又は複数の前記分光測定を実行させるステップは、
前記第１分光モデルに関連する前記情報を受信するステップに基づいて、前記第１分光モデルを更新又は較正することを決定するステップと、
前記第１分光モデルを更新又は較正することを決定するステップに基づいて、前記第２分光計をトリガして、１つ又は複数の前記分光測定を実行させるステップと、
を含む、
方法。 - 請求項１に記載の方法であって、
前記第２分光モデルを生成するステップは、
前記ターゲットデータセットに基づいてバリデーションセットを生成するステップと、
クロスバリデーションを用いて、前記バリデーションセットに基づき前記第２分光モデルを生成するステップと、
を含む、
方法。 - 請求項１に記載の方法であって、
前記第２分光モデルを生成するステップは、
前記マスターデータセット及び前記ターゲットデータセットに基づいて複数のトレーニングセットを求めるステップと、
前記マスターデータセットからのデータではなく、前記ターゲットデータセットに基づいて複数のバリデーションセットを求めるステップと、
前記複数のトレーニングセット及び前記複数のバリデーションセットに基づいて複数の性能メトリックを求めるステップと、
クロスバリデーションを用いて、前記複数の性能メトリックに基づき最適部分最小二乗（ＰＬＳ）因子を求めるステップと、
最適な前記ＰＬＳ因子に基づいて前記第２分光モデルを生成するステップと、
を含む、
方法。 - 請求項１に記載の方法であって、
前記第２分光モデルを生成するステップは、
前記ターゲットデータセットに基づいて、クロスバリデーションに関連付けられるフォールドの性能メトリックを求めるステップと、
前記フォールドの部分最小二乗（ＰＬＳ）因子を求めるステップと、
前記ＰＬＳ因子の二乗平均誤差（ＲＭＳＥ）値を求めるステップと、
前記ＰＬＳ因子及び前記ＲＭＳＥ値に基づいて最適なＰＬＳ因子を求めるステップと、
最適な前記ＰＬＳ因子に基づいて前記第２分光モデルを生成するステップと、
を含む、
方法。 - 請求項１に記載の方法であって、
前記第２分光モデルを生成するステップは、
前記マスターデータセットと前記ターゲットデータセットとをマージすることでマージ済みデータセットを生成するステップと、
前記マージ済みデータセット及び最適部分最小二乗（ＰＬＳ）因子を用いて前記第２分光モデルを生成するステップと、
を含む、
方法。 - １つ又は複数のメモリと、
前記１つ又は複数のメモリに通信可能に結合された１つ又は複数のプロセッサであり、
第１分光計からの第１データセットに基づいて生成された第１分光モデルに関連する情報を受信し、
前記第１分光モデルに関連する前記情報の受信に基づいて、第２分光計に１つ又は複数の分光測定を実行させ、
１つ又は複数の分光測定値を第２データセットとして前記第２分光計から受信し、
クロスバリデーションを用いて、前記第２データセットに基づき第２分光モデルを生成し、
前記第２分光モデルを用いて分光分析を実行する
よう構成されたプロセッサと、
を備える、
制御装置。 - 請求項１０に記載の制御装置であって、
前記１つ又は複数のプロセッサは、前記第２分光計に１つ又は複数の前記分光測定を実行させるときに、前記第２分光計に命令を送信して、前記第２分光計に１つ又は複数の分光測定を実行させる、
制御装置。 - 請求項１０に記載の制御装置であって、
前記１つ又は複数のプロセッサは、前記第２分光計に１つ又は複数の前記分光測定を実行させるときに、
前記第１分光モデルに関連する前記情報の受信に基づいて、前記第１分光モデルを更新又は較正することを決定し、
前記第１分光モデルを更新又は較正することの決定に基づいて、前記第２分光計をトリガして、１つ又は複数の前記分光測定を実行させる、
制御装置。 - 請求項１０に記載の制御装置であって、
前記１つ又は複数のプロセッサは、前記第２分光モデルを生成するときに、
前記第２データセットに基づいてバリデーションセットを生成し、
クロスバリデーションを用いて、前記バリデーションセットに基づき前記第２分光モデルを生成する、
制御装置。 - 請求項１０に記載の制御装置であって、
前記１つ又は複数のプロセッサは、前記第２分光モデルを生成するときに、
前記第１データセット及び前記第２データセットに基づいて複数のトレーニングセットを求め、
前記複数のトレーニングセットに基づいて複数の性能メトリックを求め、
クロスバリデーションを用いて、前記複数の性能メトリックに基づき最適部分最小二乗（ＰＬＳ）因子を求め、
最適な前記ＰＬＳ因子に基づいて前記第２分光モデルを生成する、
制御装置。 - 請求項１０に記載の制御装置であって、
前記１つ又は複数のプロセッサは、前記第２分光モデルを生成するときに、
前記第１データセットに基づいて、クロスバリデーションに関連付けられるフォールドの性能メトリックを求め、
前記フォールドの部分最小二乗（ＰＬＳ）因子を求め、
前記ＰＬＳ因子に基づいて最適なＰＬＳ因子を求め、
最適な前記ＰＬＳ因子に基づいて前記第２分光モデルを生成する、
制御装置。 - 請求項１０に記載の制御装置であって、
前記１つ又は複数のプロセッサは、前記第２分光モデルを生成するときに、
前記第１データセットと前記第２データセットとをマージすることでマージ済みデータセットを生成し、
前記マージ済みデータセット及び最適部分最小二乗（ＰＬＳ）因子を用いて前記第２分光モデルを生成する、
制御装置。 - 一連の命令を記憶する非一時的なコンピュータ可読媒体であって、前記一連の命令は、
制御装置の１つ又は複数のプロセッサにより実行されると、該制御装置に
マスターデータセットに基づいて生成された第１分光モデルに関連する情報を受信させ、
前記第１分光モデルに関連する前記情報の受信に基づいて、分光計に１つ又は複数の分光測定を実行させ、
１つ又は複数の分光測定値をターゲットデータセットとして前記分光計から受信させ、
クロスバリデーションを用いて、前記ターゲットデータセットに基づき第２分光モデルを生成させ、
前記第２分光モデルを用いて分光分析を実行させる
１つ又は複数の命令を含む、
非一時的なコンピュータ可読媒体。 - 請求項１７に記載の非一時的なコンピュータ可読媒体であって、
前記１つ又は複数の命令は、前記制御装置に前記第２分光モデルを生成させ、前記制御装置に、
前記ターゲットデータセットに基づいてバリデーションセットを生成させ、
クロスバリデーションを用いて、前記バリデーションセットに基づき第２分光モデルを生成させる、
非一時的なコンピュータ可読媒体。 - 請求項１７に記載の非一時的なコンピュータ可読媒体であって、
前記１つ又は複数の命令は、前記制御装置に前記第２分光モデルを生成させ、前記制御装置に、
前記マスターデータセットからのデータではなく、前記ターゲットデータセットに基づいて複数のバリデーションセットを求めさせ、
前記複数のバリデーションセットに基づいて複数の性能メトリックを求めさせ、
前記複数の性能メトリックに基づいて前記第２分光モデルを生成させる、
非一時的なコンピュータ可読媒体。 - 請求項１７に記載の非一時的なコンピュータ可読媒体であって、
前記１つ又は複数の命令は、前記制御装置に前記第２分光モデルを生成させ、前記制御装置に、
前記マスターデータセットと前記ターゲットデータセットとをマージすることでマージ済みデータセットを生成させ、
前記マージ済みデータセット及び最適部分最小二乗（ＰＬＳ）因子を用いて前記第２分光モデルを生成させる、
非一時的なコンピュータ可読媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023194386A JP2024035237A (ja) | 2018-06-29 | 2023-11-15 | 分光モデルのクロスバリデーションベース較正 |
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862692248P | 2018-06-29 | 2018-06-29 | |
| US62/692,248 | 2018-06-29 | ||
| US16/448,914 US10928309B2 (en) | 2018-06-29 | 2019-06-21 | Cross-validation based calibration of a spectroscopic model |
| US16/448,914 | 2019-06-21 | ||
| JP2019120431A JP7123866B2 (ja) | 2018-06-29 | 2019-06-27 | 分光モデルのクロスバリデーションベース較正 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019120431A Division JP7123866B2 (ja) | 2018-06-29 | 2019-06-27 | 分光モデルのクロスバリデーションベース較正 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023194386A Division JP2024035237A (ja) | 2018-06-29 | 2023-11-15 | 分光モデルのクロスバリデーションベース較正 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022172139A JP2022172139A (ja) | 2022-11-15 |
| JP7387832B2 true JP7387832B2 (ja) | 2023-11-28 |
Family
ID=67137548
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019120431A Active JP7123866B2 (ja) | 2018-06-29 | 2019-06-27 | 分光モデルのクロスバリデーションベース較正 |
| JP2022128108A Active JP7387832B2 (ja) | 2018-06-29 | 2022-08-10 | 分光モデルのクロスバリデーションベース較正 |
| JP2023194386A Pending JP2024035237A (ja) | 2018-06-29 | 2023-11-15 | 分光モデルのクロスバリデーションベース較正 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019120431A Active JP7123866B2 (ja) | 2018-06-29 | 2019-06-27 | 分光モデルのクロスバリデーションベース較正 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023194386A Pending JP2024035237A (ja) | 2018-06-29 | 2023-11-15 | 分光モデルのクロスバリデーションベース較正 |
Country Status (6)
| Country | Link |
|---|---|
| US (3) | US10928309B2 (ja) |
| EP (2) | EP3588060B1 (ja) |
| JP (3) | JP7123866B2 (ja) |
| KR (2) | KR102494073B1 (ja) |
| CN (2) | CN115266604A (ja) |
| TW (2) | TWI783159B (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10928309B2 (en) | 2018-06-29 | 2021-02-23 | Viavi Solutions Inc. | Cross-validation based calibration of a spectroscopic model |
| US10969331B2 (en) * | 2018-07-11 | 2021-04-06 | Viavi Solutions Inc. | Focusing linear model correction and linear model correction for multivariate calibration model maintenance |
| CN112629659A (zh) * | 2019-10-08 | 2021-04-09 | 中强光电股份有限公司 | 用于训练用于不同的光谱仪的管线的自动化模型训练装置和自动化模型训练方法 |
| CN115280334A (zh) * | 2020-03-31 | 2022-11-01 | 株式会社日立高新技术 | 错误原因的推定装置以及推定方法 |
| CN112161965B (zh) * | 2020-09-22 | 2022-08-05 | 复旦大学附属妇产科医院 | 检测中药药性的方法、装置、计算机设备和存储介质 |
| WO2023183499A1 (en) * | 2022-03-23 | 2023-09-28 | Si-Ware Systems | Generalized artificial intelligence modeler for ultra-wide-scale deployment of spectral devices |
| JP7168118B1 (ja) * | 2022-06-23 | 2022-11-09 | 横河電機株式会社 | 検量装置、検量方法および検量プログラム |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140012504A1 (en) | 2012-06-14 | 2014-01-09 | Ramot At Tel-Aviv University Ltd. | Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy |
| JP2015526135A (ja) | 2012-07-02 | 2015-09-10 | ナショナル ユニヴァーシティー オブ シンガポール | 光ファイバーラマン分光法を利用する内視鏡検査でのリアルタイム癌診断に関連する方法 |
| US20160141193A1 (en) | 2014-11-19 | 2016-05-19 | Kla-Tencor Corporation | System, method and computer program product for combining raw data from multiple metrology tools |
| JP2017004509A (ja) | 2015-06-04 | 2017-01-05 | ザ・ボーイング・カンパニーＴｈｅ Ｂｏｅｉｎｇ Ｃｏｍｐａｎｙ | 機械学習のための高度解析インフラストラクチャ |
| JP2018059900A (ja) | 2016-07-29 | 2018-04-12 | ビアビ・ソリューションズ・インコーポレイテッドＶｉａｖｉ Ｓｏｌｕｔｉｏｎｓ Ｉｎｃ． | スパース転送セットを使用する較正モデルの転送 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100288215B1 (ko) * | 1998-12-30 | 2001-11-02 | 이계안 | 자동차 글라스 장착 시스템 |
| US6341257B1 (en) * | 1999-03-04 | 2002-01-22 | Sandia Corporation | Hybrid least squares multivariate spectral analysis methods |
| KR100545730B1 (ko) * | 2004-02-03 | 2006-01-24 | 재단법인서울대학교산학협력재단 | 라만 분광법을 이용한 소변 성분 분석 시스템 및 그 방법 |
| US7277810B2 (en) * | 2005-07-05 | 2007-10-02 | The United States Of America As Represented By The Secretary Of The Navy | Method and apparatus for automating calibration of test instruments |
| US20110045598A1 (en) * | 2007-10-17 | 2011-02-24 | Baylor University | Methods for determining enantiomeric purity with improved chiral selectors |
| CA2774576C (en) * | 2009-09-24 | 2017-12-12 | Commonwealth Scientific And Industrial Research Organisation | Method of contaminant prediction |
| CN103528990B (zh) * | 2013-10-31 | 2017-07-28 | 天津工业大学 | 一种近红外光谱的多模型建模方法 |
| GB201405223D0 (en) * | 2014-03-24 | 2014-05-07 | Inst Of Food Res | Spectroscopy method and system |
| CN105117734B (zh) * | 2015-07-28 | 2018-04-13 | 江南大学 | 基于模型在线更新的玉米种子高光谱图像分类识别方法 |
| CN105203498A (zh) * | 2015-09-11 | 2015-12-30 | 天津工业大学 | 一种基于lasso的近红外光谱变量选择方法 |
| US10928309B2 (en) | 2018-06-29 | 2021-02-23 | Viavi Solutions Inc. | Cross-validation based calibration of a spectroscopic model |
-
2019
- 2019-06-21 US US16/448,914 patent/US10928309B2/en active Active
- 2019-06-26 TW TW108122370A patent/TWI783159B/zh active
- 2019-06-26 TW TW111139085A patent/TW202305327A/zh unknown
- 2019-06-27 EP EP19183083.5A patent/EP3588060B1/en active Active
- 2019-06-27 EP EP22168542.3A patent/EP4063831A1/en active Pending
- 2019-06-27 JP JP2019120431A patent/JP7123866B2/ja active Active
- 2019-06-28 CN CN202210794546.3A patent/CN115266604A/zh active Pending
- 2019-06-28 KR KR1020190078269A patent/KR102494073B1/ko active IP Right Grant
- 2019-06-28 CN CN201910576094.XA patent/CN110657890B/zh active Active
-
2021
- 2021-02-11 US US17/248,867 patent/US11719628B2/en active Active
-
2022
- 2022-08-10 JP JP2022128108A patent/JP7387832B2/ja active Active
-
2023
- 2023-01-26 KR KR1020230010250A patent/KR20230022897A/ko active Application Filing
- 2023-06-30 US US18/345,585 patent/US20230349818A1/en active Pending
- 2023-11-15 JP JP2023194386A patent/JP2024035237A/ja active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140012504A1 (en) | 2012-06-14 | 2014-01-09 | Ramot At Tel-Aviv University Ltd. | Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy |
| JP2015526135A (ja) | 2012-07-02 | 2015-09-10 | ナショナル ユニヴァーシティー オブ シンガポール | 光ファイバーラマン分光法を利用する内視鏡検査でのリアルタイム癌診断に関連する方法 |
| US20160141193A1 (en) | 2014-11-19 | 2016-05-19 | Kla-Tencor Corporation | System, method and computer program product for combining raw data from multiple metrology tools |
| JP2017004509A (ja) | 2015-06-04 | 2017-01-05 | ザ・ボーイング・カンパニーＴｈｅ Ｂｏｅｉｎｇ Ｃｏｍｐａｎｙ | 機械学習のための高度解析インフラストラクチャ |
| JP2018059900A (ja) | 2016-07-29 | 2018-04-12 | ビアビ・ソリューションズ・インコーポレイテッドＶｉａｖｉ Ｓｏｌｕｔｉｏｎｓ Ｉｎｃ． | スパース転送セットを使用する較正モデルの転送 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3588060A1 (en) | 2020-01-01 |
| JP2020020785A (ja) | 2020-02-06 |
| JP2024035237A (ja) | 2024-03-13 |
| KR20230022897A (ko) | 2023-02-16 |
| KR102494073B1 (ko) | 2023-01-31 |
| EP3588060B1 (en) | 2022-05-11 |
| US20230349818A1 (en) | 2023-11-02 |
| TWI783159B (zh) | 2022-11-11 |
| TW202305327A (zh) | 2023-02-01 |
| CN110657890B (zh) | 2022-07-05 |
| KR20200002694A (ko) | 2020-01-08 |
| CN115266604A (zh) | 2022-11-01 |
| TW202018260A (zh) | 2020-05-16 |
| EP4063831A1 (en) | 2022-09-28 |
| US20210164891A1 (en) | 2021-06-03 |
| US20200003679A1 (en) | 2020-01-02 |
| CN110657890A (zh) | 2020-01-07 |
| JP2022172139A (ja) | 2022-11-15 |
| US10928309B2 (en) | 2021-02-23 |
| US11719628B2 (en) | 2023-08-08 |
| JP7123866B2 (ja) | 2022-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7387832B2 (ja) | 分光モデルのクロスバリデーションベース較正 | |
| TWI810013B (zh) | 用於減少光譜分類的誤報識別之設備和方法以及相關的非暫時性電腦可讀取媒體 | |
| TWI759577B (zh) | 用於在光譜量化期間避免誤報識別的設備和方法以及相關的非暫時性電腦可讀取媒體 | |
| CN107664532A (zh) | 使用稀疏转移集合转移校准模型 | |
| US10984334B2 (en) | Endpoint detection in manufacturing process by near infrared spectroscopy and machine learning techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220908 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220908 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230704 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231002 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231017 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231115 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7387832 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |