JPH03262944A - 赤外スペクトル同定方法 - Google Patents
赤外スペクトル同定方法Info
- Publication number
- JPH03262944A JPH03262944A JP2062054A JP6205490A JPH03262944A JP H03262944 A JPH03262944 A JP H03262944A JP 2062054 A JP2062054 A JP 2062054A JP 6205490 A JP6205490 A JP 6205490A JP H03262944 A JPH03262944 A JP H03262944A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- data
- infrared spectrum
- standard sample
- unknown
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 60
- 150000001875 compounds Chemical class 0.000 claims abstract description 33
- 239000002131 composite material Substances 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 description 7
- 239000000126 substance Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000002834 transmittance Methods 0.000 description 3
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
Landscapes
- Spectrometry And Color Measurement (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
〔産業上の利用分野〕
本発明は赤外スペクトル同定方法に関し、詳しくは複合
ニューラルネットを用いて未知化合物の同定分析を行う
改良された赤外スペクトル同定方法に関する。
ニューラルネットを用いて未知化合物の同定分析を行う
改良された赤外スペクトル同定方法に関する。
赤外線の波長領域に現れる物質の吸収又は発光スペクト
ルである赤外スペクトルは物質の同定分析に有力な手段
である。この赤外線の波長領域には分子の振動エネルギ
ー準位間の遷移、すなわち振動スペクトルが主として現
れ、分子の固有振動数はその化学構造によって異なるた
め、赤外スペクトルも物質によって異なる。このため、
赤外スペクトルは、ラマン効果と共に、化合物の同定お
よび分析を行う方法に広く用いられている。そして赤外
分光計で得られたスペクトルデータから未知化合物の同
定や分析を助ける従来からの方法としては、赤外スペク
トルデータをデータベースとしてメインフレームに格納
し、未知化合物の赤外スペクトルから吸収ピークの波数
と透過率を人為的に読み取って、それをキーとしてデー
タベース検索を行う方法がある。
ルである赤外スペクトルは物質の同定分析に有力な手段
である。この赤外線の波長領域には分子の振動エネルギ
ー準位間の遷移、すなわち振動スペクトルが主として現
れ、分子の固有振動数はその化学構造によって異なるた
め、赤外スペクトルも物質によって異なる。このため、
赤外スペクトルは、ラマン効果と共に、化合物の同定お
よび分析を行う方法に広く用いられている。そして赤外
分光計で得られたスペクトルデータから未知化合物の同
定や分析を助ける従来からの方法としては、赤外スペク
トルデータをデータベースとしてメインフレームに格納
し、未知化合物の赤外スペクトルから吸収ピークの波数
と透過率を人為的に読み取って、それをキーとしてデー
タベース検索を行う方法がある。
しかしながら、データベースを基本とする方法は、デー
タを格納／検索するために巨大な計算機システムを必要
とするばかりでなく、検索処理に多くの時間を費やすと
いう欠点があった。また、検索のキーとなる吸収ピーク
の波数と透過率はスペクトルチャートから人為的に読み
出すために人手がかかり、さらにヒユーマンエラーの原
因ともなる。
タを格納／検索するために巨大な計算機システムを必要
とするばかりでなく、検索処理に多くの時間を費やすと
いう欠点があった。また、検索のキーとなる吸収ピーク
の波数と透過率はスペクトルチャートから人為的に読み
出すために人手がかかり、さらにヒユーマンエラーの原
因ともなる。
そこで本発明の目的は、前記従来のデータベースを基本
とする方法の難点を解消し、短時間に、人手を介するこ
となく物質の同定や分析を行うことができる優れた赤外
スペクトル同定方法を提供することである。
とする方法の難点を解消し、短時間に、人手を介するこ
となく物質の同定や分析を行うことができる優れた赤外
スペクトル同定方法を提供することである。
前記目的を達成するため、本発明の赤外スペクトル同定
方法は、Ｉ！ｌＩ準試料の赤外スペクトルデータを用い
て、３層バーセプトロンモデルのニューラルネットの学
習を行い、この学習済みのニューラルネットを用いてこ
れらのデータを複数個のカテゴリーに分類し１次にそれ
ぞれのカテゴリーのデータをさらに同様の方法で複数個
のカテゴリーに分類し、以下同様な方法で最終的に個々
のデータが識別できるようになるまでカテゴリーの分類
を行うことにより、多段階的にニューラルネットを組み
合わせた複合ニューラルネットを構築し、構築された複
合ニューラルネットに未知化合物の実測スペクトルデー
タを入力してニューラルネットの出力を採取し、その出
力値と標準試料の赤外スペクトルデータによる出力値と
を比較して標点を計算して候補化合物を求めることによ
り、未知化合物の同定分析を行うようにしたことを特徴
としている。
方法は、Ｉ！ｌＩ準試料の赤外スペクトルデータを用い
て、３層バーセプトロンモデルのニューラルネットの学
習を行い、この学習済みのニューラルネットを用いてこ
れらのデータを複数個のカテゴリーに分類し１次にそれ
ぞれのカテゴリーのデータをさらに同様の方法で複数個
のカテゴリーに分類し、以下同様な方法で最終的に個々
のデータが識別できるようになるまでカテゴリーの分類
を行うことにより、多段階的にニューラルネットを組み
合わせた複合ニューラルネットを構築し、構築された複
合ニューラルネットに未知化合物の実測スペクトルデー
タを入力してニューラルネットの出力を採取し、その出
力値と標準試料の赤外スペクトルデータによる出力値と
を比較して標点を計算して候補化合物を求めることによ
り、未知化合物の同定分析を行うようにしたことを特徴
としている。
本発明の赤外スペクトル同定方法はニューラルネットの
学習のフェーズとニューラルネットによる認識のフェー
ズに大別される。前者のフェーズにおいては、標準試料
の赤外スペクトルデータを用いてニューラルネットの学
習が行われ、データは類似度に従って多段階的に複数個
のカテゴリーに分類され、最終的に個々のデータが識別
可能な複合ニューラルネットが構築される。後者のフェ
ーズにおいては、上記のようにして構築された複合ニュ
ーラルネットに未知化合物の実測赤外スペクトルデータ
が人為的でなく直積的に入力され、学習済のニューラル
ネットによりデータ認識が行われる。そしてその認識結
果の出力と各標準試料の赤外スペクトルの出力値とが比
較され、各標準試料対応に標点が計算され、その標点に
基づき候補化合物が求められる。
学習のフェーズとニューラルネットによる認識のフェー
ズに大別される。前者のフェーズにおいては、標準試料
の赤外スペクトルデータを用いてニューラルネットの学
習が行われ、データは類似度に従って多段階的に複数個
のカテゴリーに分類され、最終的に個々のデータが識別
可能な複合ニューラルネットが構築される。後者のフェ
ーズにおいては、上記のようにして構築された複合ニュ
ーラルネットに未知化合物の実測赤外スペクトルデータ
が人為的でなく直積的に入力され、学習済のニューラル
ネットによりデータ認識が行われる。そしてその認識結
果の出力と各標準試料の赤外スペクトルの出力値とが比
較され、各標準試料対応に標点が計算され、その標点に
基づき候補化合物が求められる。
以下、本発明を実施例に基づき図面を参照しながら詳細
に説明する。
に説明する。
第１図は本発明に用いるシステムの基本となるニューラ
ルネット（ＮＮ）の構造を示す概念図、第２図は個々の
ニューラルネットを組み合わせて構成された複合ニュー
ラルネット全体の構造を示す概念図である。本発明では
第２図のように複数のニューラルネットを多段階↓こ（
階層的に）組み合わせて全体を構成しているが、その要
素となる個々のニューラルネットは第１図に示すように
入力層、中間層及び出力層の３層構造をもつパーセプト
ロンモデルである。ニューラルネットの規模としては計
算速度を充分速く保つため各層のユニットが適当に設定
されるが、本実施例では入力層を３００ユニット程度、
中間層を１０ユニット程度、出力層を１０ユニット程度
としている。個々のニューラルネットの機能は、入力さ
れた未知化合物の赤外スペクトルデータをｎ個（本例で
は１０個）のカテゴリーの内のどれかに分類することで
ある。すなわち、初段のニューラルネットにおいて、未
知データは１／ｎ （本例では１／１０）の可能性にし
ぼりこまれ、２段目のニューラルネットにおいて更に１
／鵬（本例では１／１０）の可能性に絞りこまれ、最終
的に個々の化合物に対する評点を出力するしくみになっ
ている。
ルネット（ＮＮ）の構造を示す概念図、第２図は個々の
ニューラルネットを組み合わせて構成された複合ニュー
ラルネット全体の構造を示す概念図である。本発明では
第２図のように複数のニューラルネットを多段階↓こ（
階層的に）組み合わせて全体を構成しているが、その要
素となる個々のニューラルネットは第１図に示すように
入力層、中間層及び出力層の３層構造をもつパーセプト
ロンモデルである。ニューラルネットの規模としては計
算速度を充分速く保つため各層のユニットが適当に設定
されるが、本実施例では入力層を３００ユニット程度、
中間層を１０ユニット程度、出力層を１０ユニット程度
としている。個々のニューラルネットの機能は、入力さ
れた未知化合物の赤外スペクトルデータをｎ個（本例で
は１０個）のカテゴリーの内のどれかに分類することで
ある。すなわち、初段のニューラルネットにおいて、未
知データは１／ｎ （本例では１／１０）の可能性にし
ぼりこまれ、２段目のニューラルネットにおいて更に１
／鵬（本例では１／１０）の可能性に絞りこまれ、最終
的に個々の化合物に対する評点を出力するしくみになっ
ている。
本発明では、ニューラルネットを用いていることから、
作業の流れは、「ニューラルネットの学習」のフェーズ
と「ニューラルネットを用いた認識」のフェーズに分け
ることができる。未知化合物の同定を行うに当たっては
認識のフェーズだけを利用すればよいが、システムの構
築のために学習のフェーズは欠かせない、したがって、
以下、学習のフェーズと認識のフェーズにわけて、本発
明の詳細な説明する。
作業の流れは、「ニューラルネットの学習」のフェーズ
と「ニューラルネットを用いた認識」のフェーズに分け
ることができる。未知化合物の同定を行うに当たっては
認識のフェーズだけを利用すればよいが、システムの構
築のために学習のフェーズは欠かせない、したがって、
以下、学習のフェーズと認識のフェーズにわけて、本発
明の詳細な説明する。
■ニューラルネットの学習のフェーズ
本発明で使用しているニューラルネットのうち、終段以
外のニューラルネットはパターンの分類に用いている。
外のニューラルネットはパターンの分類に用いている。
これらのニューラルネットの学習の方法の手順を第３図
に流れ図で示す。
に流れ図で示す。
本発明ではまず標準試料の赤外スペクトルデータを用い
てニューラルネットの学習用のデータを作成しておく、
これらのデータの中から無作為に１０個のデータを選び
（代表データとする）、ニューラルネットに学習させる
（ステップ■）０次に学習済のネットワークに、残りの
データのパターンを認識させ、出力値が一定（一般的に
０から１の間の値で、経験的に０．５としている。）以
上に達しているパターンを取り出す（ステップ■）、そ
して、ステップ■で取り出したパターンを学習データに
加えて、再度学習を行う、この過程で、類似したパター
ンが一つのカテゴリーに集合する。パターンの集合が進
行しないカテゴリーは代表データを変更して、同様の操
作をくりかえす。そして、最終的にすべての化合物が１
０個のカテゴリーに分類できるまで、ステップ■〜ステ
ップ■を繰り返す。
てニューラルネットの学習用のデータを作成しておく、
これらのデータの中から無作為に１０個のデータを選び
（代表データとする）、ニューラルネットに学習させる
（ステップ■）０次に学習済のネットワークに、残りの
データのパターンを認識させ、出力値が一定（一般的に
０から１の間の値で、経験的に０．５としている。）以
上に達しているパターンを取り出す（ステップ■）、そ
して、ステップ■で取り出したパターンを学習データに
加えて、再度学習を行う、この過程で、類似したパター
ンが一つのカテゴリーに集合する。パターンの集合が進
行しないカテゴリーは代表データを変更して、同様の操
作をくりかえす。そして、最終的にすべての化合物が１
０個のカテゴリーに分類できるまで、ステップ■〜ステ
ップ■を繰り返す。
やむをえずどのカテゴリーにも属さないパターンは、人
が判断して何処かのカテゴリーに含めておく、最後にす
べての標準試料の赤外スペクトルデータを用いて学習を
行い、複合ネットワークを完成させる（ステップ■）。
が判断して何処かのカテゴリーに含めておく、最後にす
べての標準試料の赤外スペクトルデータを用いて学習を
行い、複合ネットワークを完成させる（ステップ■）。
なお、終段のニューラルネットにおいては、−般的なパ
ターン認識の学習法を用いる。すなわち、第３段のネッ
トワークで同一のカテゴリーに属しているものを学習デ
ータとし、個々の化合物を教師データとして１個々の化
合物に対する評点を出力するように学習を行う。
ターン認識の学習法を用いる。すなわち、第３段のネッ
トワークで同一のカテゴリーに属しているものを学習デ
ータとし、個々の化合物を教師データとして１個々の化
合物に対する評点を出力するように学習を行う。
■ニューラルネットによる認識のフェーズ以上の様にし
て構築されたニューラルネットを用いて未知化合物の赤
外スペクトルデータを同定する方法の手順を第４図に流
れ図で示す。
て構築されたニューラルネットを用いて未知化合物の赤
外スペクトルデータを同定する方法の手順を第４図に流
れ図で示す。
まず、初段のニューラルネットに未知化合物の赤外スペ
クトルパターンを読み込ませる。この読み込みは、例え
ばニューラルネットの入力層が３００ユニツトに設定さ
れている場合には赤外スペクトルパターン上の３００点
のデータを赤外分光計から（人為的に読み出さずに）直
接入力層の各対応ユニットに読み込ませることにより行
う。読み込みが終わると学習済のニューラルネットは学
習データをもとに計算を行い、出力層に値を出力する（
ステップの）、ここで得られた値をもとに評点を計算し
て、次に用いる次段のニューラルネットを選択しくステ
ップ■）、選択したニューラルネットに再び未知化合物
のパターンデータを認識させる（ステップ■）０以上の
操作を、終段のニューラルネットに到達するまで繰り返
す、最終的に、終段のニューラルネットが出力する値を
もとに評点を計算し、未知パターンの化合物名を求める
（ステップ■）。この場合、未知化合物が標準試料と同
じであるならばその評点は当然１となる。なお、未知化
合物のパターンデータによっては、ただ一つの化合物に
到達しない場合もある得る。その場合は、評点に基づい
て候補化合物を求める。以上のようにして未知化合物の
同定分析が高速に、しかも巨大な計算機システムを必要
とせずに行われる。
クトルパターンを読み込ませる。この読み込みは、例え
ばニューラルネットの入力層が３００ユニツトに設定さ
れている場合には赤外スペクトルパターン上の３００点
のデータを赤外分光計から（人為的に読み出さずに）直
接入力層の各対応ユニットに読み込ませることにより行
う。読み込みが終わると学習済のニューラルネットは学
習データをもとに計算を行い、出力層に値を出力する（
ステップの）、ここで得られた値をもとに評点を計算し
て、次に用いる次段のニューラルネットを選択しくステ
ップ■）、選択したニューラルネットに再び未知化合物
のパターンデータを認識させる（ステップ■）０以上の
操作を、終段のニューラルネットに到達するまで繰り返
す、最終的に、終段のニューラルネットが出力する値を
もとに評点を計算し、未知パターンの化合物名を求める
（ステップ■）。この場合、未知化合物が標準試料と同
じであるならばその評点は当然１となる。なお、未知化
合物のパターンデータによっては、ただ一つの化合物に
到達しない場合もある得る。その場合は、評点に基づい
て候補化合物を求める。以上のようにして未知化合物の
同定分析が高速に、しかも巨大な計算機システムを必要
とせずに行われる。
以上、本発明を一実施例に基づき説明してきたが、本発
明は上記実施例のみに限定されるものではなく、種々の
変形、変更が可能である。例えば。
明は上記実施例のみに限定されるものではなく、種々の
変形、変更が可能である。例えば。
ニューラルネットの各層のユニットは計算速度が充分速
く保てれば適宜のユニット数とすることができ、また複
合ニューラルネットのカテゴリー数及び段数は標準試料
の数に応じて適当な数に設定することができる。
く保てれば適宜のユニット数とすることができ、また複
合ニューラルネットのカテゴリー数及び段数は標準試料
の数に応じて適当な数に設定することができる。
本発明では、未知の化合物の赤外スペクトルデータを標
準試料の赤外スペクトルデータを比較して評点を判定す
るに当たってニューラルネットを用いたことにより、従
来のデータベース検索の方法に比較して、データを格納
／検索するための巨大な計算機システムが不要となるば
かりでなく、ニューラルネットの原理上の特徴から、処
理時間を大幅に短縮することができる。また、検索のキ
ーとなる吸収ピークの波数や透過率をスペクトルチャー
トから人為的に読み出す必要なくヒユーマンエラーの防
止や判断の傭人差を回避できるという効果がある。
準試料の赤外スペクトルデータを比較して評点を判定す
るに当たってニューラルネットを用いたことにより、従
来のデータベース検索の方法に比較して、データを格納
／検索するための巨大な計算機システムが不要となるば
かりでなく、ニューラルネットの原理上の特徴から、処
理時間を大幅に短縮することができる。また、検索のキ
ーとなる吸収ピークの波数や透過率をスペクトルチャー
トから人為的に読み出す必要なくヒユーマンエラーの防
止や判断の傭人差を回避できるという効果がある。
第１図は、偶々のニューラルネットの構造を示す概念図
である。 第２図は、複合ニューラルネット（本システム全体）の
構造を示す概念図である。 第３図は、標準試料の赤外スペクトルパターンをカテゴ
リーに分類するための学習の方法を示す流れ図である。 第４図は、未知化合物のパターンを認識させ、候補化合
物を検索する方法を示す流れ図である。 個々のニューラルネットの構造 第１図 カテゴリーに分類するための学習の方法を示す流れ国策
３図 未知のパターンデータを認識させる方法を示す流れ図第
４図
である。 第２図は、複合ニューラルネット（本システム全体）の
構造を示す概念図である。 第３図は、標準試料の赤外スペクトルパターンをカテゴ
リーに分類するための学習の方法を示す流れ図である。 第４図は、未知化合物のパターンを認識させ、候補化合
物を検索する方法を示す流れ図である。 個々のニューラルネットの構造 第１図 カテゴリーに分類するための学習の方法を示す流れ国策
３図 未知のパターンデータを認識させる方法を示す流れ図第
４図
Claims (1)
- （１）標準試料の赤外スペクトルデータを用いて、３層
パーセプトロンモデルのニューラルネットの学習を行い
、この学習済みのニューラルネットを用いてこれらのデ
ータを複数個のカテゴリーに分類し、次にそれぞれのカ
テゴリーのデータをさらに同様の方法で複数個のカテゴ
リーに分類し、以下同様な方法で最終的に個々のデータ
が識別できるようになるまでカテゴリーの分類を行うこ
とにより、多段階的にニューラルネットを組み合わせた
複合ニューラルネットを構築し、 構築された複合ニューラルネットに未知化合物の実測ス
ペクトルデータを入力してニューラルネットの出力を採
取し、その出力値と標準試料の赤外スペクトルデータに
よる出力値とを比較して標点を計算して候補化合物を求
めることにより、未知化合物の同定分析を行うようにし
たことを特徴とする赤外スペクトル同定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6205490A JP2913106B2 (ja) | 1990-03-13 | 1990-03-13 | 赤外スペクトル同定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6205490A JP2913106B2 (ja) | 1990-03-13 | 1990-03-13 | 赤外スペクトル同定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH03262944A true JPH03262944A (ja) | 1991-11-22 |
| JP2913106B2 JP2913106B2 (ja) | 1999-06-28 |
Family
ID=13189054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6205490A Expired - Lifetime JP2913106B2 (ja) | 1990-03-13 | 1990-03-13 | 赤外スペクトル同定方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2913106B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0650890A (ja) * | 1992-03-16 | 1994-02-25 | Agency Of Ind Science & Technol | 官能基推定方法 |
| JPH07167782A (ja) * | 1993-09-17 | 1995-07-04 | Boehringer Mannheim Gmbh | 臨床関連の液体および懸濁液の分析法 |
| JP2014215091A (ja) * | 2013-04-23 | 2014-11-17 | ナノフォトン株式会社 | ラマンスペクトルデータベースの構築方法 |
-
1990
- 1990-03-13 JP JP6205490A patent/JP2913106B2/ja not_active Expired - Lifetime
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0650890A (ja) * | 1992-03-16 | 1994-02-25 | Agency Of Ind Science & Technol | 官能基推定方法 |
| JPH07167782A (ja) * | 1993-09-17 | 1995-07-04 | Boehringer Mannheim Gmbh | 臨床関連の液体および懸濁液の分析法 |
| US5734587A (en) * | 1993-09-17 | 1998-03-31 | Boehringer Mannheim Gmbh | Method of analyzing clinically relevant liquids and suspensions |
| JP2014215091A (ja) * | 2013-04-23 | 2014-11-17 | ナノフォトン株式会社 | ラマンスペクトルデータベースの構築方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2913106B2 (ja) | 1999-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102799899B (zh) | 基于svm和gmm的特定音频事件分层泛化识别方法 | |
| CN110659207B (zh) | 基于核谱映射迁移集成的异构跨项目软件缺陷预测方法 | |
| CN110825877A (zh) | 一种基于文本聚类的语义相似度分析方法 | |
| CN110309867B (zh) | 一种基于卷积神经网络的混合气体识别方法 | |
| CN112732946B (zh) | 一种医学文献的模块化数据分析和数据库建立方法 | |
| JP2010520471A (ja) | 材料の分類および混合物の成分の定量化のためのアンサンブル方法ならびに装置 | |
| CN107577605A (zh) | 一种面向软件缺陷预测的特征聚类选择方法 | |
| CN107704883A (zh) | 一种菱镁矿矿石的品级的分类方法及系统 | |
| CN113933373A (zh) | 一种利用质谱数据确定有机物结构的方法和系统 | |
| CN116994117A (zh) | 目标光谱分析模型的训练方法、装置、设备及存储介质 | |
| CN111259929A (zh) | 基于随机森林的食源性致病菌的分类模型训练方法 | |
| Budhrani et al. | Music2vec: music genre classification and recommendation system | |
| Islam et al. | Knntree: A new method to ameliorate k-nearest neighbour classification using decision tree | |
| JPH03262944A (ja) | 赤外スペクトル同定方法 | |
| CN116525019A (zh) | 一种Vocs挥发性有机物组分分析方法、装置和存储介质 | |
| CN111159328A (zh) | 情报知识融合系统及方法 | |
| CN116519661A (zh) | 一种基于卷积神经网络的大米识别检测方法 | |
| CN115982349A (zh) | 一种基于改进tf-idf的客户用电安全智能分类方法 | |
| Dotan et al. | Effect of tokenization on transformers for biological sequences | |
| CN112735532A (zh) | 基于分子指纹预测的代谢物识别系统及其应用方法 | |
| KR102525028B1 (ko) | 화합물 구조의 활성화 예측을 위한 ADis QSAR 모델 구축 장치 및 그 방법 | |
| Alshehri et al. | Sub-Sequence-Based Dynamic Time Warping. | |
| CN117435246B (zh) | 一种基于马尔可夫链模型的代码克隆检测方法 | |
| Pavan et al. | Performance evaluation of music genre prediction system using convolutional neural network and random forest | |
| JPH01213949A (ja) | 分析条件設定装置および測定データ処理装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080416 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090416 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090416 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100416 Year of fee payment: 11 |
|
| EXPY | Cancellation because of completion of term |