JPH0650890A - 官能基推定方法 - Google Patents

Abstract

(57)【要約】 【目的】 赤外スペクトルチャートに現れる特定のピー
ク波形のみに基づいて未知化合物が含有する官能基を予
測する従来方法における予測精度の低さの欠点を解消
し、実用的な精度で官能基の予測を行えるようにする。 【構成】 特定の官能基を持つ複数の標準試料及び該特
定の官能基を持たない複数の標準試料の赤外線スペクト
ルデータを多層構造のニューラルネットの入力層に入力
するとともに、これら標準試料における該特定の官能基
の有無を示すデータをニューラルネットの出力層に与え
て、ニューラルネットの学習を行う。このニューラルネ
ットの学習を複数の官能基について行う。学習済のニュ
ーラルネットに未知の試料の実測赤外線スペクトルデー
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線スペクトルデータによる出力値
とを比較して官能基の有無に関する評点を計算し、未知
の試料が含有する官能基の種類を推定する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は赤外線スペクトルデータ
を用いて未知化合物が含有する官能基の種類を推定する
官能基推定方法に関する。

【０００２】

【従来の技術】赤外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
な手段であり、化合物の同定及び分析方法として広く用
いられている。一方、化合物の特性、性質等には特定の
官能基の存在が大きく関わっており、その化合物にどの
ような官能基が存在しているか調べることは非常に重要
なことである。従来、赤外分光計で得られたスペクトル
チャートから未知化合物の含有する官能基を推定する方
法としては、該スペクトルチャートに現れる特定のピー
ク波形に基づいて特定の官能基の含有を予測する方法が
ある。

【０００３】

【発明が解決しようとする課題】しかしながら、物質の
分析等のために実用的に指標とされる官能基には非常に
多くの種類があり、これら官能基の全てが赤外スペクト
ルチャートの特定のピーク波形に対応している訳ではな
い。むしろ、官能基毎の組み合わせにより特定のピーク
波形の波数や吸収率が変化することが多く、特定のピー
ク波形だけから、含有する官能基群を正確に予測するこ
とは困難である。そのため現在のところ、赤外スペクト
ルチャートからの官能基予測では実用的な予測精度が得
られていないというのが実状である。

【０００４】そこで本発明の目的は、赤外スペクトルチ
ャートに現れる特定のピーク波形のみに基づいて含有官
能基を予測する前記従来方法の難点を解消し、赤外スペ
クトルチャートからの官能基の推定を実用的な精度で行
うことのできる官能基推定方法を提供することにある。

【０００５】

【課題を解決するための手段】前記目的を達成するた
め、本発明の官能基推定方法は、特定の官能基を持つ複
数の標準試料及び該特定の官能基を持たない複数の標準
試料の赤外線スペクトルデータを多層構造のニューラル
ネットの入力層に入力するとともに、これら標準試料に
おける該特定の官能基の有無を示すデータを該多層構造
のニューラルネットの出力層に与えて、該多層構造のニ
ューラルネットの学習を行い、このニューラルネットの
学習を複数の官能基について行い、学習済のニューラル
ネットに未知の試料の実測赤外線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
標準試料の赤外線スペクトルデータによる出力値とを比
較して官能基の有無に関する評点を計算することによ
り、未知の試料が含有する官能基の種類を推定すること
を特徴としている。

【０００６】

【作用】本発明の官能基推定方法は多層構造のニューラ
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
認識のフェーズからなる。前者のフェーズにおいては、
標準試料の赤外線スペクトルデータと特定の官能基の有
無を示すデータを用いてニューラルネットの学習が行わ
れる。後者のフェーズにおいては、学習済のニューラル
ネットに未知の化合物の赤外線スペクトルデータを入力
することにより、該化合物における特定の官能基の存在
の有無が推定される。このように、官能基推定にニュー
ラルネットを用いたことにより、推定精度が高まり、か
つ推定処理時間が大幅に短縮でき、従来技術の課題が解
決される。

【０００７】

【実施例】以下、本発明の方法を実施例に基づき図面を
参照しながら詳細に説明する。図１は本発明の方法で用
いるニューラルネットの構造を示すもので、本実施例で
は入力層、中間層及び出力層の３相構造を持つ階層的モ
デルを用いているが、これに限定されるものではない。
ニューラルネットの規模としては、その使用目的及び計
算速度の高速化等のために各層のユニット数が適当に設
定されるが、本実施例では入力層を２５０ユニット程
度、中間層を１００ユニット程度、出力層を１ユニット
としている。

【０００８】本発明の方法では、ニューラルネットを用
いて官能基の推定を行っていることから、作業の流れ
は、システムの構築のための「ニューラルネットの学
習」のフェーズと未知試料の官能基推定のための「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。一旦システムが構築されば、未知試料の官能基
推定は後者の認識のフェーズだけを利用して行うことが
できる。以下、各フェーズ毎に詳述する。

【０００９】まず、ニューラルネットの学習のフェーズ
について説明する。本発明の方法では、標準試料の赤外
線スペクトルデータを上記ニューラルネットに学習させ
ることが重要な要素となっている。このフェーズでは、
まず標準試料の赤外線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。標準試料
としてはある特定の官能基を含有する化合物と含有しな
い化合物を官能基ごとに約１００〜１０００ほど選ぶ。
そして各標準試料の赤外線スペクトルチャートに対し、
例えば３１００ｃｍ ^-1〜６００ｃｍ^-1の間の１０ｃｍ^-1
おきのデータを用いる。この赤外線スペクトルデータは
データベース化されているものを利用してもよい。通
常、官能基のスペクトル情報は、上記波数領域に反映さ
れており、この範囲内のデータを上記波数間隔で抽出す
れば、効果的に官能基の推定が行える。

【００１０】図２に入出力データと、ニューラルネット
の入出力層の各ユニットとの対応を示す。ニューラルネ
ットの入力層には上記のようにして準備しておいた標準
試料のデータを、入力層の所定のユニットに所定の波数
でのデータを対応させて入力する。一方、ニューラルネ
ットの出力層には、該標準試料における目的とする官能
基の有無を数値で入力する。例えば、目的とする官能基
が存在する場合には「１」、存在しない時には「０」等
の数値を割り当てる。この作業を、予め準備しておいた
標準試料の数だけ行い、ニューラルネットの学習を行
う。以上の手順で、ある１種類の官能基の存在の有無を
判定するためのニューラルネットの学習が終了する。同
様なニュラルネットの学習を様々な官能基について行
い。即ち、例えば２０種類の官能基の存在の有無を判定
するためには２０個のニュラルネットの学習を行い、２
０個の学習済ニュラルネットを構築する。

【００１１】次に、ニュラルネットによる認識のフェー
ズについて説明する。このフェーズでは、以上のように
して構築された学習済ニュラルネットを用いて、未知の
化合物にある目的とする官能基が含有されているかどう
かの推定を行う。以下このフェーズでの処理を図３のフ
ローチャートに従って説明する。

【００１２】まず、未知の化合物の赤外線スペクトルデ
ータ（サンプルデータ）を、上記の標準試料の場合と同
様な要領で学習済のニューラルネットの入力層に読み込
ませる（ステップ）。次に、推定したい官能基の種類
の指定をする（ステップ）と、外部記憶装置等に記憶
されている、指定された官能基に関するニューラルネッ
トワークデータが計算機システムに読み込まれ、計算機
システム上にて学習済ニューラルネットが構築される
（ステップ）。その後、ニューラルネットは学習デー
タをもとに計算を行い、その出力層に計算値を出力値を
出力する（ステップ）。そして、ここで得られる値を
もとに評点を計算し、当該官能基の有無を推定する（ス
テップ）。さらに、別の官能基の推定を行う場合に
は、ステップからステップに戻り、上記と同様な作
業を繰り返す。

【００１３】以上述べた実施例では、判定する官能基の
種別の数だけニューラルネットを構築する必要があった
が、図４に示すように、ニューラルネットの出力層のユ
ニット数を、判定したい官能基の種別の数だけ予め用意
すれば、１個の学習済ニューラルネットの構築で所期の
目的を達し得る。この場合、ニューラルネットの出力層
の各ユニットには、ユニットごとに異なる官能基を割り
当てて、各標準試料における官能基の有無を示す数値を
それぞれのユニットに入力して、ニューラルネットの学
習を行う。この方法によれば、ユニット数の多さ及び組
み合わせの複雑さにより学習に時間がかかるものの、ニ
ューラルネットの全体数を大幅に節約できる利点があ
る。

【００１４】

【発明の効果】本発明によれば、赤外線スペクトルデー
タに基づく未知の化合物における官能基の有無の推定に
ニューラルネットを用いたことにより、従来の、特定の
ピークをもとに官能基を推定する方法に比べ、正答率が
８０〜９０％と大幅に高い精度で推定することが可能と
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できるという効果がある。

【図面の簡単な説明】

【図１】本発明の方法で用いるニューラルネットの構造
例を示す図である。

【図２】１種類の官能基の有無を推定するニューラルネ
ット（複数）を示す図である。

【図３】官能基の推定を実行する処理の流れを示すフロ
ーチャートである。

【図４】複数の官能基の有無を同時に推定するニューラ
ルネットを示す図である。

Claims (1)

【特許請求の範囲】
1. 【請求項１】 特定の官能基を持つ複数の標準試料及び
   該特定の官能基を持たない複数の標準試料の赤外線スペ
   クトルデータを多層構造のニューラルネットの入力層に
   入力するとともに、これら標準試料における該特定の官
   能基の有無を示すデータを該多層構造のニューラルネッ
   トの出力層に与えて、該多層構造のニューラルネットの
   学習を行い、このニューラルネットの学習を複数の官能
   基について行い、学習済のニューラルネットに未知の試
   料の実測赤外線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線
   スペクトルデータによる出力値とを比較して官能基の有
   無に関する評点を計算することにより、未知の試料が含
   有する官能基の種類を推定することを特徴とする官能基
   推定方法。