KR102505256B1 - 다변수 교정 모델 유지 관리를 위한 집중 선형 모델 보정 및 선형 모델 보정 - Google Patents

다변수 교정 모델 유지 관리를 위한 집중 선형 모델 보정 및 선형 모델 보정 Download PDF

Info

Publication number
KR102505256B1
KR102505256B1 KR1020190083352A KR20190083352A KR102505256B1 KR 102505256 B1 KR102505256 B1 KR 102505256B1 KR 1020190083352 A KR1020190083352 A KR 1020190083352A KR 20190083352 A KR20190083352 A KR 20190083352A KR 102505256 B1 KR102505256 B1 KR 102505256B1
Authority
KR
South Korea
Prior art keywords
master
beta
transmitted
calibration model
coefficient
Prior art date
Application number
KR1020190083352A
Other languages
English (en)
Other versions
KR20200006937A (ko
Inventor
란 선
창멩 슝
Original Assignee
비아비 솔루션즈 아이엔씨.
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 비아비 솔루션즈 아이엔씨. filed Critical 비아비 솔루션즈 아이엔씨.
Publication of KR20200006937A publication Critical patent/KR20200006937A/ko
Priority to KR1020230025070A priority Critical patent/KR20230034271A/ko
Application granted granted Critical
Publication of KR102505256B1 publication Critical patent/KR102505256B1/ko

Links

Images

Classifications

    • 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
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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
    • 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
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G01N21/17—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
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • 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
    • G01N2201/127—Calibration; base line adjustment; drift compensation
    • 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
    • G01N2201/127—Calibration; base line adjustment; drift compensation
    • G01N2201/12746—Calibration values determination
    • G01N2201/12753—Calibration values determination and storage
    • 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
    • G01N2201/127—Calibration; base line adjustment; drift compensation
    • G01N2201/12746—Calibration values determination
    • G01N2201/12769—Calibration values determination and adjusting controls, e.g. zero and 100 %
    • 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
    • G01N2201/127—Calibration; base line adjustment; drift compensation
    • G01N2201/12746—Calibration values determination
    • G01N2201/12784—Base line obtained from computation, histogram

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

장치는 마스터 기기와 관련된 마스터 교정 모델의 마스터 베타 계수를 획득할 수 있다. 상기 마스터 베타 계수는 타깃 기기의 그리드에 있을 수 있다. 상기 장치는 전송된 베타 계수의 쌍을 결정하기 위해, 제한 조건의 세트에 따라 목적 함수의 제한 조건에 맞는 최적화를 수행할 수 있다. 상기 제한 조건에 맞는 최적화는 전송된 베타 계수의 초기 쌍, 상기 마스터 베타 계수, 및 스카우트 세트와 관련된 스펙트럼에 기초하여 수행될 수 있다. 상기 장치는 상기 전송된 베타 계수의 쌍에 기초하여, 전송된 베타 계수를 결정할 수 있다. 상기 장치는 상기 전송된 베타 계수를 포함하는 전송된 베타 계수 세트에 기초하여 최종 전송된 베타 계수를 결정할 수 있다. 상기 최종 전송된 베타 계수는 상기 타깃 기기에 의해 사용하기 위해 상기 마스터 교정 모델에 대응하는 전송된 교정 모델을 생성하는 것과 관련될 수 있다.

Description

다변수 교정 모델 유지 관리를 위한 집중 선형 모델 보정 및 선형 모델 보정{FOCUSING LINEAR MODEL CORRECTION AND LINEAR MODEL CORRECTION FOR MULTIVARIATE CALIBRATION MODEL MAINTENANCE}
분광 기기(spectroscopic instrument)는 분광 기기에 의해 수행된 분광 측정을 교정하기 위한 교정 모델(calibration model)을 갖게 구성될 수 있다. 교정 모델은 일반적으로 분광 기기에 의해 알려진 샘플에 대응하는 기준값(reference value)과 측정된 알려진 샘플에 대응하는 스펙트럼에 기초하여 생성된다.
일부 가능한 구현예에 따라, 방법은, 장치에 의해, 마스터 기기(master instrument)와 관련된 마스터 교정 모델의 마스터 베타 계수(master beta coefficient)를 획득하는 단계로서, 상기 마스터 베타 계수는 타깃 기기(target instrument)의 그리드(grid)에 있는, 상기 마스터 베타 계수를 획득하는 단계; 상기 장치에 의해, 전송된 베타 계수의 쌍을 결정하기 위해, 제한 조건의 세트에 따라, 목적 함수(objective function)의 제한 조건에 맞는 최적화를 수행하는 단계로서, 상기 제한 조건에 맞는 최적화는 전송된 베타 계수의 초기 쌍, 상기 마스터 베타 계수, 및 스카우트 세트(scouting set)와 관련된 스펙트럼에 기초하여 수행되는, 상기 목적 함수의 제한 조건에 맞는 최적화를 수행하는 단계; 상기 장치에 의해 그리고 상기 전송된 베타 계수의 쌍에 기초하여, 전송된 베타 계수를 결정하는 단계; 및 상기 장치에 의해, 상기 전송된 베타 계수를 포함하는 전송된 베타 계수의 세트에 기초하여 최종 전송된 베타 계수를 결정하는 단계로서, 상기 최종 전송된 베타 계수는 상기 타깃 기기에 의해 사용하기 위해 상기 마스터 교정 모델에 대응하는 전송된 교정 모델을 생성하는 것과 관련된, 상기 최종 전송된 베타 계수를 결정하는 단계를 포함할 수 있다.
일부 가능한 구현예에 따르면, 방법은, 장치에 의해, 마스터 교정 모델과 관련된 마스터 기기의 그리드가 상기 마스터 교정 모델에 대응하는 전송된 교정 모델이 생성되어야 하는 타깃 기기의 그리드와 일치(match)하지 않는다고 결정하는 단계; 상기 장치에 의해 그리고 상기 마스터 기기의 그리드가 상기 타깃 기기의 그리드와 일치하지 않는다는 결정에 기초하여, 상기 마스터 교정 모델의 베타 계수를 상기 타깃 기기의 그리드에 보간(interpolating)하는 단계; 및 상기 장치에 의해, 상기 마스터 교정 모델의 베타 계수를 상기 타깃 기기의 그리드에 보간한 결과에 기초하여, 상기 전송된 교정 모델을 생성하는 것과 관련된 마스터 베타 계수를 결정하는 단계를 포함할 수 있다.
일부 가능한 구현에 따르면, 방법은, 장치에 의해, 교정 모델을 업데이트하는 것과 관련된 스카우트 세트를 획득하는 단계로서, 상기 스카우트 세트는 상기 교정 모델이 업데이트되는 기초가 되는 샘플의 세트와 관련된 스펙트럼을 포함하는, 상기 스카우트 세트를 획득하는 단계; 상기 장치에 의해, 상기 교정 모델과 관련된 베타 계수를 결정하는 단계; 상기 장치에 의해 그리고 상기 베타 계수에 기초하여 그리고 선형 모델 보정(linear model correction: LMC) 기법을 사용하여, 상기 교정 모델을 업데이트하는 것과 관련된 업데이트된 베타 계수를 결정하는 단계; 및 상기 장치에 의해, 상기 업데이트된 베타 계수에 기초하여 상기 교정 모델을 업데이트하는 단계를 포함할 수 있다.
도 1a 내지 도 1c는 본 명세서에 설명된 예시적인 구현예를 개략적으로 도시하는 도면;
도 2는 본 명세서에 설명된 시스템 및/또는 방법을 구현할 수 있는 예시적인 환경을 도시하는 도면;
도 3은 도 2의 하나 이상의 장치의 예시적인 구성 요소를 도시하는 도면;
도 4는 본 명세서에 설명된 바와 같이 전송된 교정 모델을 생성하기 위해 전송된 베타 계수를 결정하는 것과 관련된 집중 선형 모델 보정 기법(focused linear model correction technique)의 예시적인 프로세스의 흐름도;
도 5a 내지 도 5c는 도 4의 집중 선형 모델 보정 기법과 관련된 실시예를 도시하는 도면;
도 6은 본 명세서에 설명된 바와 같이 집중 선형 모델 보정 기법 또는 선형 모델 보정 기법과 함께 사용하기 위한 마스터 베타 계수를 결정하기 위해 타깃 기기의 그리드에 마스터 교정 모델의 베타 계수를 보간하기 위한 예시적인 프로세스의 흐름도;
도 7a 내지 도 7c 및 도 8a와 도 8b는 교정 모델 전송을 수행하는 것과 관련하여 LMC 기법 및 fLMC 기법을 각각 사용하여 마스터 교정 모델의 베타 계수를 타깃 기기의 그리드에 보간하는 것과 관련된 도면;
도 9a 내지 도 9d, 도 10a, 도 10b, 도 11a 및 도 11b는 다수의 기기에 걸쳐 교정 모델의 표준화를 달성하는 것과 관련된 예시적인 결과를 도시하는 도면;
도 12는 본 명세서에 설명된 선형 모델 보정 기법을 사용하여 모델을 업데이트하기 위한 예시적인 프로세스의 흐름도;
도 13a 및 도 13b는 선형 모델 보정 기법을 이용하여 교정 모델 업데이트를 수행한 예시적인 결과를 도시하는 도면; 및
도 14a 및 도 14b는 마스터 교정 모델 및 마스터 전송 세트를 사용하여 기준값을 예측하는 것과 관련된 예시적인 결과를 도시하는 도면.
예시적인 구현예의 이하의 상세한 설명은 첨부된 도면을 참조한다. 여러 도면에서 동일한 참조 번호는 동일하거나 유사한 요소를 나타낼 수 있다.
교정 모델 전송 및 교정 모델 업데이트는 근적외선(near-infrared: NIR) 영역에서 응용하는 것과 같은 분광 응용 분야에서 다변수(multivariate) 교정 모델 유지 관리에서 두 가지 중요한 영역이다.
일부 경우, 제1 분광 기기에서 (또는 하나의 환경 조건 하에서) 개발된 다변수 교정 모델을 사용하여, 제2 분광 기기에서 (또는 제1 분광 기기와는 상이한 환경 조건 하에서) 측정된 샘플에 대해 교정된 특성을 예측할 때 결과는 받아들일 수 없다. 또한 동일한 분광 기기에 대해서도 신호가 시간에 따라 드리프트(drift)될 수 있고, 이는 기존 교정 모델을 업데이트하는 것이 요구될 수 있다는 것을 의미한다. 교정 모델을 업데이트할 때, 데이터를 재수집하고 기존 교정 모델을 재교정하는 번거롭고 비용이 드는 작업을 피하기 위해, 드리프트 소스에 관계없이 하나의 조건으로부터 다른 조건으로 교정 모델을 전송하기 위해 교정 전송 기법을 구현할 수 있다.
통상적인 교정 모델 전송 기법 중 하나의 요구 조건은 제1 기기(예를 들어, 교정 모델이 전송되는 기점이 되는 마스터 기기 또는 원래의 조건 하에서 주어진 기기)와 제2 기기(예를 들어, 교정 모델이 전송되는 타깃 기기 또는 타깃 조건 하에서 주어진 기기) 모두에 의해 수집된 것과 동일한 샘플의 세트로부터 얻어진 스펙트럼을 포함하는 전송 데이터 세트를 획득하는 것이다. 일부 경우에 전송 데이터 세트를 얻는 것이 어렵거나 불가능하다. 예를 들어 상하기 쉬운 재료(perishable material)에 대한 교정 모델은 하나의 나라에 위치된 마스터 기기로부터 다른 나라에 위치된 타깃 기기로 전송될 필요가 있을 때 전송 데이터 세트를 얻는 것이 불가능할 수 있다.
선형 모델 보정(LMC) 기법은 단지 타깃 기기에 의해서만 수집된 소수의 스펙트럼만을 요구함으로써 이 문제를 해결할 수 있다. LMC 기법에서 사용되는 스펙트럼 세트는 스카우트 세트라고 한다. 그러나, LMC 기법이 작동하기 위해서는 스카우트 세트에 대한 기준값(예를 들어, 화학 실험실에서 측정된 실제 값)이 필요하다. 일부 경우에 이러한 기준값을 얻는 것은 시간이 많이 걸리고/걸리거나 비용이 많이 들 수 있다.
본 명세서에 설명된 일부 구현예는 교정 모델 전송을 수행하는 것과 관련하여 사용될 수 있는 집중 LMC(focused LMC: fLMC) 기법을 제공한다. LMC 기법과 유사하게 fLMC 기법은 타깃 기기에서 수집된 스카우트 세트만을 필요로 한다. 그러나 LMC 기법과 달리 fLMC 기법은 스카우트 세트에 대한 기준값을 요구하지 않는다. 그리하여, 교정 모델 전송과 관련하여 fLMC 기법을 사용하면 (예를 들어, 전술한 일반적인 교정 모델 전송 기법뿐만 아니라 LMC 기법에 비해) 교정 모델 전송의 비용, 어려움 및/또는 복잡성이 감소된다.
또한, 상대적으로 더 높은 스펙트럼 해상도 및/또는 상대적으로 더 넓은 파장 범위를 갖는 마스터 기기로부터 상대적으로 더 낮은 스펙트럼 해상도 및/또는 상대적으로 더 좁은 파장 범위를 갖는 타깃 기기로 교정 모델을 전송하는 일이 (예를 들어, 벤치탑 기기(benchtop instrument)로부터 휴대용 기기(portable instrument)로 교정 모델을 전송할 때) 종종 발생한다. 이러한 경우에 교정 모델을 전송하기 위해, 일반적인 교정 전송 기법은 교정 모델 전송 프로세스를 개시하기 위해 완전한 마스터 교정 세트(예를 들어, 마스터 기기에 의해 측정된 바와 같이, 샘플의 세트와 관련된 스펙트럼 세트)를 필요로 한다. 여기서 마스터 교정 세트의 스펙트럼은 타깃 기기의 그리드에 보간되고 이후 타깃 기기에 전송하기 위한 중간 모델이 개발된다.
그러나, 마스터 교정 세트에 액세스하는 것이 항상 가능한 것은 아니다. 마스터 교정 세트에 액세스할 수 있는 경우에도 경우에 따라 마스터 데이터베이스가 커질 수 있으며 및/또는 유지 관리 이력이 오래 걸릴 수 있다. 그리하여 데이터베이스로부터 깨끗한 마스터 교정 세트를 얻는 것이 어렵거나 시간이 많이 걸릴 수 있다.
본 명세서에 설명된 일부 구현예는 fLMC 기법 또는 LMC 기법이 마스터 교정 세트를 필요로 하지 않고 교정 모델 전송을 수행하는 것과 관련하여 마스터 교정 모델의 베타 계수를 사용하는 절차를 제공한다. (마스터 교정 세트가 아닌) 베타 계수를 사용하면 교정 모델 전송의 비용, 어려움 및/또는 복잡성을 줄일 수 있다.
추가적으로, 마스터 기기에서 개발된 교정 모델이 기기 간 변동을 가질 수 있는 다수의 다른 기기(예를 들어, 다수의 상이한 타깃 기기)에 전개(deployed)될 때, 종래의 교정 모델 전송 기법을 사용하여 교정 모델 전송을 수행하는 것은 (예를 들어, 타깃 기기가 마스터 기기로부터 멀리 떨어진 위치에 있는 경우) 어려울 수 있다. 일부 구현예에서, LMC 기법 또는 fLMC 기법은 이 문제점을 해결하기 위해 다수의 타깃 기기에서 구성될 수 있다. 마스터 교정 모델이 타깃 기기로 전달될 때, 사용자는 스카우트 세트(예를 들어, 주어진 응용과 관련된 소수의 샘플의 스펙트럼)만을 수집하기만 하면 된다. 교정 모델은 LMC 기법(예를 들어, 기준값이 이용 가능할 때) 또는 fLMC 기법(예를 들어, 기준값이 이용 가능한지 여부에 관계없이)과 관련하여 이들 스펙트럼을 사용하여 자동으로 보정될 수 있다.
나아가, 전술한 바와 같이, 교정 모델이 주어진 기기에 전개된 후에 (예를 들어, 샘플, 측정 환경 및/또는 등의 변화로 인해) 교정 모델이 업데이트될 필요가 있을 수 있다. 교정 모델 업데이트를 수행하는 일반적인 기법은 기존 교정 세트에 새로운 샘플을 추가한 다음 교정 모델을 재구축하는 것이다. 그러나 이 기법은 새로운 샘플 또는 새로운 조건에 맞는 교정 모델을 만들기 위해 상당한 수의 샘플을 취할 수 있다. 나아가 이 기법은 모든 교정 데이터가 이용 가능할 것을 요구한다. 또한, 교정 데이터베이스가 큰 경우, 특히 스펙트럼 범위가 넓고 스펙트럼 해상도가 높은 경우, 교정 모델을 재구축하면 상당한 양의 시간 및/또는 자원(예를 들어, 프로세서 자원, 배터리 전력 및/또는 등)을 소비할 수 있다. 따라서, 기기의 온라인 동작 동안 교정 모델을 업데이트하는 것이 가능하지 않을 수도 있다.
본 명세서에 설명된 일부 구현예는 교정 모델을 업데이트하기 위한 LMC 기법을 사용하기 위한 기법을 제공한다. 본질적으로, LMC 기법은 교정 모델 업데이트를 수행하기 위해 비교적 적은 수의 샘플을 필요로 한다. 일부 구현예에서, 업데이트 세트(즉, 교정 모델 업데이트를 수행하는 것과 관련된 스카우트 세트)는 장래의 예측을 보다 정확히 하기 위해 미래의 샘플에 대해 상이한 조건을 나타내는 샘플을 포함할 수 있다. 더욱이, LMC 기법을 사용하는 교정 모델 업데이트는 전술한 일반적인 업데이트 기법보다 비교적 더 빠르다. 예를 들어, LMC 절차를 사용하여 교정 모델을 업데이트하는 것은 수 초 내에 수행될 수 있어서, 이에 의해 온라인 동작 동안 교정 모델 업데이트를 할 수 있다.
더욱이, 일부 경우에는, 마스터 기기 및 타깃 기기 모두로부터 온 전송 세트는 이용 가능할 수 있는 반면, 전송 세트에 대한 기준값은 이용 가능하지 않을 수 있다. 이러한 경우에, 본 명세서에 설명된 바와 같이, LMC 기법은 타깃 기기로부터의 전송 세트를 스카우트 세트로서 사용하고, 마스터 기기로부터의 전송 세트에 대한 마스터 교정 모델에 의해 예측된 기준값을 기준값으로서 사용하여 수행될 수 있다. 따라서, LMC 기법은 그렇지 않은 경우 다른 종래의 교정 전송 기법을 수행하는데 사용될 수 있는 스펙트럼 데이터가 이용 가능할 때 수행될 수 있다.
도 1a 내지 도 1c는 본 명세서에 설명된 예시적인 구현예를 도시하는 도면이다. 도 1a 및 도 1b는 마스터 기기와 관련된 마스터 교정 모델에 대응하는, 타깃 기기를 구성하기 위해, 전송된 교정 모델을 생성하는 것과 관련하여 집중 선형 모델 보정(fLMC) 보정 기법을 사용하는 것과 관련된 예시적인 구현예(100)를 도시하는 도면이다.
도 1a 및 도 1b의 예시적인 구현예(100)를 위해, 마스터 기기에서 구성된 마스터 교정 모델이 타깃 기기로 전송된다. 즉, 마스터 기기에서 구성된 마스터 교정 모델에 대응하는 전송된 교정 모델이 타깃 기기에 의해 사용하도록 생성되어야 한다. 예시적인 구현예(100)는 전송된 교정 모델을 생성하는 것과 관련하여 fLMC 기법을 사용하는 것을 설명한다.
도 1a 및 참조 번호(105)에 도시된 바와 같이, 모델링 장치(modeling device)(예를 들어, 전송된 교정 모델을 생성하는 것과 관련된 장치)는 타깃 기기의 그리드에서 마스터 교정 모델의 마스터 베타 계수를 획득할 수 있다.
마스터 베타 계수는 마스터 교정 모델과 관련된 계수의 세트를 포함할 수 있다. 예를 들어, 마스터 베타 계수는 마스터 기기에서 구성된 부분 최소 제곱(partial least square: PLS) 회귀 교정 모델과 관련된 회귀 계수의 벡터를 포함할 수 있다.
전술한 바와 같이, 마스터 베타 계수는 타깃 기기의 그리드에 있다. 타깃 기기의 그리드는 타깃 기기의 스펙트럼 해상도 및 파장 범위에 의해 규정된 타깃 기기의 파라미터이다. 유사하게, 마스터 기기의 그리드는 마스터 기기의 스펙트럼 해상도 및 파장 범위에 의해 규정된 마스터 기기의 파라미터이다. 일부 구현예에서, 마스터 기기의 그리드는 (예를 들어, 마스터 기기가 타깃 기기의 것보다 상대적으로 더 높은 스펙트럼 해상도 및/또는 더 넓은 파장 범위를 가질 때) 타깃 기기의 그리드와 다를 수 있다. 대안적으로, 마스터 기기의 그리드는 (예를 들어, 마스터 기기의 스펙트럼 해상도 및 파장 범위가 임계값 내에서 타깃 기기의 것과 일치할 때) 타깃 기기의 그리드와 일치될 수 있다.
일부 구현예에서, 모델링 장치가 마스터 베타 계수를 획득하는 방식은 마스터 기기의 그리드가 타깃 기기의 그리드와 일치하는지 여부에 기초할 수 있다.
예를 들어, 모델링 장치는 마스터 기기의 그리드가 타깃 기기의 그리드와 일치하는지 여부를 (예를 들어, 마스터 기기 및/또는 타깃 기기에 의해 제공된 정보에 기초하여, 모델링 장치에 의해 저장되거나 액세스 가능한 정보에 기초하여) 결정할 수 있다. 일부 구현예에서, 모델링 장치가 마스터 기기의 그리드가 타깃 기기의 그리드와 일치한다고 결정하면, 모델링 장치는 마스터 교정 모델의 베타 계수를 마스터 베타 계수로 식별할 수 있다. 즉, 마스터 기기의 그리드가 타깃 기기의 그리드와 일치하면 모델링 기기는 (예를 들어, 마스터 교정 모델의 베타 계수가 이미 타깃 기기의 그리드에 있으므로) 마스터 기기의 베타 계수를 마스터 베타 계수로 직접 사용할 수 있다. 이러한 경우, 마스터 교정 모델의 베타 계수는 마스터 교정 모델과 관련된 마스터 교정 세트가 이용 가능한지 여부에 관계없이 마스터 베타 계수로 사용될 수 있다.
일부 구현예에서, 모델링 장치가 마스터 기기의 그리드가 타깃 기기의 그리드와 일치하지 않는다고 결정하면, 마스터 기기는 마스터 교정 모델과 관련된 마스터 교정 세트에 기초하여 마스터 베타 계수를 획득할 수 있다. 예를 들어, 마스터 기기의 그리드가 타깃 기기의 그리드와 일치하지 않으면, 모델링 장치는 마스터 교정 세트를 타깃 기기의 그리드에 보간하여 보간된 교정 데이터(즉, 타깃 기기의 그리드에 보간된 마스터 교정 세트의 스펙트럼)를 생성할 수 있다. 여기서, 모델링 장치는 보간된 교정 데이터에 기초하여 회귀 모델(예를 들어, PLS 모델, 주 성분 회귀(principal component regression: PCR) 모델 및/또는 등)을 생성할 수 있으며, 마스터 베타 계수를 회귀 모델의 베타 계수로서 결정할 수 있다. 일부 구현예에서, 모델링 장치는 마스터 교정 세트가 이용 가능할 때 이러한 방식으로 마스터 베타 계수를 획득할 수 있다. 예를 들어, 모델링 장치는 마스터 교정 세트가 이용 가능한 (예를 들어, 임계 크기 또는 복잡도 레벨을 초과하지 않고, 액세스 가능한) 것을 결정할 수 있으며, 전술한 바와 같이 진행할 수 있다.
일부 구현예에서, 모델링 장치가 마스터 기기의 그리드가 타깃 기기 타깃 기기의 그리드와 일치하지 않는다고 결정하면, 마스터 기기는 마스터 교정 모델의 베타 계수에 기초하여 마스터 베타 계수를 획득할 수 있으며, 그 예는 도 1c에 도시되어 있다.
도 1c는 마스터 베타 계수를 획득하기 위해 마스터 교정 모델의 베타 계수를 타깃 기기의 그리드에 보간하는 것과 관련된 예시적인 구현예(150)를 도시하는 도면이다. 참조 번호(155)로 도시된 바와 같이, 모델링 장치는 마스터 기기의 그리드가 타깃 기기의 그리드와 일치하지 않는다고 결정할 수 있다. 참조 번호(160)로 도시된 바와 같이, 이러한 결정에 기초하여, 모델링 장치는 마스터 교정 모델의 베타 계수를 타깃 기기의 그리드에 보간할 수 있다. 참조 번호(165)로 도시된 바와 같이, 마스터 교정 모델의 베타 계수를 타깃 기기의 그리드에 보간한 결과가 마스터 베타 계수로서 사용될 수 있다. 일부 구현예에서, 모델링 장치는 마스터 교정 세트가 이용 가능하지 않을 때 이러한 방식으로 마스터 베타 계수를 획득할 수 있다. 예를 들어, 모델링 장치는 마스터 교정 세트가 이용 가능하지 않은 (예를 들어, 임계 크기 또는 복잡도 레벨을 초과해서 액세스 가능하지 않은) 것을 결정할 수 있으며, 전술한 바와 같이 진행할 수 있다.
일부 구현예에서, 모델링 장치는 (예시적인 구현예(100)와 관련하여 설명된) 교정 모델 전송을 위해 fLMC 기법을 사용하는 것과 관련하여 마스터 교정 모델의 베타 계수를 타깃 기기의 그리드에 보간하는 것에 기초하여 마스터 베타 계수를 결정할 수 있다. 추가적으로 또는 대안적으로, 모델링 장치는 LMC 기법을 사용하는 것과 관련하여 마스터 교정 모델의 베타 계수를 타깃 기기의 그리드에 보간하는 것에 기초하여 마스터 베타 계수를 결정할 수 있다. 즉, 마스터 교정 모델의 베타 계수를 타깃 기기의 그리드에 보간하는 것은 교정 모델 전송을 위해 fLMC 기법 또는 LMC 기법을 수행하는 것과 관련되어 사용될 수 있다.
예시적인 구현예(100)와 관련된 fLMC 기법으로 돌아가서, 일부 구현예에서, 모델링 장치는 전송된 베타 계수의 세트에 기초하여 최종 전송된 베타 계수를 결정할 수 있다. 최종 전송된 베타 계수는 전송된 교정 모델을 생성하는 데 사용되는 베타 계수이다. 일부 구현예에서, 모델링 장치는 후술되는 바와 같이, 목적 함수의 제한 조건에 맞는 최적화의 각각의 반복에 기초하여 전송된 베타 계수의 세트 각각을 결정할 수 있다.
일부 구현예에서, 각각의 반복에 대해, 모델링 장치는 다음 목적 함수의 제한 조건에 맞는 최적화를 수행할 수 있다:
Figure 112019070785652-pat00001
여기서 다음 제한 조건이 있다:
corr(btransA, bmaster)≥r (1)
corr(btransB, bmaster)≥r (2)
기울기(slope)(btransA, bmaster)≥r (3)
기울기(btransB, bmaster)≥r (4)
minYcal << XscoutbtransA << maxYcal (5)
minYcal << XscoutbtransB << maxYcal (6)
여기서 Xscout은 스카우트 세트(예를 들어, 타깃 기기로 측정한 스카우트 세트의 스펙트럼)이고, btransA 및 btransB는 주어진 반복과 관련된 전송된 베타 계수의 쌍이고, bmaster는 마스터 베타 계수이고, r은 제한 조건 임계값이고, minYcal 및 maxYcal은 타깃 기기와 관련된 교정 범위를 정의한다.
일부 구현예에서, 임계값(r) 제한 조건(예를 들어, 상기 방정식에 설명된 바와 같은 상관 제한 조건 및/또는 기울기 제한 조건)은 유효성 검증 세트(validation set)를 사용하여 최적화될 수 있다. 이러한 경우에, 임계값(r) 제한 조건의 세트가 반복적으로 사용될 수 있고, (예를 들어, 유효성 검증 세트의 예측 에러 제곱 평균 제곱근(root mean square error of prediction)(RMSEP)에 기초하여 결정된) 최적의 r이 결과로서 획득되는 전송된 베타 계수를 결정하는 것과 관련하여 사용될 수 있다. 일부 구현예에서, 이러한 제한 조건 임계값 최적화는 fLMC 기법 또는 LMC 기법과 관련하여 사용될 수 있다.
목적 함수를 수립하기 위해 재현성 개념이 도입된다. 전송된 베타 계수(btransA와 btransB)의 쌍 각각이 스카우트 세트에 맞을 수 있다고 가정하면, btransA와 btransB를 사용하여 스카우트 세트의 예상 값의 차이는 작아야 한다. 그리하여, 목적 함수는 btransA와 btransB를 사용하여 스카우트 세트의 예상된 값의 제곱된 차를 최소화하는 것이다. 이 재현성 개념을 사용하여 스카우트 세트의 기준값에 대한 필요성이 제거된다. 즉, 이 재현성 개념으로 인해 fLMC 기법은 (LMC 기법과 달리) 스카우트 세트의 기준값을 필요로 하지 않는다.
의미 있는 결과를 얻으려면, 목적 함수의 최소화는 제한 조건의 세트 하에서 수행될 필요가 있다. 예를 들어, 제한 조건의 세트는 마스터 베타 계수(bmaster) 및 목적 함수(btransA 및 btransB)의 제한 조건에 맞는 최적화의 주어진 반복과 관련된 전송된 베타 계수의 쌍 각각 및 마스터 베타 계수(btrans)와 관련된 상관 제한 조건을 포함할 수 있다. 이 상관 제한 조건에 따르면, btransA와 bmaster 사이의 상관 관계 및 btransB와 bmaster 간의 상관 관계는 임계값을 만족해야 한다(예를 들어, 수식 (1) 및 수식 (2)으로 각각 나타낸 바와 같이 만족해야 하고, 여기서 값(r)은 예를 들어 0.95 이상일 수 있다).
또 다른 예로서, 제한 조건의 세트는 목적 함수의 제한 조건에 맞는 최적화의 주어진 반복과 관련된 전송된 베타 계수의 쌍 각각 및 마스터 베타 계수와 관련된 기울기 제한 조건을 포함할 수 있다. 이 기울기 제한 조건에 따르면, btransA와 bmaster 사이의 기울기와 btransB와 bmaster 사이의 기울기는 임계값을 만족해야 한다(예를 들어, 수식 (3) 및 수식 (4)로 각각 표시된 바와 같이 만족해야 하고, 여기서 값(r)은 예를 들어 0.95 이상일 수 있다).
다른 예로서, 제한 조건의 세트는 스카우트 세트와 관련된 예측된 값에 대한 교정 범위 제한 조건을 포함할 수 있다. 이 교정 제한 조건에 따르면, btransA(즉, XscoutbtransA)를 사용하여 예측된 스카우트 세트의 값 및 btransB(즉 XscoutbtransB)에 의해 예측된 스카우트 세트의 값은 (예를 들어, 수식 (5) 및 수식 (6)으로 각각 표시된 바와 같이) 교정 범위 내에 있거나 또는 스카우트 세트의 기준값에 가까운 범위에 있어야 한다.
상기 제한 조건에 맞는 최적화 절차의 주어진 반복을 시작하기 위해, btransA 및 btransB의 초기 값(즉, 각각 btransA0 및 btransB0)이 필요하다. 일부 구현예에서, 모델링 장치는 전송된 베타 계수의 초기 쌍을 랜덤하게 생성한 것에 기초하여 전송된 베타 계수의 초기 쌍을 생성할 수 있다. 추가적으로 또는 대안적으로, 모델링 장치는 랜덤한 값과 관련된 선형 함수를 마스터 베타 계수(예를 들어, btransA0, btransB0 = m x bmaster + n, 여기서 m 및 n은 임의의 수이다)에 적용하는 것에 기초하여 전송된 베타 계수의 초기 쌍을 생성할 수 있다. 추가적으로 또는 대안적으로, 모델링 장치는 랜덤한 값을 마스터 베타 계수에 더한 것(예를 들어, btransA0, btransB0 = bmaster + n, 여기서 n은 랜덤한 수이다)에 기초하여 전송된 베타 계수의 초기 쌍을 생성할 수 있다.
제한 조건에 맞는 최적화의 주어진 반복에 대해, 모델링 장치는 초기 전송된 베타 계수의 쌍(예를 들어, 반복(i)에 대해 btransAi0 및 btransBi0, 및 반복(k)에 대해 btransAk0 및 btransBk0)을 생성할 수 있고, 전송된 베타 계수(예를 들어, 반복(i)에 대해 btransAi 및 btransBi, 및 반복(k)에 대해 btransAk 및 btransBk)의 쌍을 결정하기 위해 목적 함수의 제한 조건에 맞는 최적화를 수행할 수 있다. 그런 다음, 모델링 장치는 전송된 베타 계수(예를 들어, 반복(i)에 대해 btransi 및 반복(k)에 대해 btransk)의 쌍에 기초하여 전송된 베타 계수를 결정할 수 있다. 예를 들어, 반복(i)에 대한 참조 번호(110)로 도시된 바와 같이, 모델링 장치는 btransAi0 및 btransBi0을 생성하고, btransAi 및 btransBi를 결정하기 위해 목적 함수의 제한 조건에 맞는 최적화를 수행하고, 전송된 베타 계수의 쌍에 기초하여 (예를 들어, 평균 btransAi 및 btransBi에 기초하여) 반복(i)과 관련된 전송된 베타 계수(btransi)를 결정할 수 있다. 다른 예로서, 반복(k)에 대해 참조 번호(115)로 도시된 바와 같이, 모델링 장치는 btransAk0 및 btransBk0을 생성하고, btransAk 및 btransBk를 결정하기 위해 목적 함수의 제한 조건에 맞는 최적화를 수행하고, 전송된 베타 계수의 쌍에 기초하여 (예를 들어, 평균 btransAk 및 btransBk에 기초하여) 반복(k)과 관련된 전송된 베타 계수(btransk)를 결정할 수 있다. 여기서, btransi와 btransk는 전송된 베타 계수 세트에 포함되고, 이 전송된 베타 계수 세트에 기초하여 모델링 장치는 최종 전송된 베타 계수(btrans)를 결정할 수 있다.
일부 구현예에서, 모델링 장치는 (예를 들어, 전송된 베타 계수의 초기 쌍의 랜덤화된 특성에 기초한 바이어스 결과를 피하기 위해) 목적 함수의 제한 조건에 맞는 최적화의 다수의 (예를 들어, 5, 20, 100 및/또는 등) 반복을 수행하도록 구성될 수 있다.
도 1b 및 참조 번호(120)로 도시된 바와 같이, 모델링 장치는 전송된 베타 계수의 세트에 기초하여 최종 전송된 베타 계수(btrans)를 결정할 수 있다. 예를 들어, 모델링 장치는 전송된 베타 계수의 세트(예를 들어, btransi 내지 btransk)의 평균, 중앙값, 모드 및/또는 등과 같은 것으로 최종 전송된 베타 계수를 결정할 수 있다.
참조 번호(125)로 도시된 바와 같이, 모델링 장치는 최종 전송된 베타 계수에 기초하여 전송된 교정 모델을 생성할 수 있다. 예를 들어, 모델링 장치는 최종 전송된 베타 계수에 기초하여 회귀 모델(예를 들어, PLS 모델, PCR 모델 및/또는 등)을 생성할 수 있다. 참조 번호(130)로 도시된 바와 같이, 모델링 장치는 (예를 들어, 타깃 기기가 전송된 교정 모델을 사용할 수 있도록) 전송된 교정 모델을 타깃 기기에 제공할 수 있다. 이러한 방식으로, 모델링 장치는 스카우트 세트의 기준값을 요구함이 없이 모델링 장치가 스카우트 세트와 관련된 스펙트럼을 사용하여 전송된 교정 모델을 생성할 수 있게 하는 fLMC 기법을 사용하도록 구성될 수 있다.
상기한 바와 같이, 도 1a 내지 도 1c는 단지 예시로서 제공된다. 다른 예도 가능하고 도 1a 내지 도 1c와 관련하여 설명된 것과 다를 수 있다.
도 2는 본 명세서에 설명된 시스템 및/또는 방법이 구현될 수 있는 예시적인 환경(200)을 도시하는 도면이다. 도 2에 도시된 바와 같이, 환경(200)은 마스터 장치(205), 타깃 기기(210), 모델링 장치(215) 및 네트워크(220)를 포함할 수 있다. 환경(200) 장치는 유선 연결, 무선 연결, 또는 유선 연결과 무선 연결의 조합을 통해 상호 연결할 수 있다.
마스터 기기(205)는 샘플에 분광 측정을 수행할 수 있는 마스터 교정 모델로 구성된 장치를 포함한다. 예를 들어, 마스터 기기(205)는 분광(진동 분광(vibrational spectroscopy), 예를 들어, 근적외선(NIR) 분광, 중적외선 분광(mid-IR), 라만 분광 등)을 수행하는 데스크탑(즉, 비-핸드헬드)형 분광기 장치를 포함할 수 있다. 일부 구현예에서, 마스터 기기(205)는 타깃 기기(210)(즉, 마스터 기기(205)는 고해상도 장치일 수 있는 반면, 타깃 기기(210)는 저해상도 장치일 수 있다)에 의해 획득된 분광 측정보다 더 높은 해상도로 분광 측정을 획득할 수 있다. 예를 들어, 마스터 기기(205)는 400개의 채널에 분광 측정값을 획득할 수 있는 반면, 타깃 기기(210)는 125개의 채널에 분광 측정값을 획득할 수 있다. 일부 구현예에서, 마스터 기기(205)는 마스터 기기(205)에 의해 획득된 분광 측정값을 교정하기 위한 마스터 교정 모델을 갖게 구성될 수 있다. 일부 구현예에서, 마스터 기기(205)는 모델링 장치(215)와 같은, 환경(200) 내 다른 장치로부터 정보를 수신하고/하거나 다른 장치로 정보를 송신할 수 있다.
타깃 기기(210)는 타깃 교정 모델에 기초하여 샘플에 분광 측정을 수행할 수 있는 장치를 포함하며, 여기서 타깃 교정 모델은 본 명세서에 설명된 바와 같이 마스터 기기(205)와 관련된 마스터 교정 모델과 관련된 정보에 기초하여 생성될 수 있다. 예를 들어, 타깃 기기(210)는 분광을 수행하는 모바일 분광기 장치 또는 핸드헬드형 분광기 장치를 포함할 수 있다. 일부 구현예에서, 타깃 기기(210)는 마스터 기기(205)에 의해 획득된 분광 측정값보다 더 낮은 해상도에서 분광 측정값을 획득할 수 있다. 일부 구현예에서, 타깃 기기(210)는 모델링 장치(215)와 같은, 환경(200) 내의 다른 장치로부터 정보를 수신하고/하거나 다른 장치에 정보를 송신할 수 있다.
모델링 장치(215)는 마스터 교정 모델을 마스터 기기(205)로부터 타깃 기기(210)(즉, 마스터 교정 모델에 대응하는 전송된 교정 모델을 생성하는 기기)로 전송하는 것 및/또는 본 명세서에 설명된 바와 같이 주어진 기기(예를 들어, 마스터 기기(205) 또는 타깃 기기(210))에서 구성된 교정 모델을 업데이트하는 것과 관련된 동작을 수행할 수 있는 장치를 포함한다. 예를 들어, 모델링 장치(215)는 서버, 서버의 그룹, 컴퓨터, 클라우드 컴퓨팅 장치 또는 등을 포함할 수 있다. 일부 구현예에서, 모델링 장치(215)는 마스터 장치(205) 및/또는 타깃 기기(210)와 같은 환경(200) 내 다른 장치로부터 정보를 수신하고/하거나 다른 장치로 정보를 송신할 수 있다. 일부 구현예에서, 모델링 장치(215) 및 마스터 기기(205)는 단일 장치 내에 구현될 수 있다. 대안적으로, 모델링 장치(215) 및 타깃 기기(210)는 일부 구현예에서 단일 장치 내에서 구현될 수 있다.
네트워크(220)는 하나 이상의 유선 및/또는 무선 네트워크를 포함한다. 예를 들어, 네트워크(220)는 셀룰러 네트워크(예를 들어, 뉴 라디오(New Radio)(NR/5G) 네트워크, LTE(long-term evolution) 네트워크, 3G 네트워크, 코드 분할 다중 연결(code division multiple access: CDMA) 네트워크 등), 공중 육상 이동 통신망(public land mobile network: PLMN), 근거리 통신망(Local Area Network: LAN), 광역 통신망(wide area network: WAN), 도시권 통신망(Metropolitan Area Network: MAN), 전화망(예를 들어, PSTN(Public Switched Telephone Network)), 사설망, 애드 혹(ad hoc) 네트워크, 인트라넷, 인터넷, 광섬유 기반 네트워크, 클라우드 컴퓨팅 네트워크 등, 및/또는 이들 또는 다른 유형의 네트워크의 조합을 포함할 수 있다.
도 2에 도시된 장치 및 네트워크의 수 및 배치는 일례로서 제공된다. 실제로, 도 2에 도시된 것보다 추가적인 장치 및/또는 네트워크, 더 적은 장치 및/또는 네트워크, 상이한 장치 및/또는 네트워크, 또는 다르게 배열된 장치 및/또는 네트워크가 있을 수 있다.
또한, 도 2에 도시된 2개 이상의 장치는 단일 장치 내에 구현될 수 있거나, 도 2에 도시된 단일 장치는 다중 분산 장치로서 구현될 수 있다. 예를 들어, 마스터 장치(205) 및 모델링 장치(215)는 2개의 별개의 장치인 것으로 설명되지만, 마스터 장치(205) 및 모델링 장치(215)는 단일 장치 내에 구현될 수 있다. 다른 예로서, 타깃 기기(210) 및 모델링 장치(215)는 단일 장치 내에 구현될 수 있다. 추가적으로 또는 대안적으로, 환경(200)의 장치 세트(예를 들어, 하나 이상의 장치)는 환경(200)의 다른 장치 세트에 의해 수행되는 것으로 설명된 하나 이상의 기능을 수행할 수 있다.
도 3은 장치(300)의 예시적인 구성 요소를 도시하는 도면이다. 장치(300)는 마스터 기기(205), 타깃 기기(210) 및/또는 모델링 장치(215)에 대응할 수 있다. 일부 구현예에서, 마스터 기기(205), 타깃 기기(210) 및/또는 모델링 장치(215)는 하나 이상의 장치(300) 및/또는 장치(300)의 하나 이상의 구성 요소를 포함할 수 있다. 도 3에 도시된 바와 같이, 장치(300)는 버스(310), 프로세서(320), 메모리(330), 저장 구성 요소(340), 입력 구성 요소(350), 출력 구성 요소(360) 및 통신 인터페이스(370)를 포함할 수 있다.
버스(310)는 장치(300)의 구성 요소들 간의 통신을 허용하는 구성 요소를 포함한다. 프로세서(320)는 하드웨어, 펌웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현된다. 프로세서(320)는 중앙 처리 장치(central processing unit: CPU), 그래픽 처리 장치(graphics processing unit: GPU), 가속 처리 장치(accelerated processing unit: APU), 마이크로프로세서, 마이크로제어기, 전계 프로그래밍 가능한 게이트 어레이(field-programmable gate array: FPGA), 응용 특정 집적 회로(application-specific integrated circuit: ASIC), 또는 다른 유형의 처리 구성 요소 형태를 취한다. 일부 구현예에서, 프로세서(320)는 기능을 수행하도록 프로그래밍될 수 있는 하나 이상의 프로세서를 포함한다. 메모리(330)는 프로세서(320)에 의해 사용하기 위해 정보 및/또는 명령을 저장하는 랜덤 액세스 메모리(random access memory: RAM), 판독 전용 메모리(read only memory: ROM) 및/또는 다른 유형의 동적 또는 정적 저장 장치(예를 들어, 플래시 메모리, 자기 메모리 및/또는 광 메모리)를 포함한다.
저장 구성 요소(340)는 장치(300)의 동작 및 사용과 관련된 정보 및/또는 소프트웨어를 저장한다. 예를 들어, 저장 구성 요소(340)는 하드 디스크(예를 들어, 자기 디스크, 광학 디스크, 광 자기 디스크 및/또는 솔리드 스테이트 디스크), 콤팩트 디스크(compact disc: CD), 디지털 다용도 디스크(digital versatile disc: DVD), 플로피 디스크, 카트리지, 자기 테이프, 및/또는 대응하는 드라이브와 함께 다른 유형의 비-일시적인 컴퓨터 판독 가능 매체를 포함할 수 있다.
입력 구성 요소(350)는 예를 들어 사용자 입력(예를 들어, 터치 스크린 디스플레이, 키보드, 키패드, 마우스, 버튼, 스위치, 및/또는 마이크로폰)을 통해 장치(300)가 정보를 수신하는 것을 허용하는 구성 요소를 포함한다. 추가적으로 또는 대안적으로, 입력 구성 요소(350)는 정보(예를 들어, GPS(global positioning system) 구성 요소, 가속도계, 자이로스코프 및/또는 액추에이터)를 감지하기 위한 센서를 포함할 수 있다. 출력 구성 요소(360)는 장치(300)(예를 들어, 디스플레이, 스피커 및/또는 하나 이상의 발광 다이오드(LED))로부터의 출력 정보를 제공하는 구성 요소를 포함한다.
통신 인터페이스(370)는 예를 들어 유선 연결, 무선 연결, 또는 유선 연결과 무선 연결의 조합을 통해 장치(300)가 다른 장치와 통신할 수 있게 하는 트랜시버(transceiver) 같은 구성 요소(예를 들어, 트랜시버 및/또는 별개의 수신기와 송신기)를 포함한다. 통신 인터페이스(370)는 장치(300)가 다른 장치로부터 정보를 수신하고/하거나 다른 장치에 정보를 제공할 수 있게 할 수 있다. 예를 들어, 통신 인터페이스(370)는 이더넷 인터페이스, 광 인터페이스, 동축 인터페이스, 적외선 인터페이스, 무선 주파수(radio frequency: RF) 인터페이스, 범용 직렬 버스(universal serial bus: USB) 인터페이스, 와이파이(Wi-Fi) 인터페이스, 셀룰러 네트워크 인터페이스 등을 포함할 수 있다.
장치(300)는 본 명세서에 설명된 하나 이상의 프로세스를 수행할 수 있다. 장치(300)는 메모리(330) 및/또는 저장 구성 요소(340)와 같은 비-일시적인 컴퓨터 판독 가능 매체에 의해 저장된 소프트웨어 명령을 실행하는 프로세서(320)에 기초하여 이들 프로세스를 수행할 수 있다. 컴퓨터 판독 가능 매체는 본 명세서에서 비-일시적인 메모리 장치로 정의된다. 메모리 장치는 단일 물리적 저장 장치 내의 메모리 공간을 포함하거나 또는 다수의 물리적 저장 장치에 걸쳐 분산된 메모리 공간을 포함한다.
소프트웨어 명령은 통신 인터페이스(370)를 통해 다른 컴퓨터 판독 가능 매체 또는 다른 장치로부터 메모리(330) 및/또는 저장 구성 요소(340)로 판독될 수 있다. 실행될 때, 메모리(330) 및/또는 저장 구성 요소(340)에 저장된 소프트웨어 명령은 프로세서(320)가 본 명세서에 설명된 하나 이상의 프로세스를 수행할 수 있게 할 수 있다. 추가적으로 또는 대안적으로, 하드와이어드 회로(hardwired circuitry)가 본 명세서에서 설명된 하나 이상의 프로세스를 수행하기 위해 소프트웨어 명령 대신에 또는 소프트웨어 명령과 함께 사용될 수 있다. 따라서, 본 명세서에 설명된 구현예는 하드웨어 회로 및 소프트웨어의 임의의 특정 조합으로 제한되지 않는다.
도 3에 도시된 구성 요소의 수 및 배치는 일례로서 제공된다. 실제로, 장치(300)는 도 3에 도시된 것보다 추가적인 구성 요소, 더 적은 구성 요소, 상이한 구성 요소 또는 다르게 배치된 구성 요소를 포함할 수 있다. 추가적으로 또는 대안적으로, 장치(300)의 구성 요소(예를 들어, 하나 이상의 구성 요소) 세트는 장치(300)의 다른 구성 요소 세트에 의해 수행되는 것으로 설명된 하나 이상의 기능을 수행할 수 있다.
도 4는 본 명세서에 설명된 바와 같이, 전송된 교정 모델을 생성하기 위해 전송된 베타 계수를 결정하는 것과 관련된 집중 선형 모델 보정(fLMC) 기법의 예시적인 프로세스(400)의 흐름도이다. 일부 구현예에서, 도 4의 하나 이상의 프로세스 블록은 모델링 장치(215)에 의해 수행될 수 있다. 일부 구현예에서, 도 4의 하나 이상의 프로세스 블록은 모델링 장치(215)를 포함하거나 모델링 장치와는 별개의, 예를 들어, 마스터 기기(205) 및/또는 타깃 기기(210)와 같은 다른 장치 또는 다른 장치의 그룹에 의해 수행될 수 있다.
도 4에 도시된 바와 같이, 프로세스(400)는 마스터 기기와 관련된 마스터 교정 모델의 마스터 베타 계수를 획득하는 단계를 포함할 수 있으며, 여기서 마스터 베타 계수는 타깃 기기의 그리드에 있다(블록 410). 예를 들어, 모델링 장치(215)는 전술한 바와 같이, 마스터 기기(205)와 관련된 마스터 교정 모델의 마스터 베타 계수를 획득할 수 있으며, 여기서 마스터 베타 계수는 타깃 기기(210)의 그리드에 있다.
도 4에 더 도시된 바와 같이, 프로세스(400)는 전송된 베타 계수의 쌍을 결정하기 위해, 제한 조건의 세트에 따라 목적 함수의 제한 조건에 맞는 최적화를 수행하는 단계를 포함할 수 있으며, 여기서 제한 조건에 맞는 최적화는 전송된 베타 계수의 초기 쌍, 마스터 베타 계수, 및 스카우트 세트와 관련된 스펙트럼에 기초하여 수행된다(블록 420). 예를 들어, 모델링 장치(215)는 전송된 베타 계수의 쌍을 결정하기 위해, 제한 조건의 세트에 따라 목적 함수의 제한 조건에 맞는 최적화를 수행할 수 있으며, 여기서 제한 조건에 맞는 최적화는 전술된 바와 같이 전송된 베타 계수의 초기 쌍, 마스터 베타 계수, 및 스카우트 세트와 관련된 스펙트럼에 기초하여 수행된다.
도 4에 더 도시된 바와 같이, 프로세스(400)는 전송된 베타 계수의 쌍에 기초하여, 전송된 베타 계수를 결정하는 단계(블록 430)를 포함할 수 있다. 예를 들어, 모델링 장치(215)는 전술한 바와 같이, 전송된 베타 계수의 쌍에 기초하여 전송된 베타 계수를 결정할 수 있다.
도 4에 더 도시된 바와 같이, 프로세스(400)는 전송된 베타 계수를 포함하는 전송된 베타 계수의 세트에 기초하여 최종 전송된 베타 계수를 결정하는 단계를 포함할 수 있고, 여기서 최종 전송된 베타 계수는 타깃 기기에 의해 사용하기 위해 마스터 교정 모델에 대응하는 전송된 교정 모델을 생성하는 것과 관련된다(블록 440). 예를 들어, 모델링 장치(215)는 전송된 베타 계수를 포함하는 전송된 베타 계수의 세트에 기초하여 최종 전송된 베타 계수를 결정할 수 있으며, 여기서 최종 전송된 베타 계수는 타깃 기기(210)에 의해 사용하기 위해 마스터 교정 모델에 대응하는 전송된 교정 모델을 생성하는 것과 관련된다.
프로세스(400)는 이하에 설명된 구현예 및/또는 본 명세서의 다른 곳에서 설명된 하나 이상의 다른 프로세스와 관련하여 설명된 구현예의 임의의 단일 구현예 또는 임의의 조합과 같은 추가적인 구현예를 포함할 수 있다.
일부 구현예에서, 모델링 장치(215) 및/또는 타깃 기기(210)는 최종 전송된 베타 계수에 기초하여 전송된 교정 모델을 생성할 수 있다.
일부 구현예에서, 전송된 베타 계수의 세트는 적어도 하나의 다른 전송된 베타 계수를 포함하고, 각각의 전송된 베타 계수는 전송된 베타 계수의 각각의 초기 쌍에 기초하여 목적 함수의 제한 조건에 맞는 최적화를 각각 수행하는 것에 기초하여 결정된다.
일부 구현예에서, 마스터 베타 계수를 획득할 때 모델링 장치(215)는 마스터 기기(205)의 그리드가 타깃 기기(210)의 그리드와 일치하는 것으로 결정하고, 마스터 교정 모델의 베타 계수를 마스터 베타 계수로서 식별할 수 있다.
일부 구현예에서, 마스터 베타 계수를 획득할 때, 모델링 장치(215)는 마스터 기기(205)의 그리드가 타깃 기기(210)의 그리드와 일치하지 않는다고 결정하고; 마스터 기기(205)의 그리드가 타깃 기기(210)의 그리드와 일치하지 않는다는 결정에 기초하여, 마스터 교정 세트를 타깃 기기(210)의 그리드에 보간하여 보간된 교정 데이터를 생성하고; 보간된 교정 데이터에 기초하여 회귀 모델을 생성하고; 마스터 베타 계수를 회귀 모델의 베타 계수로서 결정할 수 있다.
일부 구현예에서, 마스터 베타 계수를 획득할 때, 모델링 장치(215)는 마스터 기기(205)의 그리드가 타깃 기기(210)의 그리드와 일치하지 않는다고 결정할 수 있고; 마스터 기기(205)의 그리드가 타깃 기기(210)의 그리드와 일치하지 않는다는 결정에 기초하여 마스터 교정 모델의 베타 계수를 타깃 기기(210)의 그리드에 보간하고; 마스터 교정 모델의 베타 계수를 타깃 기기(210)의 그리드에 보간한 결과에 기초하여 마스터 베타 계수를 결정할 수 있다. 일부 구현예에서, 마스터 교정 모델의 베타 계수는 마스터 교정 모델과 관련된 마스터 교정 세트가 이용 가능하지 않다는 결정에 기초하여 타깃 기기(210)의 그리드에 보간된다.
일부 구현예에서, 제한 조건의 세트는 스카우트 세트와 관련된 예측 값에 대한 교정 범위 제한 조건에 더하여 마스터 베타 계수 및 전송된 베타 계수의 쌍 각각과 관련된 상관 제한 조건, 및/또는 마스터 베타 계수 및 전송된 베타 계수의 쌍 각각과 관련된 기울기 제한 조건을 포함한다.
일부 구현예에서, 모델링 장치(215)는 전송된 베타 계수의 초기 쌍을 랜덤하게 생성한 것에 기초하여 전송된 베타 계수의 초기 쌍을 생성하고, 랜덤한 값과 관련된 선형 함수를 마스터 베타 계수에 적용하고, 및/또는 랜덤한 값을 마스터 베타 계수에 추가할 수 있다.
도 4는 프로세스(400)의 예시적인 블록을 도시하지만, 일부 구현예에서, 프로세스(400)는 도 4에 도시된 것보다 추가적인 블록, 더 적은 블록, 상이한 블록 또는 다르게 배치된 블록을 포함할 수 있다. 추가적으로 또는 대안적으로, 프로세스(400)의 블록들 중 2개 이상은 병렬로 수행될 수 있다.
fLMC 기법의 효과를 설명하기 위해, 사탕수수(sugarcane)의 브릭스(Brix)에 대한 PLS 회귀 모델을 벤치탑(benchtop) FOSS NIR 마스터 기기로부터 휴대용 마이크로NIR(MicroNIR) 타깃 기기로 전송하였다. 도 5a 내지 도 5c는 fLMC 기법을 사용하여 이 예시적인 교정 모델 전송의 결과와 관련된 도면이다.
총 1712개의 FOSS 스펙트럼을 사용하여 마스터 교정 모델을 구축하였다. 이 스펙트럼은 먼저 마이크로NIR 그리드에 보간되었다. 이 보간된 교정 데이터를 사용하여 중간 마스터 교정 모델을 구축하고 그 결과 얻어진 베타 계수를 bmaster로 사용했다. 마이크로NIR 기기에 의해 수집된 126개의 스펙트럼이 있었고, 그 중 15개의 스펙트럼이 fLMC를 수행하기 위해 스카우트 세트로 랜덤하게 선택되었다. 나머지 111개의 스펙트럼은 전송된 교정 모델의 유효성을 검증하기 위해 외부 유효성 검증 세트로 사용되었다. 전송된 교정 모델의 예측 성능을 동일한 111개의 샘플로부터 얻어진 FOSS 유효성 검증 세트를 사용하여 마스터 교정 모델의 예측 성능과 비교했다.
도 5a에 도시된 바와 같이, 교정 모델 전송을 수행하지 않고, 중간 마스터 교정 모델을 사용하여 마이크로NIR 유효성 검증 세트를 예측할 때, 예측 에러의 제곱 평균 제곱근(RMSEP)이 높았다. 그러나 fLMC 기법을 사용하여 교정 모델 전송을 수행하면 도 5b에 도시된 바와 같이 RMSEP가 크게 감소했다. FOSS 유효성 검증 세트에 대해 원래의 FOSS 모델을 사용하여 RMSEP를 더 계산하고 이를 벤치마크로 사용하여 전송된 교정 모델의 성능을 평가하였다. 도 5c에서, 전송된 교정 모델에 의해 유효성 검증 세트에 대해 예측된 브릭스 값과 실험실 브릭스 값 사이의 잔차(residual)는 원래의 FOSS 마스터 교정 모델의 약 ±2RMSEP 내에 머물러 있는 것을 볼 수 있는데, 이는 약 95%의 신뢰도로 전송된 마이크로NIR 교정이 FOSS 교정의 원래의 범위 내에 있다는 것을 나타낸다. 이 결과는 fLMC 기법을 사용하여 생성된 전송된 교정 모델의 성능이 (예를 들어, 비교적 더 넓은 파장 범위와 비교적 더 높은 스펙트럼 해상도를 갖는) 원래의 FOSS 마스터 교정 모델에 가깝다는 것을 나타낸다.
또한, 비교를 위해, 동일한 FOSS 마스터 교정 모델이 교정 모델 전송을 위한 2개의 일반적인 기법인 평균 차이 보정(mean difference correction: MDC) 및 부분 직접 표준화(piecewise direct standardization: PDS) 기법을 사용하여 마이크로NIR로 전송되었다. 이 2개의 기법을 적용하기 위해 마스터 기기와 타깃 기기 모두로부터 15개의 스펙트럼으로 구성된 전송 세트가 사용되었다. 이 스펙트럼은 fLMC 기법을 사용할 때 스카우트 세트에 사용된 것과 동일한 샘플에서 온 것이다. 동일한 유효성 검증 세트에 대해 RMSEP는 MDC와 PDS에 의해 전송된 교정 모델을 사용하여 1.80과 0.72로 각각 설정되었다. 따라서 fLMC 기법은 MDC 기법보다는 더 잘 수행되었고 이 경우 PDS 기법보다는 더 나쁘게 수행되었다. 그러나 PDS 기법과 달리 fLMC 기법은 마스터 기기에 전송 세트를 필요로 하지 않으므로, 유사한 성능을 달성하면서 fLMC 기법을 비교적 비용이 저렴하게 및/또는 덜 복잡하게 한다.
전술한 바와 같이, 도 5a 내지 도 5c는 단지 예시로서 제공된다. 다른 예도 가능하고, 도 5a 내지 도 5c와 관련하여 설명된 것과 다를 수 있다.
도 6은 fLMC 기법 또는 LMC 기법과 함께 사용하기 위한 마스터 베타 계수를 결정하기 위해 마스터 교정 모델의 베타 계수를 타깃 기기의 그리드에 보간하는 예시적인 프로세스(600)의 흐름도이다. 일부 구현예에서, 도 6의 하나 이상의 프로세스 블록은 모델링 장치(215)에 의해 수행될 수 있다. 일부 구현예에서, 도 6의 하나 이상의 프로세스 블록은 모델링 장치(215)를 포함하거나 모델링 장치와는 별개의, 예를 들어, 마스터 기기(205) 및/또는 타깃 기기(210)와 같은 다른 장치 또는 다른 장치의 그룹에 의해 수행될 수 있다.
도 6에 도시된 바와 같이, 프로세스(600)는 마스터 교정 모델과 관련된 마스터 기기의 그리드가 마스터 교정 모델에 대응하는 전송된 교정 모델이 생성되어야 하는 타깃 기기의 그리드와 일치하지 않는다고 결정하는 단계를 포함할 수 있다(블록 610). 예를 들어, 모델링 장치(215)는, 마스터 교정 모델과 관련된 마스터 기기(205)의 그리드가 전술한 바와 같이 마스터 교정 모델에 대응하는 전송된 교정 모델이 생성되어야 하는 타깃 기기(210)의 그리드와 일치하지 않는다고 결정할 수 있다.
도 6에 더 도시된 바와 같이, 프로세스(600)는 마스터 기기의 그리드가 타깃 기기의 그리드와 일치하지 않는다는 결정에 기초하여 마스터 교정 모델의 베타 계수를 타깃 기기의 그리드에 보간하는 단계(블록 620)를 포함할 수 있다. 예를 들어, 모델링 장치(215)는 전술한 바와 같이, 마스터 기기(205)의 그리드가 타깃 기기(210)의 그리드와 일치하지 않는다는 결정에 기초하여 마스터 교정 모델의 베타 계수를 타깃 기기(210)의 그리드에 보간할 수 있다.
도 6에 더 도시된 바와 같이, 프로세스(600)는 마스터 교정 모델의 베타 계수를 타깃 기기의 그리드로 보간한 결과에 기초하여 전송된 교정 모델을 생성하는 것과 관련된 마스터 베타 계수를 결정하는 단계(블록 630)를 포함할 수 있다. 예를 들어, 모델링 장치(215)는 전술한 바와 같이 마스터 교정 모델의 베타 계수를 타깃 기기(210)의 그리드에 보간한 결과에 기초하여 전송된 교정 모델을 생성하는 것과 관련된 마스터 베타 계수를 결정할 수 있다.
프로세스(600)는 이하에 설명된 구현예 및/또는 본 명세서의 다른 곳에서 설명된 하나 이상의 다른 프로세스와 관련하여 설명된 구현예의 임의의 단일 구현예 또는 임의의 조합과 같은 추가적인 구현예를 포함할 수 있다.
일부 구현예에서, 마스터 교정 모델의 베타 계수는 마스터 교정 모델과 관련된 마스터 교정 세트가 이용 가능하지 않다는 결정에 기초하여 타깃 기기(210)의 그리드에 보간된다.
일부 구현예에서, 모델링 장치(215)는 전송된 베타 계수의 쌍을 결정하기 위해, 제한 조건의 세트에 따라 목적 함수의 제한 조건에 맞는 최적화를 수행할 수 있으며, 여기서 제한 조건에 맞는 최적화는 전송된 베타 계수의 초기 쌍, 마스터 베타 계수, 및 스카우트 세트와 관련된 스펙트럼에 기초하여 수행된다. 여기서, 모델링 장치는 전송된 베타 계수의 쌍에 기초하여, 전송된 베타 계수를 결정할 수 있고; 전송된 베타 계수를 포함하는 전송된 베타 계수의 세트에 기초하여 최종 전송된 베타 계수를 결정할 수 있다. 다시 말해, 일부 구현예에서, 모델링 장치(215)는 fLMC 기법을 사용하여 최종 전송된 베타 계수를 결정할 수 있다. 일부 구현예에서, 제한 조건의 세트는 마스터 베타 계수 및 전송된 베타 계수의 쌍 각각과 관련된 상관 제한 조건, 마스터 베타 계수 및 전송된 베타 계수의 쌍 각각과 관련된 기울기 제한 조건, 및 스카우트 세트와 관련된 예측 값에 대한 교정 범위 제한 조건을 포함한다. 일부 구현예에서, 모델링 장치(215)는 전송된 베타 계수의 초기 쌍을 랜덤하게 생성하는 것에 기초하여 전송된 베타 계수의 초기 쌍을 생성할 수 있고, 랜덤한 값과 관련된 선형 함수를 마스터 베타 계수에 적용할 수 있고, 또는 랜덤한 값을 마스터 베타 계수에 추가할 수 있다.
일부 구현예에서, 모델링 장치(215)는 마스터 베타 계수에 기초하여 및 선형 모델 보정(LMC) 기법을 사용하여, 전송된 교정 모델을 생성하는 것과 관련된 전송된 베타 계수를 결정할 수 있다. 다시 말해, 일부 구현예에서, 모델링 장치(215)는 LMC 기법을 사용하여 최종 전송된 베타 계수를 결정할 수 있다. 일부 구현예에서, LMC 기법을 사용하는 것과 관련된 스카우트 세트에 대한 기준값은 마스터 교정 모델 및 마스터 전송 세트에 기초하여 예측된다.
도 6은 프로세스(600)의 예시적인 블록을 도시하지만, 일부 구현예에서, 프로세스(600)는 도 6에 도시된 것보다 추가적인 블록, 더 적은 블록, 상이한 블록, 또는 다르게 배치된 블록을 포함할 수 있다. 추가적으로 또는 대안적으로, 프로세스(600)의 블록들 중 2개 이상은 병렬로 수행될 수 있다.
일부 구현예에서, 마스터 교정 모델의 베타 계수는 전술한 바와 같이 타깃 기기(210)의 그리드에 보간되고 마스터 베타 계수로서 사용될 수 있다. 예를 들어, 일부 구현예에서, 이 기법은 LMC 기법 또는 fLMC 기법과 함께 사용될 수 있다. 도 7a 내지 도 7c 및 도 8a와 도 8b는 교정 모델 전송을 수행하는 것과 관련하여 LMC 기법 및 fLMC 기법을 각각 사용하여 마스터 교정 모델의 베타 계수를 타깃 기기의 그리드에 보간하는 것과 관련된 도면이다.
도 5a 내지 도 5c와 관련하여 전술한 것과 동일한 데이터 세트를 사용하여, 마스터 교정 모델의 베타 계수를 마스터 베타 계수로서 타깃 기기의 그리드에 보간한 결과를 사용하여 LMC 기법을 수행하였으며, 그 결과를 도 7a 내지 도 7c에 도시하였다. 여기서 이용 가능한 마스터 교정 세트가 없기 때문에 중간 마스터 교정 모델을 구축할 수 없다. 도 7a에 도시된 바와 같이, 보간된 베타 계수를 직접 사용하여 타깃 기기에서 유효성 검증 세트를 예측할 때, 결과로 얻어진 RMSEP는 높았다. 도 7b에 도시된 바와 같이, 보간된 베타 계수를 마스터 베타 계수로 사용하고 LMC 기법을 수행할 때, RMSEP는 상당히 감소된다. 또한, 도 7c에 도시된 바와 같이, 전송된 교정 모델에 의해 유효성 검증 세트에 대해 예측된 브릭스 값과 실험실 브릭스 값 사이의 잔차는 제한된 예외 조건과 함께 원래의 FOSS 마스터 교정 모델의 ±2RMSEP 내에 머물러 있었다.
또한, 5a 내지 도 5c와 관련하여 전술한 것과 동일한 데이터 세트를 사용하여, 마스터 교정 모델의 베타 계수를 마스터 베타 계수로서 타깃 기기의 그리드에 보간한 결과를 사용하여 fLMC 기법을 수행하였으며, 그 결과를 도 8a 및 도 8b에 도시하였다. 성능은 LMC 기법을 사용하는 것에 비해 약간 감소되었지만, RMSEP는 (도 5a에 도시된 바와 같이) 교정 모델 전송을 수행하지 않은 것에 비해 현저히 감소되었다. 도 8a에 도시된 바와 같이, RMSEP는 7.7%의 정규화된 RMSEP(유효성 검증 세트의 평균 브릭스 값으로 정규화됨)로 상당히 낮게 나타냈다. 또한 도 8b에 도시된 바와 같이, 전송된 교정 모델에 의해 유효성 검증 세트에 대해 예측된 브릭스 값과 실험실 브릭스 값 사이의 잔차의 대부분은 원래의 FOSS 마스터 교정 모델의 ±2RMSEP 내에 머물러 있었다. 특히, fLMC 기법은, 마스터 교정 세트가 이용 가능하지 않고, 그리드가 마스터 기기와 타깃 기기 사이에 다르고, 스카우트 세트만이 전송을 위해 타깃 기기에 의해 수집되고, 스카우트 세트에 대해 기준값이 없는 경우에 사용될 수 있는 유일한 기법이다. 일부 구현예에서, 전송된 교정 모델의 성능은 교정 모델을 업데이트하는 것에 의해 더 개선될 수 있다.
상기한 바와 같이, 도 7a 내지 도 7c 및 도 8a와 도 8b는 단지 예시로서 제공된다. 다른 예도 가능하고, 도 7a 내지 도 7c 및 도 8a와 도 8b와 관련하여 설명된 것과 다를 수 있다.
일부 구현예에서, 본 명세서에 설명된 기법은 다수의 기기에 걸쳐 교정 모델의 표준화를 달성하기 위해 사용될 수 있다. 위에서 설명한 바와 같이, 일반적으로 동일한 유형의 기기 또는 장치에서 기기 간의 변동이 발생한다. 따라서, 교정 모델이 하나의 기기에 대해 개발되었지만 다수의 (예를 들어, 수 백, 수 백만 및/또는 등) 기기에 전개될 필요가 있을 때, 기기 간의 변동이 불일치한 성능을 야기할 수 있다. 특히 기기들이 다양한 위치에 있는 경우 이 문제에 대한 일반적인 방법을 사용하여 교정 모델 전송을 수행하는 것은 실용적이지 않을 수 있다. 이 문제를 해결하기 위해 LMC 기법과 fLMC 기법이 기기에 구성될 수 있다. 여기서 마스터 교정 모델이 타깃 기기로 전달되면 소수의 샘플로부터만 스펙트럼을 수집할 필요가 있다. 교정 모델은 LMC 기법(예를 들어, 스카우트 세트에 대한 기준값이 이용 가능할 때) 또는 fLMC 기법(예를 들어, 스카우트 세트에 대한 기준값이 이용 가능한지 여부에 관계없이)을 사용하여 자동으로 보정될 수 있다.
도 9a 내지 도 9d, 도 10a, 도 10b, 도 11a 및 도 11b는 다수의 기기에 걸쳐 교정 모델의 표준화를 달성하는 것과 관련된 예시적인 결과를 나타내는 도면이다. 도 9a 내지 도 9d, 도 10a, 도 10b, 도 11a, 및 도 11b와 관련된 예에서, 마이크로NIR 장치로부터의 원시 데이터(raw data)는 기기 간 변동을 시뮬레이션하기 위해 2가지 상이한 방식(데이터 A 및 데이터 B)으로 교정되었다. 38개의 혼합물 샘플로부터 얻어진 759개의 스펙트럼을 사용하여 카페인 함량을 예측하는 교정 모델을 구축하였다. 다른 10개의 혼합물 샘플에서 얻어진 200개의 스펙트럼을 유효성 검증 세트로 사용했다. 도 9a 및 도 9b에 도시된 바와 같이, 교정 모델(A)을 사용하여 유효성 검증 데이터(A)를 예측할 때, 또는 교정 모델(B)을 사용하여 유효성 검증 데이터(B)를 예측할 때, 성능은 유사하였다. 그러나, 도 9c에 도시된 바와 같이, 교정 모델(A)을 사용하여 유효성 검증 데이터(B)를 예측할 때, 성능이 저하되었다. 도 9d에 도시된 바와 같이, 유효성 검증 세트(B)에 대해 예측된 값과 실험 값 사이에 많은 잔차는 모델(A)을 사용하여 유효성 검증 데이터(A)를 예측하는 ±2RMSEP 벤치마크에서 벗어났다.
3개의 복제된 스펙트럼을 갖는 10개의 샘플을 LMC 기법 및 fLMC 기법을 수행하기 위한 스카우트 세트로서 교정 세트(B)로부터 랜덤하게 선택하였다. 도 10a에 도시된 바와 같이, LMC 기법에서는 RMSEP가 상당히 감소되었다. 도 10b에 도시된 바와 같이, 모든 예측 잔차는 모델(A)을 사용하여 유효성 검증 데이터(A)를 예측하는데 ±2RMSEP 벤치마크 내에 있었다. 도 11a에 도시된 바와 같이, fLMC 기법에서는 RMSEP가 유사하게 감소되었다. 도 11b에 도시된 바와 같이, 예측 잔차의 대부분은 모델(A)을 사용하여 유효성 검증 데이터(A)를 예측하는데 ±2RMSEP 벤치마크 범위 내에 있었다. 그리하여, LMC 기법 또는 fLMC 기법을 사용하여 모델 성능의 기기 간 차이를 보정하는 것이 효과적이다.
실제로, 8개만큼 적은 샘플이 스카우트 세트로서 사용되었을 때, LMC 기법 및 fLMC 기법이 효과적이다. 특히, 도 10a, 도 10b, 도 11a 및 도 11b의 결과는 중간 성능의 예이다. 스카우트 샘플은 사용자 측에서 실제 테스트 시나리오를 시뮬레이션하기 위해 랜덤하게 선택되었다. 최종 실적 결과는 스카우트 세트로 사용된 샘플에 의해 영향을 받았다. 다시, fLMC 기법은 LMC 기법만큼 잘 수행하지 못했다. 그러나, 스카우트 세트에 이용 가능한 기준값이 없는 경우 fLMC 기법이 교정 모델 전송에 사용될 수 있는 유일한 기법이다.
전술한 바와 같이, 도 9a 내지 도 9d, 도 10a, 도 10b, 도 11a 및 도 11b는 단지 예시로서 제공된다. 다른 예도 가능하고, 도 9a 내지 도 9d, 도 10a, 도 10b, 도 11a 및 도 11b와 관련하여 설명된 것과 다를 수 있다.
전술한 바와 같이, 일부 경우에, 업데이트 샘플을 LMC 기법을 위한 스카우트 세트로서 사용함으로써 교정 모델을 업데이트하는데 LMC 기법을 적용할 수 있다. 특히, 이것은 (예를 들어, 업데이트 샘플을 교정 세트에 더하고 모델을 재교정하는 일반적인 모델 업데이트 기법에서 요구되는) 모든 교정 데이터를 필요로 하지 않고, 비교적 짧은 시간으로 기기(예를 들어, 마스터 기기(205), 타깃 기기(210))의 온라인 동작 동안 교정 모델 업데이트가 수행될 수 있다.
도 12는 교정 모델 업데이트를 수행하기 위해 LMC 기법을 사용하기 위한 예시적인 프로세스(1200)의 흐름도이다. 일부 구현예에서, 도 12의 하나 이상의 프로세스 블록은 모델링 장치(215)에 의해 수행될 수 있다. 일부 구현예에서, 도 12의 하나 이상의 프로세스 블록은 마스터 장치(215)를 포함하거나 마스터 장치와는 별개의, 예를 들어, 마스터 기기(205) 및/또는 타깃 기기(210)와 같은 다른 장치 또는 다른 장치의 그룹에 의해 수행될 수 있다.
도 12에 도시된 바와 같이, 프로세스(1200)는 교정 모델을 업데이트하는 것과 관련된 스카우트 세트를 획득하는 단계를 포함할 수 있으며, 여기서 스카우트 세트는 교정 모델이 업데이트되는 기초가 되는 샘플의 세트와 관련된 스펙트럼을 포함한다(블록 1210). 예를 들어, 모델링 장치(215)는 교정 모델을 업데이트하는 것과 관련된 스카우트 세트를 획득할 수 있으며, 여기서 스카우트 세트는 교정 모델이 업데이트되는 기초가 되는 샘플의 세트와 관련된 스펙트럼을 포함한다.
도 12에 더 도시된 바와 같이, 프로세스(1200)는 교정 모델과 관련된 베타 계수를 결정할 수 있다(블록 1220). 예를 들어, 모델링 장치(215)는 교정 모델과 관련된 베타 계수를 결정할 수 있다.
도 12에 더 도시된 바와 같이, 프로세스(1200)는 베타 계수에 기초하고 LMC 기법을 사용하여, 교정 모델을 업데이트하는 것과 관련된 업데이트된 베타 계수를 결정하는 단계(블록 1230)를 포함할 수 있다. 예를 들어, 모델링 장치(215)는 베타 계수에 기초하고 LMC 기법을 사용하여 교정 모델을 업데이트하는 것과 관련된 업데이트된 베타 계수를 결정할 수 있다.
도 12에 더 도시된 바와 같이, 프로세스(1200)는 업데이트된 베타 계수에 기초하여 교정 모델을 업데이트하는 단계(블록 1240)를 포함할 수 있다. 예를 들어, 모델링 장치(215)는 (예를 들어, 업데이트된 교정 모델이 교정을 수행하는 것과 관련하여 업데이트된 베타 계수를 사용하도록) 업데이트된 베타 계수에 기초하여 교정 모델을 업데이트할 수 있다.
프로세스(1200)는 이하에 설명된 구현예 및/또는 본 명세서의 다른 곳에서 설명된 하나 이상의 다른 프로세스와 관련하여 설명된 구현예의 임의의 단일 구현예 또는 임의의 조합과 같은 추가적인 구현예를 포함할 수 있다.
일부 구현예에서, 교정 모델의 업데이트는 장치를 오프라인으로 하지 않고 기기(예를 들어, 마스터 기기(205), 타깃 기기(210))의 동작 동안 수행된다.
도 12는 프로세스(1200)의 예시적인 블록을 도시하지만, 일부 구현예에서, 프로세스(1200)는 도 12에 도시된 것보다 추가적인 블록, 더 적은 블록, 상이한 블록 또는 다르게 배치된 블록을 포함할 수 있다. 추가적으로 또는 대안적으로, 프로세스(1200)의 블록들 중 2개 이상은 병렬로 수행될 수 있다.
도 13a 및 도 13b는 선형 모델 보정 기법을 사용하여 교정 모델 업데이트를 수행한 예시적인 결과를 도시하는 도면이다.
사탕수수에 대해 브릭스 모델(도 7b와 관련하여 전술된 것)을 업데이트하기 위해, 추가 30개의 마이크로NIR 스펙트럼을 업데이트 세트로서 사용하였다. 여기서 LMC 기법을 적용하여 교정 모델을 업데이트했다. 도 13a는 도 7b에서 사용된 것과 동일한 유효성 검증 세트에 대해, 이 업데이트와 관련된 예측 결과를 도시하는 도면이다. 도시된 바와 같이, 모델 성능이 개선되었고, 도 13b에 도시된 바와 같이, RMSEP가 감소되고 예측 잔차가 감소된다.
전술한 바와 같이, 도 13a 및 도 13b는 단지 예시로서 제공된다. 다른 예도 가능하고, 도 13a 및 도 13b와 관련하여 설명된 것과 다를 수 있다.
전술한 바와 같이, LMC 기법은 스카우트 세트에 대한 기준값을 필요로 한다. 마스터 기기(205) 및 타깃 기기(210) 모두로부터 전송 세트가 이용 가능하지만 이들 샘플에 대한 기준값은 이용 가능하지 않을 때, LMC 기법을 사용 가능하게 하기 위해 마스터 교정 모델 및 마스터 전송 세트를 사용하여 기준값이 예측될 수 있다.
도 14a 및 도 14b는 마스터 교정 모델 및 마스터 전송 세트를 사용하여 기준값을 예측하는 것과 관련된 예시적인 결과를 도시하는 도면이다. 도 14a에 도시된 바와 같이, 도 5a 내지 도 5c와 관련된 것과 동일한 데이터 세트를 사용하여, RMSEP는 실제 기준값이 사용될 때 0.44였다. 도 14b에 도시된 바와 같이, 마스터 교정 모델 및 마스터 전송 세트를 사용하여 예측된 기준값을 사용할 때 RMSEP는 0.80이었다. 예측된 기준값을 사용하여 LMC 기법을 수행하는 성능은 실제 기준값을 사용하여 LMC 기법을 수행하는 것만큼 좋지는 않았지만, 성능은 전술된 바와 같이 MDC 기법 또는 fLMC 기법을 사용하는 것에 비해 개선되었고, PDS 기법을 사용하는 것과 유사하였다.
전술한 바와 같이, 도 14a 및 도 14b는 단지 예시로서 제공된다. 다른 예도 가능하고, 도 14a 및 도 14b와 관련하여 설명된 것과 다를 수 있다.
본 명세서에 설명된 일부 구현예는 교정 모델 전송을 수행하는 것과 관련하여 사용될 수 있는 집중 LMC(fLMC) 기법을 제공한다. LMC 기법과 유사하게 fLMC 기법은 타깃 기기에 의해 수집된 스카우트 세트만을 필요로 한다. 그러나 LMC 기법과 달리 fLMC 기법은 스카우트 설정에 대한 기준값을 필요로 하지 않는다. 그리하여, 교정 모델 전송과 관련하여 fLMC 기법을 사용하면 (예를 들어, 전술한 일반적인 교정 모델 전송 기법뿐만 아니라 LMC 기법에 비해) 교정 모델 전송의 비용, 어려움 및/또는 복잡성을 감소시킬 수 있다.
본 명세서에 설명된 일부 구현예는 fLMC 기법 또는 LMC 기법이 마스터 교정 세트를 요구함이 없이 교정 모델 전송을 수행하는 것과 관련하여 마스터 교정 모델의 베타 계수를 사용하는 절차를 제공한다.
본 명세서에 설명된 일부 구현예는 LMC 기법을 사용하여 모델을 업데이트하는 절차를 제공한다.
전술한 개시 내용은 예시 및 설명을 제공하지만, 개시된 정확한 형태로 구현을 제한하거나 모든 구현예를 제시하려고 의도된 것이 아니다. 본 발명을 수정 및 변형하는 것이 상기 개시 내용에 비춰 가능하고 또 구현을 실행하는 것으로부터 얻어질 수 있을 것이다.
본 명세서에 사용된 구성 요소라는 용어는 하드웨어, 펌웨어, 및/또는 하드웨어와 소프트웨어의 조합으로서 폭넓게 해석되도록 의도된다.
일부 구현예는 임계값과 관련하여 본 명세서에 설명된다. 본 명세서에서 사용된 임계값을 만족한다는 것은 값이 임계값보다 더 큰 것, 임계값보다 더 많은 것, 임계값보다 더 높은 것, 임계값 이상인 것, 임계값 미만인 것, 임계값보다 더 작은 것, 임계값보다 더 낮은 것, 임계값 이하인 것, 임계값과 같은 것 등을 지칭할 수 있다.
본 명세서에 설명된 시스템 및/또는 방법은 상이한 형태의 하드웨어, 펌웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있는 것이 명백하다. 이러한 시스템 및/또는 방법을 구현하는 데 사용되는 실제 특수 제어 하드웨어 또는 소프트웨어 코드는 본 발명의 구현을 제한하는 것이 아니다. 따라서, 시스템 및/또는 방법의 동작 및 거동은 특정 소프트웨어 코드를 참조하지 않고 본 명세서에서 설명되었으나, 소프트웨어 및 하드웨어는 본 명세서의 설명에 기초하여 시스템 및/또는 방법을 구현하도록 설계될 수 있는 것으로 이해된다.
특징의 특정 조합이 청구 범위에 기재되고/되거나 명세서에 개시 되었더라도, 이들 조합은 가능한 구현의 개시예를 제한하도록 의도된 것이 아니다. 실제로, 이들 특징 중 다수는 청구범위에 구체적으로 기재되고/되거나 명세서에 구체적으로 개시되지 않은 방식으로 결합될 수 있다. 아래에 열거된 각각의 종속 청구항은 하나의 청구항만을 직접 인용할 수 있지만, 가능한 구현의 개시는 각각의 종속 청구항이 청구 범위 내 모든 다른 청구항을 인용하는 것을 포함한다.
본 명세서에 사용된 요소, 동작 또는 명령은 그 어느 것도, 명시적으로 그러한 것으로 설명되지 않는 한, 결정적이거나 필수적인 것으로 해석되어서는 안 된다. 또한, 본 명세서에서 사용된 단수형 요소는 하나 이상의 요소를 포함하는 것으로 의도되고, "하나 이상의" 요소와 교환 가능하게 사용될 수 있다. 또한, 본 명세서에 사용된 "세트"라는 용어는 하나 이상의 항목(예를 들어, 관련 항목, 비관련 항목, 관련 항목과 비관련 항목의 조합 등)을 포함하는 것으로 의도되고, "하나 이상"과 상호 교환 가능하게 사용될 수 있다. 단 하나의 항목만이 의도된 경우 "하나의"라는 용어 또는 이와 유사한 언어가 사용된다. 또한, 본 명세서에 사용된 "갖고", "가지고", "갖는" 등의 용어는 개방형 용어인 것으로 의도된다. 또한, "~에 기초하여"라는 어구는, 명시적으로 달리 언급되지 않는 한, "적어도 부분적으로 ~에 기초하여"를 의미하는 것으로 의도된다.

Claims (20)

  1. 방법으로서,
    장치에 의해, 마스터 기기(master instrument)와 관련된 마스터 교정 모델(master calibration model)의 마스터 베타 계수(master beta coefficient)를 획득하는 단계로서, 상기 마스터 베타 계수는 타깃 기기(target instrument)의 그리드(grid)에 있는, 상기 마스터 베타 계수를 획득하는 단계;
    상기 장치에 의해, 전송된 베타 계수의 쌍을 결정하기 위해, 제한 조건의 세트에 따라, 목적 함수의 제한 조건에 맞는 최적화를 수행하는 단계로서, 상기 제한 조건에 맞는 최적화는 전송된 베타 계수의 초기 쌍, 상기 마스터 베타 계수, 및 스카우트 세트(scouting set)와 관련된 스펙트럼에 기초하여 수행되는, 상기 목적 함수의 제한 조건에 맞는 최적화를 수행하는 단계;
    상기 장치에 의해 그리고 상기 전송된 베타 계수의 쌍에 기초하여, 전송된 베타 계수를 결정하는 단계; 및
    상기 장치에 의해, 상기 전송된 베타 계수를 포함하는 전송된 베타 계수의 세트에 기초하여 최종 전송된 베타 계수를 결정하는 단계로서, 상기 최종 전송된 베타 계수는 상기 타깃 기기에 의해 사용하기 위해 상기 마스터 교정 모델에 대응하는 전송된 교정 모델을 생성하는 것과 관련된, 상기 최종 전송된 베타 계수를 결정하는 단계를 포함하는 방법.
  2. 제1항에 있어서, 상기 전송된 교정 모델은 상기 최종 전송된 베타 계수에 기초하여 생성되는, 방법.
  3. 제1항에 있어서, 상기 전송된 베타 계수의 세트는 적어도 하나의 다른 전송된 베타 계수를 포함하고, 각각의 다른 전송된 베타 계수는 전송된 베타 계수의 각각의 초기 쌍에 기초하여 상기 목적 함수의 제한 조건에 맞는 최적화를 각각 수행하는 것에 기초하여 결정되는, 방법.
  4. 제1항에 있어서, 상기 마스터 베타 계수를 획득하는 단계는,
    상기 마스터 기기의 그리드가 상기 타깃 기기의 그리드와 일치(match)하는 것으로 결정하는 단계; 및
    상기 마스터 교정 모델의 상기 베타 계수를 상기 마스터 베타 계수로 식별하는 단계를 포함하는, 방법.
  5. 제1항에 있어서, 상기 마스터 베타 계수를 획득하는 단계는,
    상기 마스터 기기의 그리드가 상기 타깃 기기의 그리드와 일치하지 않는 것으로 결정하는 단계;
    상기 마스터 기기의 그리드가 상기 타깃 기기의 그리드와 일치하지 않는다는 결정에 기초하여, 마스터 교정 세트를 상기 타깃 기기의 그리드에 보간하여 보간된 교정 데이터를 생성하는 단계;
    상기 보간된 교정 데이터에 기초하여 회귀 모델을 생성하는 단계; 및
    상기 마스터 베타 계수를 상기 회귀 모델의 베타 계수로서 결정하는 단계를 포함하는, 방법.
  6. 제1항에 있어서, 상기 마스터 베타 계수를 획득하는 단계는,
    상기 마스터 기기의 그리드가 상기 타깃 기기의 그리드와 일치하지 않는 것으로 결정하는 단계;
    상기 마스터 기기의 그리드가 상기 타깃 기기의 그리드와 일치하지 않는다는 결정에 기초하여 상기 마스터 교정 모델의 베타 계수를 상기 타깃 기기의 그리드에 보간하는 단계; 및
    상기 마스터 교정 모델의 베타 계수를 상기 타깃 기기의 그리드에 보간한 결과에 기초하여 상기 마스터 베타 계수를 결정하는 단계를 포함하는, 방법.
  7. 제6항에 있어서, 상기 마스터 교정 모델의 베타 계수는 상기 마스터 교정 모델과 관련된 마스터 교정 세트가 이용 가능하지 않다는 결정에 기초하여 상기 타깃 기기의 그리드에 보간되는, 방법.
  8. 제1항에 있어서, 상기 제한 조건의 세트는 상기 마스터 베타 계수 및 상기 전송된 베타 계수의 쌍 각각과 관련된 상관 제한 조건을 포함하는, 방법.
  9. 제1항에 있어서, 상기 제한 조건의 세트는 상기 마스터 베타 계수 및 상기 전송된 베타 계수의 쌍 각각과 관련된 기울기 제한 조건을 포함하는, 방법.
  10. 제1항에 있어서, 상기 제한 조건의 세트는 상기 스카우트 세트와 관련된 예측된 값에 대한 교정 범위 제한 조건을 포함하는, 방법.
  11. 제1항에 있어서,
    상기 전송된 베타 계수의 초기 쌍을 랜덤하게 생성하는 것,
    랜덤한 값과 관련된 선형 함수를 상기 마스터 베타 계수에 적용하는 것, 또는
    상기 마스터 베타 계수에 랜덤한 값을 추가하는 것
    중 적어도 하나에 기초하여 상기 전송된 베타 계수의 초기 쌍을 생성하는 단계를 더 포함하는, 방법.
  12. 방법으로서,
    장치에 의해, 마스터 교정 모델과 관련된 마스터 기기의 그리드가 상기 마스터 교정 모델에 대응하는 전송된 교정 모델이 생성되어야 하는 타깃 기기의 그리드와 일치하지 않는다고 결정하는 단계;
    상기 장치에 의해, 상기 마스터 기기의 그리드가 상기 타깃 기기의 그리드와 일치하지 않는다는 결정에 기초하여 그리고 상기 마스터 교정 모델의 베타 계수에 기초하여, 상기 전송된 교정 모델을 생성하는 것과 관련된 마스터 베타 계수를 결정하는 단계;
    상기 장치에 의해 그리고 상기 마스터 베타 계수에 기초하여, 전송된 베타 계수의 쌍을 결정하는 단계;
    상기 장치에 의해 그리고 상기 전송된 베타 계수의 쌍에 기초하여, 전송된 베타 계수를 결정하는 단계; 및
    상기 장치에 의해, 상기 전송된 베타 계수를 포함하는 전송된 베타 계수의 세트에 기초하여 최종 전송된 베타 계수를 결정하는 단계
    를 포함하되, 상기 최종 전송된 베타 계수는 상기 전송된 교정 모델을 생성하는 것과 관련되는, 방법.
  13. 제12항에 있어서, 상기 마스터 교정 모델의 베타 계수는 상기 마스터 교정 모델과 관련된 마스터 교정 세트가 이용 가능하지 않다는 결정에 기초하여 상기 타깃 기기의 그리드에 보간되는, 방법.
  14. 제12항에 있어서, 상기 전송된 베타 계수의 쌍을 결정하는 단계는,
    전송된 베타 계수의 쌍을 결정하기 위해, 제한 조건의 세트에 따라, 목적 함수의 제한 조건에 맞는 최적화를 수행하는 단계를 포함하되,
    상기 제한 조건에 맞는 최적화는 전송된 베타 계수의 초기 쌍, 상기 마스터 베타 계수, 및 스카우트 세트와 관련된 스펙트럼에 기초하여 수행되는, 방법.
  15. 제14항에 있어서, 상기 제한 조건의 세트는,
    상기 마스터 베타 계수 및 상기 전송된 베타 계수의 쌍 각각과 관련된 상관 제한 조건,
    상기 마스터 베타 계수 및 상기 전송된 베타 계수의 쌍 각각과 관련된 기울기 제한 조건, 및
    상기 스카우트 세트와 관련된 예측된 값에 대한 교정 범위 제한 조건을 포함하는, 방법.
  16. 제14항에 있어서,
    상기 전송된 베타 계수의 초기 쌍을 랜덤하게 생성하는 것,
    랜덤한 값과 관련된 선형 함수를 상기 마스터 베타 계수에 적용하는 것, 또는
    상기 마스터 베타 계수에 랜덤한 값을 추가하는 것
    중 적어도 하나에 기초하여 상기 전송된 베타 계수의 초기 쌍을 생성하는 단계를 더 포함하는, 방법.
  17. 제12항에 있어서, 최종 전송된 베타 계수를 결정하는 단계는,
    전송된 베타 계수의 세트에 기초하여 그리고 선형 모델 보정(linear model correction: LMC) 기법을 사용하여, 상기 최종 전송된 베타 계수를 결정하는 단계를 포함하는, 방법.
  18. 제17항에 있어서, 상기 LMC 기법을 사용하는 것과 관련된 스카우트 세트에 대한 기준값은 상기 마스터 교정 모델 및 마스터 전송 세트에 기초하여 예측되는, 방법.
  19. 방법으로서,
    장치에 의해, 교정 모델을 업데이트하는 것과 관련된 스카우트 세트를 획득하는 단계로서, 상기 스카우트 세트는 상기 교정 모델이 업데이트되는 기초가 되는 샘플의 세트와 관련된 스펙트럼을 포함하는, 상기 스카우트 세트를 획득하는 단계;
    상기 장치에 의해, 상기 교정 모델과 관련된 베타 계수를 결정하는 단계;
    상기 장치에 의해 그리고 상기 베타 계수에 기초하여 그리고 선형 모델 보정(LMC) 기법을 사용하여, 상기 교정 모델을 업데이트하는 것과 관련된 업데이트된 베타 계수를 결정하는 단계; 및
    상기 장치에 의해, 상기 업데이트된 베타 계수에 기초하여 상기 교정 모델을 업데이트하는 단계
    를 포함하되, 업데이트된 교정 모델은 교정을 수행하는 것과 관련하여 상기 업데이트된 베타 계수를 사용하고,
    상기 업데이트된 베타 계수를 결정하는 단계는, 전송된 베타 계수의 쌍을 결정하는 단계, 상기 전송된 베타 계수의 쌍에 기초하여 전송된 베타 계수를 결정하는 단계, 및 상기 전송된 베타 계수를 포함하는 전송된 베타 계수의 세트에 기초하여 최종 전송된 베타 계수를 결정하는 단계를 포함하는, 방법.
  20. 제19항에 있어서, 상기 교정 모델의 업데이트는 상기 장치의 동작 동안 수행되는, 방법.
KR1020190083352A 2018-07-11 2019-07-10 다변수 교정 모델 유지 관리를 위한 집중 선형 모델 보정 및 선형 모델 보정 KR102505256B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230025070A KR20230034271A (ko) 2018-07-11 2023-02-24 다변수 교정 모델 유지 관리를 위한 집중 선형 모델 보정 및 선형 모델 보정

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/032,978 2018-07-11
US16/032,978 US10969331B2 (en) 2018-07-11 2018-07-11 Focusing linear model correction and linear model correction for multivariate calibration model maintenance

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020230025070A Division KR20230034271A (ko) 2018-07-11 2023-02-24 다변수 교정 모델 유지 관리를 위한 집중 선형 모델 보정 및 선형 모델 보정

Publications (2)

Publication Number Publication Date
KR20200006937A KR20200006937A (ko) 2020-01-21
KR102505256B1 true KR102505256B1 (ko) 2023-03-02

Family

ID=67437658

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020190083352A KR102505256B1 (ko) 2018-07-11 2019-07-10 다변수 교정 모델 유지 관리를 위한 집중 선형 모델 보정 및 선형 모델 보정
KR1020230025070A KR20230034271A (ko) 2018-07-11 2023-02-24 다변수 교정 모델 유지 관리를 위한 집중 선형 모델 보정 및 선형 모델 보정

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020230025070A KR20230034271A (ko) 2018-07-11 2023-02-24 다변수 교정 모델 유지 관리를 위한 집중 선형 모델 보정 및 선형 모델 보정

Country Status (5)

Country Link
US (3) US10969331B2 (ko)
EP (1) EP3594954A3 (ko)
JP (2) JP7046875B2 (ko)
KR (2) KR102505256B1 (ko)
CN (2) CN110715730B (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10969331B2 (en) 2018-07-11 2021-04-06 Viavi Solutions Inc. Focusing linear model correction and linear model correction for multivariate calibration model maintenance
CN111289470B (zh) * 2020-02-06 2021-12-10 上海交通大学 基于计算光学的oct测量成像方法
US11333616B2 (en) * 2020-07-30 2022-05-17 Kla Corporation Adaptive focusing system for a scanning metrology tool
CN112683816B (zh) * 2020-12-25 2021-08-06 中船重工安谱（湖北）仪器有限公司 一种光谱模型传递的光谱识别方法
CN114166768B (zh) * 2022-02-14 2022-05-20 四川大学华西医院 不同设备检测同一指标同质化换算方法、装置、电子设备
EP4336157A1 (en) * 2022-09-06 2024-03-13 X-Rite Europe GmbH Method and system for color formulation
CN115581447B (zh) * 2022-10-09 2023-05-02 宁波迈达医疗仪器有限公司 用于固态测压导管性能的智能校准装置及其校准方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180031421A1 (en) * 2016-07-29 2018-02-01 Viavi Solutions Inc. Transfer of a calibration model using a sparse transfer set

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5459677A (en) * 1990-10-09 1995-10-17 Board Of Regents Of The University Of Washington Calibration transfer for analytical instruments
US5641962A (en) * 1995-12-05 1997-06-24 Exxon Research And Engineering Company Non linear multivariate infrared analysis method (LAW362)
JP3326318B2 (ja) * 1995-11-29 2002-09-24 株式会社堀場製作所 分光分析計における多変量解析方法
US20020172948A1 (en) * 2001-05-04 2002-11-21 Perlin Mark W. Method and system for nucleic acid sequencing
EP2128599A1 (en) * 2008-05-28 2009-12-02 Université de Liège Analysing spectral data for the selection of a calibration model
US9046882B2 (en) * 2010-06-30 2015-06-02 Rockwell Automation Technologies, Inc. Nonlinear model predictive control of a batch reaction system
US20150160121A1 (en) * 2013-12-06 2015-06-11 Trent Daniel Ridder Calibration Transfer and Maintenance in Spectroscopic Measurements of Ethanol
CN103854305B (zh) * 2014-03-19 2016-08-17 天津大学 一种基于多尺度建模的模型传递方法
CN104089911B (zh) * 2014-06-27 2016-05-25 桂林电子科技大学 基于一元线性回归的光谱模型传递方法
CN106769981B (zh) * 2016-11-18 2019-04-26 北京化工大学 一种沥青蜡含量红外光谱校正模型双向传递方法
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180031421A1 (en) * 2016-07-29 2018-02-01 Viavi Solutions Inc. Transfer of a calibration model using a sparse transfer set

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
J. J. Workman Jr, A Review of Calibration Transfer Practices and Instrument Differences in Spectroscopy, Appl. Spectrosc. Vol.72, pp340-365(2018.03.01.)*
Y. Liu et al., Linear model correction: A method for transferring a near-infrared multivariate calibration model without standard samples, Spectrochim. Acta A Mol. Biomol. Spectrosc. Vol.169(2016)*

Also Published As

Publication number Publication date
JP7046875B2 (ja) 2022-04-04
JP2020024191A (ja) 2020-02-13
JP2022106697A (ja) 2022-07-20
KR20200006937A (ko) 2020-01-21
US20230160812A1 (en) 2023-05-25
CN115046944A (zh) 2022-09-13
US11561166B2 (en) 2023-01-24
EP3594954A2 (en) 2020-01-15
CN110715730A (zh) 2020-01-21
US20200018691A1 (en) 2020-01-16
US20210208059A1 (en) 2021-07-08
JP7507809B2 (ja) 2024-06-28
CN110715730B (zh) 2022-05-27
EP3594954A3 (en) 2020-12-16
KR20230034271A (ko) 2023-03-09
US10969331B2 (en) 2021-04-06

Similar Documents

Publication Publication Date Title
KR102505256B1 (ko) 다변수 교정 모델 유지 관리를 위한 집중 선형 모델 보정 및 선형 모델 보정
JP6952526B2 (ja) スパース転送セットを使用する較正モデルの転送
KR102494073B1 (ko) 분광 모델의 교정에 기초하는 교차-유효성확인
WO2018047655A1 (ja) 時系列データ特徴量抽出装置、時系列データ特徴量抽出方法及び時系列データ特徴量抽出プログラム
Ni et al. Stacked PLS for calibration transfer without standards
Mishra et al. An algorithm for robust multiblock partial least squares predictive modelling
CN115225174A (zh) 地波传播链路场强预测方法、装置、存储介质和电子设备
EA033993B1 (ru) Система и способ калибровки

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right