Figure 1. Near infrared refraction spectrum of samples 1-7.
Figure 2. Near infrared refraction spectrum of samples 8-12.
そこで、Tables 1, 2に示したデータをパーセプトロン型ニューラルネットに学習させて溶出誘導時間と溶出速度と1/f揺らぎ解析で得られる回帰直線の傾きと切片の関係の自動抽出を行った。実際にはTables 1, 2に示した12のサンプルのうち一つを除いたデータの組を学習したパーセプトロン型ニューラルネットを用いて、除いた1つのサンプルのデータを予測すること、すなわちleave-one-outテストによりその妥当性を検討した。
Table 1. Elution induce time and 80%elution time (day) of 12 polymer-coated manure samples
Sample NO. | Ind. Time(day) | 80% eltn (day) |
---|---|---|
1 | 27. | 180. |
2 | 28. | 200. |
3 | 12. | 41. |
4 | 47. | 101. |
5 | 68. | 139. |
6 | 70. | 165. |
7 | 55. | 110. |
8 | 40. | 102. |
9 | 58. | 137. |
10 | 62. | 152. |
11 | 63. | 150. |
12 | 93. | 210. |
Table 2. Slope and Cross sections of 1/f fluctuation analysis on 12 polymer-coated manure samples
Sample No. | Slope | Cross Section |
---|---|---|
1 | -2.51096 | -1.65557 |
2 | -2.19985 | -2.09506 |
3 | -2.92691 | -0.94487 |
4 | -2.96842 | -0.92185 |
5 | -2.92435 | -0.97957 |
6 | -2.75236 | -1.24469 |
7 | -2.84342 | -1.08294 |
8 | -3.09626 | -0.80936 |
9 | -2.94326 | -0.96791 |
10 | -3.11999 | -0.68728 |
11 | -2.96057 | -0.88428 |
12 | -2.85455 | -1.04914 |
データは、傾き、切片、溶出誘導時間、80%溶出時間と促進パラメータの5つである。溶出誘導時間の推定の場合の入力データは、傾き、切片、80%溶出時間、および促進パラメータの4つのパラメータとし、80%溶出時間の推定の場合は、傾き、切片、溶出誘導時間、および促進パラメータの4つのパラメータを入力データとした。
パーセプトロン型のニューラルネットのネットワーク構造は、入力データ数に対応する入力層ニューロン数4、中間層ニューロン数8、出力層ニューロン数1とした。学習誤差のしきい値は、0.0008である。
ニューラルネットワークによる推定は、非線形の多次元フィッティングとそれによる補間である。そこで、線形の多次元フィッティングと比較するために、現在コンピュータグラフィックスなどで広く用いられている佐藤と二宮らの不規則分布2変数データに対するCk級補間法[6]をn次元に拡張し、その性能をあわせて評価することとした。
Figure 3. Plot of Slope and Cross section of fluctuation analysis (See Table 2 for details.)
Table 3. Estimated elution induce time and 80% elution (days) by neural network
Sample No. | Obs. | Calc. | Error(%)* | |||
---|---|---|---|---|---|---|
Ind.time | 80% eltn | Ind.time | 80%eltn | Ind.time | 80%eltn | |
1 | 27. | 180. | 56.6 | 140.6 | 107.4 | 22.0 |
2 | 28. | 200. | 9.3 | 214.6 | -66.8 | 7.3 |
3 | 12. | 41. | 25.2 | 34.7 | 110.0 | -15.4 |
4 | 47. | 101. | 43.3 | 116.2 | -7.7 | 15.0 |
5 | 68. | 139. | 62.5 | 159.2 | -8.1 | 14.5 |
6 | 70. | 165. | 71.6 | 159.2 | 2.3 | -3.5 |
7 | 55. | 110. | 50.9 | 129.7 | 7.5 | 17.9 |
8 | 40. | 102. | 43.6 | 99.4 | 9.0 | -2.5 |
9 | 58. | 137. | 63.6 | 132.6 | 9.7 | -3.2 |
10 | 62. | 152. | 53.6 | 167.2 | -13.5 | 10.0 |
11 | 63. | 150. | 68.3 | 142.8 | 8.4 | -4.8 |
12 | 93. | 210. | 80.8 | 193.2 | -13.1 | -8.0 |
Figure 4. Correlation between observed and calculated elution induced time.(days) gray line: y=x, black line: regression line y=0.9223x+3.5517 R2 =0.6862
Figure 5. Correlation between observed and calculated 80% elution.(days)Gray line: y=x, black line: regression line y=0.9539x+6.294 R2 =0.8617
溶出誘導時間の推定に比べ、80%溶出時間の推定の方が傾きが1に近くR2も小さいが、逆に切片は大きい。それぞればらつきは大きいとはいえ、実測値と計算値の回帰直線の傾きは0.9で1.0に近く、切片も一桁である。さらに、溶出誘導時間ならびに80%溶出時間の実験値に含まれる誤差が10%程度であることを考慮すると実用に十分耐えうる精度で推定がなされていることが分かる。
Table 4. Estimated elution induce time and 80% elution (days) by Ck class interpolation
Sample No. | Obs. | Calc. | Error(%)* | |||
---|---|---|---|---|---|---|
Ind.time | 80% eltn | Ind.time | 80%eltn | Ind.time | 80%eltn | |
1 | 27. | 180. | 48.8 a | 160.1 a | 80.7 | -11.1 |
2 | 28. | 200. | 41.3 a | 229.4 a | 47.4 | 14.7 |
3 | 12. | 41. | 50.6 a | 168.5 a | 321.3 | 310.9 |
4 | 47. | 101. | 48.8 a | 93.1 a | 3.8 | -7.8 |
5 | 68. | 139. | 59.1 a | 164.1 a | -13.0 | 18.1 |
6 | 70. | 165. | 63.1 | 146.4 | -9.8 | -11.2 |
7 | 55. | 110. | 52.2 a | 126.7 a | -5.1 | 15.2 |
8 | 40. | 102. | 34.5 a | 138.0 a | -13.7 | 35.3 |
9 | 58. | 137. | 64.3 | 123.6 a | 10.9 | -9.8 |
10 | 62. | 152. | 59.7 a | 153.1 a | -3.7 | 0.7 |
11 | 63. | 150. | 69.3 | 122.2 a | 9.9 | -18.5 |
12 | 93. | 210. | 73.6 a | 187.8 a | -20.9 | -10.6 |
Figure 6. .Correlation between observed and calculated elution induced time by Ck class interpolationgray line: y=x, black line: regression line y=1.4927x+30.838, R2 =0.5878
Figure 7. Correlation between observed and calculated 80% elution.(days) by Ck class interpolationgray line: y=x, black line: regression line y=0.6597x+40.914, R2 =0.2433
Figures 6, 7に観測値と計算値の相関図をしめす。これをみると、Ck級の補間法による推定はニューラルネットワークを用いたものより観測値と計算値の相関が悪いことが判る。特にサンプル3が悪い。
また、Table 5にFigures 4 - 7に示した回帰直線の傾きと切片およびR2をまとめた。この相関の回帰直線の傾きが1に近く、切片が0、R2が1に近ければ推定精度が高いと言うことができる。Table 5をみるとニューラルネットの方がCk級補間法に比べて精度が高いことが判る。
Table 5. Slope, cross section and R2 of regression lines in Figures 4 - 7.
| |||||||||||||||||||
|
むしろ、Ck級補間法に関しては、本研究では学習データ数が少ないため、k=3としか取れなかった。そのため補間に利用できる関数系が少なくなり、十分な補間ができなかったものと考えることができる。また、推定点がサンプル6を除いて学習点の組によって定義される域外にあり、外挿となってしまった。これもCk級補間法での推定精度を下げている一因である。
樹脂被覆肥料の近赤外反射スペクトルの測定とその1/f解析および推定に必要な処理時間の多くは近赤外反射スペクトル測定のステップであり、それは高々2,3分である。また、1/f解析および推定に必要なすべての計算時間は1分程度である。そのため、本方法を用いることで樹脂被覆肥料の溶出誘導時間と80%溶出時間の見積もり時間の大幅な短縮が可能となる。