基于人工神经网络的专利申请评估研究

[摘 要] 本文利用人工神经网络模型BP算法的多层前馈网络模型原理，通过输入到输出的函数映射关系，建立用于专利申请可行性评估的神经网络模型，反映专利申请可行性评估的动态性和数据的时序关联性。

[关键词] 人工神经 专利 评估 模型

一、专利申请评估中人工神经网络模型的原理与方法

专利评估是一个非常复杂的系统, 其中存在着广泛的非线性、时变性和不确定性。本文实质上是对拟申请专利的技术创新成果做一个分类。但要注意的是，不宜申请专利的技术创新成果并不代表不具备创新价值和经济效益，我们在选取指标因素时，只是将专利法对专利权的保护方式作为是否适合申请专利重要的因素，某些技术创新成果如不必申请专利权便可以以单方执有技术秘密而形成技术垄断，则不必申请专利。

以上这些因素可以用一向量(e1,e2,…，em)来表示，也可以转化为寻找一差别函数f使得：

(1)f(e1，e2，…，em)＞ε， (e1，e2，…，em)∈T

(2)f(e1，e2，…，em)＞ε， (e1，e2，…，em)T

其中集合T表示适合申请专利保护。因此，专利申请的可行性评估最终也可作为一类函数的逼近问题。

二、专利申请评估人工神经网络模型的构建

本文构建的专利评估模型是采用BP算法的多层前馈网络。该模型的特点是信号由输入层单向传递到输出层，同一层神经元之间互不传递信息，每个神经元与邻近层所有神经元相连，连接权用Wij表示。各神经元的作用函数为Sigmoid函数，设神经网络输入层的p个节点，输出层有q个节点，k-1层的任意节点用l表示，k层的任意节点用j表示，k+1层的任意节点用l表示。Wij为k-1层的第i个神经元与k层的第j个神经元相连接的权值。k-1层的节点i输出为O(k-1)i，k层节点j的输出为：Okj=f(netkj)

设训练样本为(X，Ye),X为p维向量，加到输入层；Ye为q维向量，对应于期望输出；网络的实际输出Y也是q维向量。网络在接受样本对的训练过程中，采用BP算法，其权值调整量为：

ΔWij=-ηδkjO(k-1)i

其中，对于输出层为：δkj=yj(1-yj)(yej-yj)

对于非输出层为：η为训练步长，取0＜η＜1。

用样本集合反复训练网络，并不断修改权值，直到使实际输出向量达到要求，训练过程结束。

三、基于BP人工神经网络的专利申请可行性判断步骤及结论

本文使用的技术创新成果数据选自1995年～2005年某市知识产权局提供的样本，共计551例。其中486例成功申请专利。每一样本都包括多项数据，其中用于评估的数据项有：申请专利的类别，技术创新的类别、技术的垄断性、专利权保护的难易程度等多达58项。

1.网络训练集的确定：在最原始的551例技术创新成果中存在着各种各样的差别，如申请专利权类别差异(419例发明专利和实用新型专利，132例外观设计专利)，评估结果的差异(486例经申请后被授予专利)，技术创新成果的类别差异，技术创新成果技术价值的不同（如发明专利的技术独创性最强且不易复制，因而最具技术价值）、专利权保护的时限不同（如外观设计专利权和实用新型专利权的时限仅为10年，而发明专利权的保护时限为20年）。

2.神经网络输入和输出数据的预处理。人工神经网络的输入输出数据都应该属于(0，1)区间的实数，为此我们对原始数据进行如下的规一化处理：

其中xi为原始数据项，而Max=max｛xi∶xi∈X｝，Min=min｛xi∶xi∈X｝。这里X为原始数据集。经过变换后， yi将在(0，1)区间，可作为神经网络的输入输出。

3.使用人工神经网络进行专利申请可行性判断。将描述技术创新成果的各种情况的数据作为前向网络的输入数据加到其输入端，并按各神经元的输入和输出，同时调整神经元之间的连接权值以使网络的输出和实际情况相符。即当技术创新成果成功申请到专利权时，网络的输出结果也恰好指示为适合申请专利权，反之亦然。如果对所有的训练样本集网络的输出基本上(95%或更高)能保证与实际结果一致，则训练过程结束。对于一个待评估的技术创新成果来说，只要将该成果的数据输入到训练好的神经网络中去，根据网络的输出结果就可以知道该技术成果是否适合申请专利权保护。

上述结果表明不同类型的因素应分开来考虑。我们将58项输入数据分成四类不同的BP网络,然后再将它们各自的结果综合起来得出最后的判断。

上述四种网络所得结果的可靠性各不相同。其中，根据基于专利法保护的判断准确性最高，因此在最后的综合中重点考虑它的判断结果，其权值也相对最高。其次，基于技术垄断性的判断往往也具有较高的准确性，权值也较高，但比前者的稍低。基于技术创新成果属性的判断更多地涉及专利权的受保护程度，因此在专利的申请阶段也属于相对不太重要的参考因素，因此设定权值最小。

最后的结果O为：

O=a1XO1+a2XO2+a3XO3+a4XO4

a1+a2+a3+a4=1

其中Oi，ai,i=1,2,3,4分别为各诊断网的输出及其对应的权值。

当O＞0.5时最后的结果为适合申请专利权，反之则不宜申请专利权。对所有的样本数据经上述的判断结果见表2。

其中对于训练集，适合申请专利的技术成果的正确判断率为100%，误判率为0,不适合申请专利的正确判断率为97.8, 误判率为3.2%。

通过对结果的分析得出结论，本文采用的人工神经网络的专利申请可行性评估的结果较好地符合了已知数据，具有较高的准确性，特别是对于适合申请专利的技术创新成果一般能准确地做出判断，有利于技术创新主体及时申请专利保护和拥有相关权益。