發(fā)明專利咋寫?
專利代理 發(fā)布時間：2023-12-04 15:00:00 瀏覽: 次
有不少專利申請人咨詢樂知網律師這一問題，關于 發(fā)明專利咋寫 的詳細內容，由于咨詢的人較多，有一定的普遍性，樂知網已寫成參考文章。
發(fā)明專利咋寫?
發(fā)明專利的寫作需按照一定的格式要求和要點：
準備技術交底書：詳細描述發(fā)明內容、技術方案、實施方式和效果等信息。
撰寫說明書：說明書是發(fā)明專利申請的主體文件，需要描述發(fā)明內容、技術方案、實施方式和效果等信息，并按照規(guī)定的格式進行撰寫。
撰寫權利要求書：權利要求書是發(fā)明專利申請的核心文件之一，需要明確保護范圍和要求保護的權益。
提交申請：將申請文件提交給國知局，進行審查。要注意文件的格式和數量，并按照規(guī)定繳納專利申請費用。
人工智能或者機器學習的專利到底在保護什么？
國家知識產權局決定對《專利審查指南》作出修改。
在《專利審查指南》第二部分第九章增加第6節(jié)。
對包含算法或商業(yè)規(guī)則和方法等智力活動的規(guī)則和方法特征，涉及人工智能、“互聯網+”、大數據以及區(qū)塊鏈等的發(fā)明專利申請的審查特殊性作出規(guī)定。
在該部分增加了一些示例。
明確規(guī)定“審查應當針對要求保護的解決方案，即權利要求所限定的解決方案進行。
在審查中，不應當簡單割裂技術特征與算法特征或商業(yè)規(guī)則和方法特征等，而應將權利要求記載的所有內容作為一個整體，對其中涉及的技術手段、解決的技術問題和獲得的技術效果進行分析。
”接下來，我們結合機器學習以及人工智能通常使用的幾種算法來明確這些算法在相關專利所起到的作用或者扮演的角色：
1。支持向量機（support vector machine，SVM） 支持向量機（Support Vector Machine， SVM)是一種基于核的機器學習方法，通過數據空間與特征空間的非線性映射，可有效地將數據空間中 的非線性問題轉化為特征空間中的線性問題，進而提高非線性處理能力；其次，基于結構風 險最小化的優(yōu)化準則使其具有更好的泛化性能；另外，學習過程自動確定網絡結構，且具有稀疏解的優(yōu)點，這都使得支持向量機對于解決小樣本、非線性以及高維問題具有很大的優(yōu)越性。
應用領域：
用于文本和超文本的分類； 用于圖像分類； 用于手寫字體識別； 用于醫(yī)學中分類蛋白質，建立識別模型。
CN101541030B 基于支持向量機的數據預測方法和設備 從可行性、合理性、實用性等角度出發(fā)，提出并設計了基于支持向量機的無線通信話務量中長期智能預測新算法，用以為網絡擴容提供科學參考依據，進而靈活、主動地應對話務量的增長，有效地進行網絡建設規(guī)劃，保證網絡服務的質量。
030專利的原理是利用了現有技術中的SVM擬合算法：
然后，將上述SVM算法作為一個技術手段融入進了解決“對通信話務量的未來值進行有效預測”技術問題的方案之中：在S105，讀取 與歷史時期（“第一時期”）相關聯的多個歷史數據（“第一數據”）。
歷史時期的長度單位 (顆粒度）可以是月、周、天等，也可以小時、分鐘等。
歷史時期可包含多個歷史子時期，例如，如果歷史時期的長度為年，歷史子時期的長度為周，則可設定一年包含52周；如果歷史子時期的長度為天，則可設定一年包含365天。
歷史數據是在歷史時期中已經測得的數據， 例如話務量、短信量、視頻流量、用戶數目等。
歷史數據可一一對應于多個歷史子時期，例如可以是一年中每天的話務量。
例如，歷史數據的形式可以是{yi | i = 1，…，n}，對應的時序為{ti | i = 1，…，n}，其中n為正整數。
如果時序的單位是天，則ti表示第1天至第n天 中的某一天，而yi表示在該第1天至第n天中已經測得的每一天的相應歷史數據（如話務量、短信量、視頻流量、用戶數等）。
用戶可選擇輸入的各個數據對應的日期（軟件按照日期計算長度讀取用戶輸入到Excel文件中的話務量數據）。
在讀取了歷史數據之后，在S110，預測與預測時期（“第二時期”）中包含的子時 期相對應的預測數據（“第二數據”）。
預測時期在歷史時期之后，長度單位可以與歷史時期相同，也可以不同。
只要預測時期的起始時刻等于或晚于歷史時期的結束時刻即可。
同樣，歷史時期的子時期的長度單位也可以根據實際需要而不同。
在S110中，支持向量機使 用在S105中讀取的多個歷史數據的至少一個子集作為輸入變量。
支持向量機的輸出對應于預測數據。
ti，yi分別是上述SVM算法中的Xl和K（Xl，X），由此可見，030專利保護的實質上并不是算法本身，而是SVM算法對于解決“對通信話務量的未來值進行有效預測”問題的建模過程，即如何由歷史數據產生預測數據的技術方案。
2。邏輯回歸（logistic Regression） 邏輯回歸（Logistic Regression）是一種用于解決二分類（0 or 1）問題的機器學習方法，用于估計某種事物的可能性。
比如某用戶購買某商品的可能性，某病人患有某種疾病的可能性，以及某廣告被用戶點擊的可能性等。
應用領域：
Binary分類問題：比特幣會不會上漲、明年有沒有金融危機，Trump能不能連任總統(tǒng)。
CN110263959A點擊率預估方法、裝置、機器設備和計算機可讀存儲介質 互聯網廣告投放的實現依賴對所投放資源的點擊率預估，利用邏輯回歸算法在為用戶運算得到每一資源所對應的點擊率預測值之后，即可按照這一點擊率預測值選取向此用戶投放的資源。
由此便能夠對每一用戶都能夠推薦其所感興趣的資源。
959專利通過邏輯回歸算法實現點擊率預估所使用的建模圖形示意圖。
進行點擊率預測值運算所使用的運算模型包括了下圖左側以基礎屬性、用戶標簽、廣告ID、廣告類目、廣告位、上下文為特征為輸入的邏輯回歸模型，在此基礎上，用戶標簽這一維度以及廣告ID這一維度都分別進行了一定維度上的特征抽取，所抽取的特征項執(zhí)行內積和平均之后，就可融入到邏輯回歸運算的加權運算中，以此來獲得所預估的點擊率預測值。
更多關于 發(fā)明專利咋寫 的內容，可以咨詢 樂知網。
(樂知網- 領先的一站式知識產權服務平臺，聚焦 專利申請，商標注冊 業(yè)務)。
關鍵詞： 申請專利 專利申請 ?
