BP神經網絡在專利價值評估中的應用

呂 霽

(江西財經職業學院，江西 九江 332000)

專利是我國重要的知識產權，近年來，我國在大力發展“專利產業化示范工程”過程中，各級地方政府通過各種手段，篩選出了部分對當地經濟具有較大驅動作用、且擁有自主知識產權的專利技術。但是，我國關于專利價值評估的研究仍停留在專利信息管理層面，對專利分析缺乏深入研究。基于此，為了促使專利技術價值評估更加科學、客觀、精準，對BP神經網絡在專利價值評估中的應用進行適當分析具有非常重要的意義。

1 BP神經網絡及專利價值理論概述

1.1 BP神經網絡理論

BP神經網絡主要是依據人腦神經元特點，通過對樣本數據進行系統抽象分析，構建程序式的數據自動處理方式。其主要包括輸入層、輸出層、中間層幾個模塊，使程序可以不斷地進行樣本數據訓練、輸出、輸入處理[1]。

1.2 專利價值理論

專利價值是品牌建設范疇的一個概念。其主要包括產權歸屬、名稱、保護年限等多層含義，可以作為品牌建設的評估要素。從專利價值自然屬性進行分析，專利價值主要指通過專利技術轉移，可研發出應用專利技術的產品，進而通過社會加工，形成具有一定價值的商品，商品價值可作為專利價值評定依據。而從專利社會屬性進行分析，專利價值主要指專利可作為無形資產進行轉讓、抵押、信貸等各種社會金融活動。在金融活動中企業擁有專利的數量也直接影響了其發展效益。

2 基于BP神經網絡的專利價值評估指標體系構建

公正、客觀的評價指標體系是對專利技術價值進行綜合評估的前提，因此，本研究廣泛調查國內外文獻，重點學習了國內外專家學者在進行類似評價時所使用的指標，對普遍應用的指標進行了篩選應用[2]。最終得出專利技術價值評估指標來自技術、市場、法律三個層面。具體如下：

2.1 技術因素指標

技術因素(H1)主要包括技術先進性(H11)、技術成熟性(H12)、技術適用性(H13)、技術不易模仿性(H14)、技術不可替代性(H15)、技術受知識產權保護程度(H16)幾個模塊。

2.2 市場因素指標

市場因素指標(H2)主要包括新產品導入頻率(H21)、市場競爭情況(H22)、市場進入障礙(H23)、國內外市場需求份額(H24)、有關法律法規對市場的影響(H25)幾個模塊。

2.3 法律因素指標

法律指標(H3)主要包括法律穩定性(H31)、法律依賴性(H32)、法律可規避性(H33)、專利侵權性可判定性(H34)、多國申請(H35)、有效期(H36)、專利許可狀態(H37)幾個模塊。

3 基于BP神經網絡的專利價值評估模型搭建與實證訓練

3.1 基于BP神經網絡的專利價值評估指標規格化處理

通過對某知識產權局調查研究，整理出專利技術價值評估基本數據。部分定性指標數據主要采用專家打分的形式獲得。但是，由于所整理出的各指標間存在量綱單位差異，其存在定性、定量兩個方面指標。因此，為保證評價項目間量綱單位可公度性，可以利用效應系數，對評價指標進行規格化處理，促使其成為閉區間[0，1]上無量綱指標屬性數值。其中對于正向型指標，效應系數計算公式為： ；而對于逆向型指標，效應系數計算公式為：Qt=1-(Xt-Xtmin)/(Xtmax-Xtmin)；而對于逆向型指標，效應系數計算公式為：Qt=(Xt-Xtmin)/(Xtmax-Xtmin)。

上述式子中Qt是目標值為Xt的效應系數，Xtmin、Xtmax分別為預先確定的第t個指標的最小、最大值，而t為評價指標數目[3]。通過對專利技術評價指標進行規范化處理，得出數據如表1所示。

表1 某專利產權局樣本數據規范化處理結果(局部)Tab.1 Standardized processing results of sample data of a patent office (partial)

3.2 基于BP神經網絡的專利價值評估模型構建

基于BP神經網絡輸出節點數量與專利技術價值評估指標間的緊密聯系，本研究選取綜合評價者較好的為1，最低的為0，共分為好(0.80～1.00)、較好(0.60～0.80)、一般(0.40～0.60)、較差(0.20～0.40)、差(0.0～0.20)幾個等級。在共10個樣本的數據中，選擇樣本1～7作為訓練樣本，樣本7～10作為驗證樣本[4]。

在具體模型構建過程中，首先需確定網絡層數及輸入層節點。本次研究主要采用單隱層BP神經網絡，采用10個指標對專利價值進行綜合評價。即網絡輸入層節點數為10。

其次，確定中間層節點數。在本研究中主要依據h=log2N，進行計算。該式子中h為中間層節點數量；N為輸入層節點數量。同時，為避免中間層網絡非線性映射能力弱對預定映射關系的影響，可以適當增加中間層節點數量，即設定中間層個數為10。

最后，輸出層節點數確定。考慮到該專利技術評估模型中僅可具有一個指標作為綜合評價等級系數。因此，設定輸出層節點數為1。

3.3 基于BP神經網絡的專利價值評估模型實證訓練

首先，分別對trainlm函數、traincgb函數、trainscg函數不同中間層節點數比例值、均方誤差值進行對比分析，得出trainscg函數比例值較高(0.885 623)，誤差值較小(1.725 632)，因此，本次訓練主要選擇trainscg函數，訓練節點數為10個。

其次，在基于BP神經網絡的專利價值評估體系訓練前期，需要對網絡權值、閾值進行初始化處理。即設定newff網絡命令符，直接對其進行初始化處理。同時，在中間層訓練函數trainscg應用的基礎上，采用purelin轉化函數作為輸出層函數。采用具有動量的梯度下降法，即trainlm訓練網絡，設定學習精度為0.000 01[5]。通過對模型訓練結果進行擬合分析，得出本次研究所搭建的神經網絡模型設定較優良，回歸曲線方程R=0.999 93，擬合度較好。

最后，將篩選的10個樣本帶入專利技術價值評估BP神經網絡模型中，輸入專利指標數據。通過BP神經網絡模型運作，得出專利價值網絡輸出值與實際價值對比如表2所示。

表2 BP神經網絡訓練輸出值與實際價值對比(局部)Tab.2 Comparison between BP neural network training output value and actual value (partial)

通過對表2數據進行分析，可得出網絡輸出值與實際專利價值比值存在動態波動。其中，當網絡輸出值與實際專利價值比值大于1時，表明專利價值內在理論價值低于實際市場預期，專利價值在某種程度上被低估。對專利內在價值進行進一步挖掘，是后續專利價值評估的主要方向；當網絡輸出值與實際專利價值比值小于1時，表明測量專利輸出價值高于其實際價值[6]。

4 結論

BP神經網絡在專利價值評估模型中的應用，可以從多個維度視角出發，對專利價值進行評估，較傳統市場法、模糊評價法、成本法而言具有更高的可操作性及客觀性。因此，在專利價值評估過程中，相關技術人員可以依據BP神經網絡理論及專利價值理論，搭建科學的專利價值評估指標體系及BP神經網絡模型。結合模型實證訓練，進一步豐富專利價值評估體系，為專利價值評估工作效率及質量同步提升提供依據。