既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上Go语言开发知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
在寻找关联因素时可以开拓思维,以飞机发动机消音板中的多孔声阻层技术为例:
– 除了在金属板上打孔,还有哪些方式可以制备成孔呢?
答:可以使用多个夹板拼接成孔,也可以使用预浸渍材料进行编织成孔。
– 针对不同制备方法获取的孔,有哪些对应的创新点?例如针对使用预浸渍材料进行编织成孔,有哪些独特的创新点?
答:可以有经纬线间隔、开口表面比率等。
– 哪些创新点是可通用的?
答:可以有孔的排布、孔的间隔等。
上述内容均可以作为关联因素,在此基础上,找出关联因素的创新点,完成从创新点出发的专利挖掘。
(3)从已有专利出发
对目标专利进行整体分析,分析目标专利主要创新点及权利要求,分析目标专利的实现方案,寻找替代方案、改进方案、包围方案。
以围绕奥美拉唑的技术改进的专利挖掘为例:
阿斯利康公司发现了对胃酸分泌有着良好的抑制作用的一种化合物——奥美拉唑,可有效治疗活动性胃炎、消化性溃疡、胃食管反流病等酸相关疾病,并于1979年4月提出专利申请,申请号为EP0005129A1。
第一步:发现现有技术中存在的问题。
奥美拉唑投入市场后,虽然取得了一定的疗效,但其问题也相继被发现,例如在药物的生产和使用中发现,奥美拉唑储存稳定性很差,极易发生化学反应,严重缩短了药物的使用期限。这一问题的发现对技术改进提出了需求。
第二步:分析解决问题的关键技术改进点。
针对第一步中发现的问题,技术人员研制出了稳定性更强的奥美拉唑的钠盐和镁盐,很好地解决了储存稳定性差的问题。其中,使用钠盐和镁盐代替原来的奥美拉唑是解决问题的关键技术改进点。
第三步:根据技术改进点提炼创新点。
在第二步得到的技术改进点有两个,分别是用钠盐和镁盐代替了奥美拉唑。在提炼创新点的过程中,要对技术改进点进行适当的概括,以覆盖尽可能多的情况。即可以用钠盐和镁盐的共性上位概念碱性盐来作为专利挖掘的创新点。
第四步:提炼包含创新点的技术方案,形成专利申请。
根据第三步梳理出的创新点,提炼总结出完整的技术方案,撰写技术交底书,形成专利申请。
同样的情况,针对奥美拉唑的钠盐吸湿性强这一问题,阿斯利康继续进行技术改进,利用新型钠盐代替普通钠盐,专利挖掘的过程同上。
在申请专利的过程中,要开拓思维,不要局限于当前的技术方案,要从当前技术方案中挖掘出多个创新点,以形成多个专利申请,从而实现更全面的专利保护,形成高价值组合专利。
五、专利挖掘的具体实例
以“多余度表决算法”(Redundancy Voting Algorithm)为例,这是一种在多个领域(如故障容错计算、信息系统、机器学习等)中应用的技术,用于增加系统的可靠性和准确性。
具体的方法
方法1: 从项目组成出发
步骤1: 定义项目组成 - 假设我们的项目是开发一个故障容错计算系统,该系统依赖于多余度表决算法来提高决策过程的可靠性。
步骤2: 分析技术要素 - 识别该系统的关键技术要素,如:
- 输入数据的获取与预处理
- 多个冗余决策单元的实现
- 表决算法的设计和实施
- 最终决策的输出与反馈机制
步骤3: 创新点探索 - 对每个技术要素进行深入分析,寻找可能的创新点。例如,在表决算法的设计中,可能的创新点包括:
- 高效的错误识别和修正机制
- 自适应调整投票权重的方法
- 面对不同类型输入数据的优化策略
步骤4: 总结技术方案 - 根据找到的创新点,总结可能的技术方案,并搜索相关领域的现有专利,避免重复发明并寻找合作或许可的机会。
方法2: 从已有专利出发
步骤1: 目标专利选择 - 选取几项与多余度表决算法相关的核心专利作为分析的出发点。
步骤2: 全面分析 - 对这些专利进行详细分析,关注以下方面:
- 每项专利的主要创新点和权利要求
- 实现这些创新点的具体方案
- 与这些专利相关的其他技术和专利
步骤3: 探索改进方案 - 基于对现有专利的理解,探索可能的改进方案。这可能涉及:
- 提出新的表决机制,以提高效率或准确性
- 开发适用于更广泛场景的算法变体
- 提高算法的可扩展性或降低其对资源的需求
步骤4: 制定专利策略 - 根据分析结果,制定专利策略,包括但不限于:
- 申请改进技术的专利
- 寻求与现有专利持有者的合作或许可协议
- 规避潜在的侵权风险
方法3: 从某一创新点出发
步骤1: 识别创新点
假设在多余度表决算法中,我们识别到一个创新点是“基于机器学习优化表决权重的方法”。这个创新点允许系统根据历史数据和决策结果自动调整每个决策单元的投票权重,以提高整体决策的准确性和效率。
步骤2: 关联因素分析
围绕这个创新点,我们分析相关的关联因素,包括:
- 机器学习模型的选择和训练方法
- 历史数据的收集和处理
- 权重调整策略的实施和更新机制
- 对算法性能影响的评估方法
步骤3: 探索其他创新点
基于上述关联因素,进一步探索可能的其他创新点,例如:
- 开发一种新的快速机器学习模型,专门针对权重调整进行优化
- 实现一种动态数据预处理机制,以实时适应不同决策场景的需求
- 设计一种高效的权重更新算法,以快速响应系统状态的变化
步骤4: 总结技术方案
根据发现的创新点和探索的技术方案,总结出一套或多套可能的技术解决方案,并进行专利搜索,以确认这些方案的新颖性和可专利性。此外,还需要评估这些技术方案在实际应用中的可行性和潜在价值。
实施例
以“基于机器学习优化表决权重的多余度表决算法”为核心,进行专利搜索和分析,发现尚未有人提出一种结合特定机器学习模型(如深度学习、强化学习等)来动态调整决策权重的方法。随后,团队开发了一套新的算法框架,并在模拟环境和实际应用场景中验证了其效果,最终准备了一份专利申请文件,详细描述了算法的工作原理、实施方式和潜在应用领域。
通过这个过程,不仅可以深化对“多余度表决算法”中某一创新点的理解和应用,还能够系统性地探索与该创新点相关的其他潜在技术改进和创新机会,为技术开发和专利布局提供了有力的支持。
更为一般化的方法
我们会通过一个全面的流程来识别和评估这个领域的技术趋势、创新点、以及潜在的竞争机会和风险。这个流程可以分为以下几个关键步骤:
步骤1: 数据收集
- 目标定义:首先明确研究的目标领域,即多余度表决算法及其应用。
- 专利数据库检索:使用关键字、分类号等搜索条件在各大专利数据库中检索相关专利。考虑到多余度表决算法可以跨多个技术领域应用(如信号处理、机器学习、网络安全等),检索条件应设计得既广泛又具有针对性。
步骤2: 预处理与文本挖掘
- 数据清洗:去除重复的记录、纠正错误、统一数据格式等。
- 文本分析:应用NLP技术提取专利文档中的关键信息,如发明人、申请人、关键词、技术领域、引用和被引用信息等。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!