首页/文章/ 详情

科研干货 | 手把手教你申请专利

7月前浏览5300

本文摘要:(由ai生成)

本文概述了专利基础知识,包括三种专利类型、申请优势、内容组成和申请流程。专利能为学生减免学分、提升竞争力,为工作人员助力职称评定和奖金获取,为企业保护创新和带来商业优势。内容涵盖摘要、附图和权利要求书等。申请流程包括申请、受理、审查和授权,不同类型专利审查周期不同。本文旨在消除对写专利的畏惧,鼓励准备申请专利者。

很多小伙伴认为写专利“太高大上了”,为了消除大家的畏惧和困惑,让我们先从了解它开始。本文将从专利类型申请专利的优势专利包含哪些内容申请专利的具体流程4个方面进行介绍。  

目录

1 专利类型
2 专利申请的优势
    2.1 从学生角度来看待专利申请
    2.2 从工作人员角度来看待专利申请
    2.3 从企业角度来看待专利申请
3 专利中包含哪些内容
4 申请专利的具体流程
    4.1 发明专利申请流程
    4.2 实用新型专利申请流程
    4.3 外观设计专利申请流程

1.专利类型

专利的类型有发明专利实用新型专利外观设计专利三种,这里小编用一个表格形式进行展示,方便大家比较和阅读(表1)。其中的实用新型专利中的对象是装置、电路、系统等具有构造、形状的产品。

表1 专利类型

图1 三种类型的专利证书

 2.申请专利的优势

2.1 从学生角度来看待专利申请

从学生角度来说,在有规定的院校中,专利证书的取得可以减免学分,在评奖评优中可以加综合素质积分,有保研资格的院校也可以加保研积分,极大水平上提高了个人的综合竞争力。例如,在2024年专科自主招生中,上海有高校明确说明,有一项授权的发明专利可以免笔试直接参加面试入学。

2.2 从工作人员角度来看待专利申请

从已经工作的人员角度来说,专利的申请在企业中可以评职称和获得企业奖金,例如,广东专利金奖的发明人奖励是9000元,可以去申请深圳领军人才,申请成功后,购房补贴100平米,最高补贴50%。在高校中,发明专利的授权可以作为教师的学术成果积分,可用作职称的评定。

2.3 从企业角度来看待专利申请

从企业角度分析,专利的申请可以使创新出的成果获得法律保护和带来商业竞争优势。此外,在专精特新企业申请过程中,在创新能力指标中的对“与企业主导产品相关的有效知识产权数量”有一定的要求,同时专利数量也是企业上市和各类资质评审的重要指标。例如近期的科创板上市的必要指标发生了变动,发明专利由5项以上改为7项以上。上述内容只是小编的拙见,专利如果在别的评奖评优升职项目中可作为佐证材料的情况欢迎在评论区留言补充

3.专利中包含哪些内容

专利中通常包含说明书摘要摘要附图权利要求书技术领域背景技术发明内容附图说明具体实施方式说明书附图等内容。

  • 说明书摘要是本发明的方案概述以及达到的技术效果,通常不超过300字。写作模式一般是把权利要求(通常是权力要求1)概括一下再增加一点技术方面的效果,一般在写完权利要求后再写;
  • 摘要附图是本发明最具代表性的一张附图,这个等你把说明书附图都画好了,从里面选一张最有代表性的图就可以;
  • 权利要求书要依照本发明方案具体来写,一般分为若干独立权利要求以及一系列的从属权利要求,这部分也是专利最为重要的部分;
  • 技术领域就是本发明所在的领域,写过论文的都应该知道怎么写,专利里的技术领域可以概括的去写。例如,移动电话的技术领域是电子技术领域、数据传输方法为通信领域,当然。在写作手法中也可再跟上一句“尤其涉及一种...领域”进行进一步的技术领域限定;
  • 之后就是写背景技术啦,介绍一下该技术领域现在的发展状况以及遇到的问题,和论文里面的背景技术基本一样;
  • 发明内容部分也有写作手法可学,当把权利要求写好之后复 制一下粘贴过来,然后把每个权利要求中“其特征在于”之前的语句(包括其特征在于这几个字)改成“可选地”,然后在最后另起一段说一下本发明的有益效果,这里完成了话发明内容就写完了;
  • 附图说明是说明书附图是想表示什么意思,例如图1(一份专利中的图1,非本文图1)为本发明实施例一提供的方法流程图,图2(一份专利中的图2,非本文图2)为本发明实施例一提供的装置结构示意图等;
  • 具体实施方式就是拿出一个具体例子来解释本发明的技术方案。通常权利要求书看起来不太像通常逻辑文字,具体实施方式就是要易理解的把权利要求解释清楚,在具体实施方式中,你可以把权利要求中的每一句话用日常用语解释清楚,可以举例说明也可以对权利要求中的一些用词进行详细解释,如果你把每个技术特征解释完之后能再说一下采用该技术特征的优势,那你这个专利的具体实施方式将会是相当完美的;
  • 说明书附图就是为了能更清楚地解释具体实施方式,通常你可以画几个图对应着来说,也就是写具体实施方式的时候画的几张产品图片放在这里就可以啦。通过以上的介绍,我想你对专利中包含的内容已经很熟悉,那么下面来介绍申请专利的具体流程。

4.申请专利的具体流程

图2 专利申请流程总览

4.1 发明专利申请流程

所需材料:请求书、说明书、权利要求书、(说明书附图)、说明书摘要、实质审查请求书。
申请流程:提出申请→受理→缴纳官费→初步审查→(初审合格)进入公布阶段→实质审查→审查意见→授权或驳回→授权后办理登记手续→授权公告并获得专利证书(图3)。
审查周期:2-3年左右。  

图3 发明专利申请流程示意图  

4.2 实用新型专利申请流程

所需材料:请求书、说明书、权利要求书、说明书附图、说明书摘要、附图摘要。

申请流程:提出申请→受理→缴纳官费→初步审查→(审查意见→)授权或驳回→授权后办理登记手续→授权公告并获得专利证书。

审查周期:6-12个月左右。

4.3 外观设计专利申请流程

所需材料:请求书、外观设计图片或照片、外观设计简要说明。

申请流程:提出申请→受理→缴纳官费→初步审查→授权/驳回→授权后办理登记手续→授权公告并获得专利证书。

审查周期:4-6个月。

本文从专利类型、申请专利的优势、专利中包含哪些内容、申请专利的具体流程4个方面进行了具体介绍,想要写专利评奖评优的小伙伴们抓紧准备起来啦!


来源:故障诊断与python学习
振动电路航空电子python通信电机材料数字孪生数控
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2024-05-19
最近编辑:7月前
故障诊断与python学习
硕士 签名征集中
获赞 72粉丝 76文章 152课程 0
点赞
收藏
作者推荐

信号处理之噪声与降噪进阶(一) | 堆叠降噪自编码器及python代码实现

目录1 自编码器2 降噪自编码器3 堆叠降噪自编码器4 算法测试4.1 测试用例4.2 降噪结果4.3 降噪指标5 参考文献1 自编码器自编码器(Auto-Encoder, AE)是神经网络的一种,严格意义上,自编码器是一种自监督算法,不属于无监督的机器学习方法,训练过程中,不需要对训练样本进行打标,其标签产生自输入数据[1]。经过训练后能够尝试将输入复 制到输出,其基本结构如图1所示。图1 自编码器基本结构自编码器由编码器和解码器组成,自编码器算法的基本过程如下[2]:(1)编码:原始数据输入编码器,得到输入数据的隐含特征,这个过程即为编码(encoding);(2)解码:特征信号输入解码器,得到重构的输入信号,这个过程即为解码(decoding);(3)迭代:反复进行编码和解码过程,得到能够使输出信号与输入信号尽可能相似的加权(W,B)。由于在编码和解码过程中输入数据会被压缩,特征会被降维,因此自编码器是一种有损方法,训练过程中,设定损失函数衡量由于压缩而损失的信息,训练的目的为最小化损失函数。2 降噪自编码器为了规避AE的过拟合问题,降噪自编码器(Denoising Auto-Encoder,DAE)被提出,其基本原理是对输入数据加入噪声,进而改善编码器的鲁棒性。降噪自编码器的网络结构与自编码器类似,均由编码器和解码器两部分组成,它们的学习过程也相似,最终目的均是保证输出信号尽可能接近输入信号,图2所示为降噪自适应编码器的示意图。图2 降噪自编码器[3]降噪自编码器过程类似于dropout,降噪自编码器以一定概率将输入节点的值偏置为0,从而得到含有噪音的模型(破损数据)进行输入。使用破损数据进行训练的优点如下:(1)当使用破损数据(即加入噪声的数据)训练DAE时,模型被迫学习从噪声中恢复出原始信号。这个过程使得模型的权重对噪声不那么敏感,因为模型已经学会了忽略这些噪声成分;(2)破损数据训练出的模型在面对实际应用中的噪声时,由于已经在训练过程中接触过类似的噪声情况,因此具有更好的泛化能力。3 堆叠降噪自编码器堆叠降噪自编码器(Stacked Denoising Auto-Encoder,SDAE)由多个DAE组成,其结构如图3所示[4]。图3 堆叠降噪自编码器记由N组数据构成的样本集X的第i组数据样本 ,隐藏层的特征向量集 合为H,H由N组特征向量组成,每组特征向量表示为 ,则X与H的编码关系为: 式中,W为输入层和隐藏层之间的权重矩阵,B为输入层与隐藏层之间的偏置矩阵, 为编码器的神经元激活函数。解码运算是编码运算的逆过程,以隐藏层的特征向量作为输入向量重构原始输入,记Y为输出数据,则H与Y的解码关系为: 式中,W’为输入层和隐藏层之间的权重矩阵,B’为输入层与隐藏层之间的偏置矩阵, 为编码器的神经元激活函数。训练过程中,各层DAE通过最小化输入数据与输出数据之间的重构误差来实现特征学习,利用梯度下降算法不断调整网络权重和偏置,降低重构误差,重构误差可表示为: 由于降噪训练的引入,SDAE在特征学习过程中具有一定的正则化效果,有助于减少过拟合的风险。此外,在数据集较大、特征复杂的情况下,SDAE通过逐层学习数据的层次结构,能够获得更好的泛化能力。4 算法测试4.1 测试用例注:(1)用例中denoised_evaluate()函数见”信号处理基础之噪声与降噪(二) | 时域降噪方法(平滑降噪、SVD降噪)python代码实现“(2)用例仅为简单示例,复杂网络需读者自行编写import numpy as npimport tensorflow as tffrom tensorflow.keras import layers, modelsimport matplotlib.pyplot as pltimport matplotlib# 生成示例数据n = 500 # 生成1000个点的信号t = np.linspace(0, 30*np.pi, 500, endpoint=False)s = np.cos(0.1*np.pi*t) + np.sin(0.3*np.pi*t) + np.cos(0.5*np.pi*t) + np.sin(0.7*np.pi*t) # 原始信号s = np.tile(s, (n, 1)) # 复 制为多个样本r = 0.5 * np.random.normal(0, 1, s.shape)y = s + r # 加噪声# 建立堆叠自编码器模型input_signal = layers.Input(shape=(500,))encoded = layers.Dense(256, activation='relu')(input_signal)encoded = layers.Dense(128, activation='relu')(encoded)decoded = layers.Dense(256, activation='relu')(encoded)decoded = layers.Dense(500, activation='linear')(decoded)autoencoder = models.Model(input_signal, decoded)autoencoder.compile(optimizer='adam', loss='mse')# 训练模型,不使用验证集h = autoencoder.fit(y, s, epochs=50, batch_size=32, validation_split=0.2)# 使用模型进行降噪denoised_signals = autoencoder.predict(y)# 降噪评估value = denoise_evaluate(s[0], r[0], denoised_signals[0])print(value)# 可视化结果fig = plt.figure(figsize=(16, 9))plt.subplots_adjust(hspace=0.5)plt.subplots_adjust(left=0.05, right=0.98, top=0.95, bottom=0.05)font = {'family': 'Times New Roman', 'size': 16, 'weight': 'normal',}matplotlib.rc('font', **font)plt.subplot(3, 1, 1)plt.plot(t, s[0], linewidth=1.5, color='b')plt.title('pure signal', fontname='Times New Roman', fontsize=20)plt.subplot(3, 1, 2)plt.plot(t, y[0], linewidth=1.5, color='r')plt.title('noised signal', fontname='Times New Roman', fontsize=20)plt.subplot(3, 1, 3)plt.plot(t, denoised_signals[0], linewidth=1.5, color='g')plt.title('SDAE', fontname='Times New Roman', fontsize=20)# 绘制损失曲线plt.figure(figsize=(10, 6))plt.plot(h.history['loss'], label='训练损失', color='b')plt.title('训练损失曲线', fontname='Simsun', fontsize=20)plt.xlabel('Epoch', fontname='Times New Roman', fontsize=20)plt.ylabel('Loss', fontname='Times New Roman', fontsize=20)plt.show()4.2 降噪结果降噪结果如图4所示。图4 降噪结果损失曲线如图5所示。图5 损失曲线 4.3 降噪指标降噪指标如表1所示。表1 降噪指标 5 参考文献[3] Vincent P , Larochelle H , Bengio Y ,et al.Extracting and Composing Robust Features with Denoising Autoencoders[J]. 2008.DOI:10.1145/1390156.1390294.[4] 王亚伦,周涛,陈中,等. 基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制[J]. 上海交通大学学报,2023,57(11):1477-1491. DOI:10.16183/j.cnki.jsjtu.2022.157.来源:故障诊断与python学习

有附件
未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈