吕 霁

(江西财经职业学院，江西 九江 332000)

专利是我国重要的知识产权，近年来，我国在大力发展“专利产业化示范工程”过程中，各级地方政府通过各种手段，筛选出了部分对当地经济具有较大驱动作用、且拥有自主知识产权的专利技术。但是，我国关于专利价值评估的研究仍停留在专利信息管理层面，对专利分析缺乏深入研究。基于此，为了促使专利技术价值评估更加科学、客观、精准，对BP神经网络在专利价值评估中的应用进行适当分析具有非常重要的意义。

1 BP神经网络及专利价值理论概述

1.1 BP神经网络理论

BP神经网络主要是依据人脑神经元特点，通过对样本数据进行系统抽象分析，构建程序式的数据自动处理方式。其主要包括输入层、输出层、中间层几个模块，使程序可以不断地进行样本数据训练、输出、输入处理[1]。

1.2 专利价值理论

专利价值是品牌建设范畴的一个概念。其主要包括产权归属、名称、保护年限等多层含义，可以作为品牌建设的评估要素。从专利价值自然属性进行分析，专利价值主要指通过专利技术转移，可研发出应用专利技术的产品，进而通过社会加工，形成具有一定价值的商品，商品价值可作为专利价值评定依据。而从专利社会属性进行分析，专利价值主要指专利可作为无形资产进行转让、抵押、信贷等各种社会金融活动。在金融活动中企业拥有专利的数量也直接影响了其发展效益。

2 基于BP神经网络的专利价值评估指标体系构建

公正、客观的评价指标体系是对专利技术价值进行综合评估的前提，因此，本研究广泛调查国内外文献，重点学习了国内外专家学者在进行类似评价时所使用的指标，对普遍应用的指标进行了筛选应用[2]。最终得出专利技术价值评估指标来自技术、市场、法律三个层面。具体如下：

2.1 技术因素指标

技术因素(H1)主要包括技术先进性(H11)、技术成熟性(H12)、技术适用性(H13)、技术不易模仿性(H14)、技术不可替代性(H15)、技术受知识产权保护程度(H16)几个模块。

2.2 市场因素指标

市场因素指标(H2)主要包括新产品导入频率(H21)、市场竞争情况(H22)、市场进入障碍(H23)、国内外市场需求份额(H24)、有关法律法规对市场的影响(H25)几个模块。

2.3 法律因素指标

法律指标(H3)主要包括法律稳定性(H31)、法律依赖性(H32)、法律可规避性(H33)、专利侵权性可判定性(H34)、多国申请(H35)、有效期(H36)、专利许可状态(H37)几个模块。

3 基于BP神经网络的专利价值评估模型搭建与实证训练

3.1 基于BP神经网络的专利价值评估指标规格化处理

通过对某知识产权局调查研究，整理出专利技术价值评估基本数据。部分定性指标数据主要采用专家打分的形式获得。但是，由于所整理出的各指标间存在量纲单位差异，其存在定性、定量两个方面指标。因此，为保证评价项目间量纲单位可公度性，可以利用效应系数，对评价指标进行规格化处理，促使其成为闭区间[0，1]上无量纲指标属性数值。其中对于正向型指标，效应系数计算公式为： ；而对于逆向型指标，效应系数计算公式为：Qt=1-(Xt-Xtmin)/(Xtmax-Xtmin)；而对于逆向型指标，效应系数计算公式为：Qt=(Xt-Xtmin)/(Xtmax-Xtmin)。

上述式子中Qt是目标值为Xt的效应系数，Xtmin、Xtmax分别为预先确定的第t个指标的最小、最大值，而t为评价指标数目[3]。通过对专利技术评价指标进行规范化处理，得出数据如表1所示。

表1 某专利产权局样本数据规范化处理结果(局部)Tab.1 Standardized processing results of sample data of a patent office (partial)

3.2 基于BP神经网络的专利价值评估模型构建

基于BP神经网络输出节点数量与专利技术价值评估指标间的紧密联系，本研究选取综合评价者较好的为1，最低的为0，共分为好(0.80～1.00)、较好(0.60～0.80)、一般(0.40～0.60)、较差(0.20～0.40)、差(0.0～0.20)几个等级。在共10个样本的数据中，选择样本1～7作为训练样本，样本7～10作为验证样本[4]。

在具体模型构建过程中，首先需确定网络层数及输入层节点。本次研究主要采用单隐层BP神经网络，采用10个指标对专利价值进行综合评价。即网络输入层节点数为10。

其次，确定中间层节点数。在本研究中主要依据h=log2N，进行计算。该式子中h为中间层节点数量；N为输入层节点数量。同时，为避免中间层网络非线性映射能力弱对预定映射关系的影响，可以适当增加中间层节点数量，即设定中间层个数为10。

最后，输出层节点数确定。考虑到该专利技术评估模型中仅可具有一个指标作为综合评价等级系数。因此，设定输出层节点数为1。

3.3 基于BP神经网络的专利价值评估模型实证训练

首先，分别对trainlm函数、traincgb函数、trainscg函数不同中间层节点数比例值、均方误差值进行对比分析，得出trainscg函数比例值较高(0.885 623)，误差值较小(1.725 632)，因此，本次训练主要选择trainscg函数，训练节点数为10个。

其次，在基于BP神经网络的专利价值评估体系训练前期，需要对网络权值、阈值进行初始化处理。即设定newff网络命令符，直接对其进行初始化处理。同时，在中间层训练函数trainscg应用的基础上，采用purelin转化函数作为输出层函数。采用具有动量的梯度下降法，即trainlm训练网络，设定学习精度为0.000 01[5]。通过对模型训练结果进行拟合分析，得出本次研究所搭建的神经网络模型设定较优良，回归曲线方程R=0.999 93，拟合度较好。

最后，将筛选的10个样本带入专利技术价值评估BP神经网络模型中，输入专利指标数据。通过BP神经网络模型运作，得出专利价值网络输出值与实际价值对比如表2所示。

表2 BP神经网络训练输出值与实际价值对比(局部)Tab.2 Comparison between BP neural network training output value and actual value (partial)

通过对表2数据进行分析，可得出网络输出值与实际专利价值比值存在动态波动。其中，当网络输出值与实际专利价值比值大于1时，表明专利价值内在理论价值低于实际市场预期，专利价值在某种程度上被低估。对专利内在价值进行进一步挖掘，是后续专利价值评估的主要方向；当网络输出值与实际专利价值比值小于1时，表明测量专利输出价值高于其实际价值[6]。

4 结论

BP神经网络在专利价值评估模型中的应用，可以从多个维度视角出发，对专利价值进行评估，较传统市场法、模糊评价法、成本法而言具有更高的可操作性及客观性。因此，在专利价值评估过程中，相关技术人员可以依据BP神经网络理论及专利价值理论，搭建科学的专利价值评估指标体系及BP神经网络模型。结合模型实证训练，进一步丰富专利价值评估体系，为专利价值评估工作效率及质量同步提升提供依据。