摘 要专利数据中包含了丰富的科技信息。通过对专利数据的分析，不仅可以帮助企业快速了解当前领域的发展状况，还可以及时发现领域中的技术创新人才。当前的技术创新人才发现方法往往是孤立地从各个专利特征的角度来评估发明人的技术创新实力，而没有统一的学习模型来发现专利集合中的技术创新人才。针对该问题，提出一种基于多层感知机模型的技术创新人才发现方法。从专利数据中抽取发明人的各个特征；基于抽取的发明人特征构建多层感知机模型；采用该多层感知机模型在专利数据集合中发现技术创新人才。实验结果表明，该方法是有效的。
关键词专利数据 创新人才 多层感知机
0 引 言
作为一种重要的科技信息载体，专利数据中包含了丰富的技术信息。根据世界知识产权组织的统计，专利数据中包含了世界上90%～95%的研发成果[1]。从专利数据中不仅可以检索到最新的科技信息，更能通过专利分析和挖掘来发现当前各个领域的技术创新人才。专利数据是评价和发现技术创新人才的重要依据之一[2]。
当前已经存在了一些基于专利数据的技术创新人才发现方法。例如，文献[3]提出了一种基于合作网络的技术创新人才发现方法，通过网络中不同节点的点度中心度、中间中心度和接近中心度来找出团队中的技术创新人才。文献[4]分析了专利作为学术评价指标的选取，提出将专利的质量、授权状态、有效性以及许可和转让情况等作为评价技术创新人才的指标。文献[5]则构建了企业科技人才评价的指标体系，通过专利申请数量、专利被引次数、平均专利被引次数、著者总数、著者平均专利数等多个因素来评价技术创新人才。
然而，这些方法仅仅从各个特征的角度评估了各个发明人的技术创新实力，而没有给出统一的学习模型来发现专利集合中的技术创新人才。如何综合考虑专利数据中包含的各种专利特征，并建立统一、有效的学习模型来发现专利集合中的技术创新人才，仍是当前面临的一个重要问题。
多层感知机模型是最为常见的深度学习模型之一，它在车牌字符识别[6]、财务风险预警[7]和疾病早期识别[8]、竞争性的协同进化预测[9]等分类、识别和预测问题上得到了广泛的应用，并取得了较好的效果。因此，该模型可以用来构建技术创新人才识别的学习模型，以发现专利集合中的技术创新人才。
基于以上原因，本文在对专利发明人特征进行了充分分析的基础上，提出了一种基于多层感知机模型的技术创新人才发现方法。该方法首先从专利数据中抽取发明人的各个特征，然后基于抽取的发明人特征构建多层感知机模型，并通过训练数据集对该模型中的参数进行学习，最后采用学习所得的多层感知机模型在专利数据集合中准确地发现技术创新人才。
1相关工作
专利数据中包含了多种不同的特征信息。图1给出了一个专利的部分结构化特征的示例。可以看到，专利中不仅包含专利号、申请日、标题、申请人、发明人等信息，还包含了专利之间的引用信息。其中，发明人为撰写该专利的作者，而申请人则为专利权的所有者，通常为一个企业或组织。除了以上的结构化特征以外，专利数据中还包含了摘要、专利说明书、权利声明等文本信息。
基于合作网络的方法首先基于科技人才之间的合作关系构建合作网络，然后通过网络中各个节点的点度中心度、中间中心度以及接近中心度等中心性指标来找出其中的技术创新人才。在该方面，文献[10]提出将合作网络中点度中心度和中间中心度都较高的作者作为学术带头人的遴选指标；文献[3]则在构建的发明人合作网络的基础上，综合考虑点度中心度、中间中心度以及接近中心度等指标，以了解各个发明人对团队影响程度的大小，从而确定其中的核心成员。然而，尽管这种方法具有一定的合理性，但该方法仅考虑了人才之间的合作关系的相关特征来发现技术创新人才，技术创新人才识别的查全率与查准率不高，不能准确地评价和发现技术创新人才[11-12]。
与基于合作网络的方法不同，基于专利指标体系的方法则分析了专利数据中包含的一系列专利特征，并构建相应的专利指标体系来评估各个技术人才的创新实力。在该方面，文献[4]分析了专利作为学术评价的指标的选取，提出将专利的质量、授权状态、有效性以及许可和转让情况等作为评价技术创新人才的指标。文献[5]则等以丹麦维斯塔斯风电技术集团公司专利数据为研究样本，构建企业科技人才评价指标体系，通过专利申请数量、专利被引次数、平均专利被引次数、著者总数、著者平均专利数等多个因素来评价各个发明人的技术创新实力。然而，这种方法仅仅从专利特征的角度分析了各个特征对发明人技术创新实力的影响，但却没有给出统一的学习模型来发现专利集合中的技术创新人才。如何综合考虑专利数据中包含的各种专利特征，并构建统一、有效的学习模型来发现专利集合中的技术创新人才，仍是当前面临的一个重要问题。
多层感知机模型是最为常见的深度学习模型之一，它在车牌字符识别、财务风险预警和疾病早期识别、竞争性的协同进化预测等分类、识别和预测问题上得到了广泛的应用，并取得了较好的效果，因此可以用来构建技术创新人才的学习模型，以评估人才的技术创新实力。尽管我们也可以采用传统的机器学习模型(如朴素贝叶斯分类器、支持向量机和决策树等)来发现专利集合中的技术创新人才，但传统的机器学习模型只能基于人工定义的浅层特征用于模型的学习，而多层感知机模型通常具有多个隐藏层，可以抽取深层特征用于模型的学习，其准确率更为精确。因此，本文将采用多层感知机来构建技术创新人才的学习模型，以发现专利集合中的技术创新人才。
2基于多层感知机的技术创新人才发现方法
对于“河长制”实施过程中政府与社会民众的联系紧密程度，有69%的公众认为“一般，民众知晓度不大”，选择“紧密，民众多方面参与”的有16%，“不紧密，周边的人一点都不了解”的占比12%，“对此不关心不清楚”则占比3%。说明政府与社会民众在“河长制”上联系紧密程度较低，即相关信息在较大程度上与民众产生脱离。
2.1发明人特征抽取
当前的技术创新人才发现方法大体可以分为两种：一种是通过对人才合作网络中不同节点的中心性指标进行分析，以找出其中的技术创新人才；而另一种方法则通过构建专利指标体系来评估各个人才的技术创新实力。
图1 一个专利的部分结构化特征的示例
为了构建多层感知机模型来发现专利集合中的技术创新人才，我们首先抽取了反映各个发明人技术创新实力的专利特征。文中抽取的发明人特征包括专利申请量、专利总被引用量、合作发明人数量、合作发明人的平均专利申请量、申请人维持的专利数量以及所申请专利的文本特征等。
(1) 专利申请量 发明人所申请的专利数量反映了发明人的技术创新能力。一般来说，一个发明人申请的专利数量越多，则该发明人的技术创新实力越强。本文中，发明人所申请的专利数量用PN来表示。
受众面广是从养护、加固范围上对公路桥梁工程进行约束。一方面，在公路桥梁施工管理中，主体养护和加固是其管理的核心所在，对于主体部位的养护加固管理，其不仅要确保管理流程的规范，更应确保其满足国家公路桥梁工程的具体建设规范。另一方面，在辅助工程养护加固过程中，经济效益、社会效益和环境效益等都是其把控的重压内容。只有对公路桥梁工程进行全面、系统的养护加固管理，才能实现其应用质量的有效提升。
(1)
式中：P(I)为发明人I所申请的专利的集合，CitedNum(pi)为专利pi被引用的次数。
为了更好地应对传统桥梁施工费力、费时以及行车质量较差等问题，预应力混凝土的连续钢构桥梁逐渐在市场中普及，并且成为许多中大型工程的首选。随着施工数量的不断增多以及施工安全性要求的不断提高，再加上桥梁建造时间、承重能力等问题越发严峻，要求施工质量的控制与管理需要持续性提高。对此，探讨预应力混凝土连续钢构桥梁施工质量控制具有重要意义。
(3)合作发明人数量 发明人之间的合作关系反映了发明人在特定领域中的影响力和技术创新实力。一个发明人所合作的发明人数量越多，则该发明人的影响力越大。本文中，我们将与发明人I存在合作关系的发明人数量用CoNum来表示。
为了验证文中所提出方法的有效性，我们将提出的基于多层感知机的技术人才发现方法与文献[3]中的基于合作网络中心度的方法以及传统的机器学习方法(包括支持向量机、朴素贝叶斯和决策树分类算法等)进行了对比。实验中采用的专利数据集为从欧洲专利局Espacenet系统下载的“华为科技有限公司”和“电动汽车”领域的专利数据，两个数据集的细节描述如表1所示。
式中：是第k-1层第j个节点的输出值，是第k-1层的第j个节点到第k层的第i个节点的连接权重，Nk-1是第k-1层的节点数。
其次是比喻修辞格的使用。将血珠比作“红豆”，二者有颜色和形状上的相似之处。刺破手流出的血珠如此鲜艳，喻涵了对丈夫的几多相思。
(2)
式中:m为与发明人I存在合作关系的发明人的数量，PN(Ii)为与发明人I存在合作关系的第i个发明人的专利申请数量。
(5) 申请人维持的专利数量 在技术创新能力强的企业工作的发明人往往创新能力也很强。因此，发明人所属的企业或组织(通常称为专利的申请人或专利权人)的技术创新实力也是影响发明人技术创新实力的一个重要因素。我们用发明人所属的申请人(即发明人所属的企业或组织)维持的专利数量来度量该申请人的技术创新实力，在文中用AplNum来表示。
(6) 专利文本特征 专利文本中记录了重要的技术情报信息，直接反映了发明人研究主题、研究领域和技术创新实力。技术创新能力较强的发明人，其研究的主题和采用技术手段都较为新颖。而技术创新能力较弱的发明人，其所申请专利的研究主题和技术手段较为普通。因此，专利文本是影响发明人技术创新实力的又一重要因素。本文中，我们根据发明人所申请的专利文档集合，用一组关键词的空间向量来表示发明人的专利文本特征。对于专利集合中的任意发明人I，其专利文本特征表示为(w1,w2,…,wn)，其中n为关键词的个数，wi对应于第i个关键词在发明人I中的权重。wi的计算采用类似TF-IDF公式的方法进行度量，即如果某个关键词在一个发明人申请的专利文档中出现的频率高，并且在其他发明人所申请的专利文档中很少出现，则认为此关键词在该发明人的空间向量中的权重越高，其计算公式为：
(3)
式中：tf(ti,dk)为关键词ti在发明人I申请的第k篇专利文档dk中出现的频率，D(I)表示发明人I所申请的专利文档的集合，因此即关键词ti在发明人I申请的专利文档中出现的总频率；m为专利集合中发明人的总数量，mi为申请的专利文档中包含关键词ti的发明人数量，log(m/mi)即为关键词ti的“倒发明人频率”。
(2) 专利总被引量 专利的被引用次数反映了专利的质量和价值。一个发明人所申请专利的总被引量越高，则该发明人更可能为一个技术创新实力的发明人。对于专利集合中的任意发明人I，其专利总被引量SumCitedNum的计算公式为：
2.2技术创新人才发现方法
根据以上抽取的发明人特征，我们采用基于多层感知机的技术创新人才发现方法来评估各个发明人的技术创新实力，以发现专利集合中的技术创新人才。如图2所示，该多层感知机模型共包括4层：第一层为输入层，该输入为从专利集合中提取的特征向量，即2.1节中抽取的各个发明人特征的权重；第二、三层为隐藏层，用来从输入层的基本特征中抽取更高层次的特征信息；第四层为输出层，用于输出各个发明人是否为技术创新人才的概率。其中，每一层神经元节点的输出都是前一层神经元节点的函数。
图2 采用的多层感知机模型的网络结构
对于第k层的第i个神经元节点，其输出取决于该层的激活函数是该节点的输入的加权和，定义为：
(4)
(4) 合作发明人的平均专利申请量 合作发明人的专利申请量反映了所合作发明人的技术创新实力。如果与发明人I存在合作关系的发明人的技术创新实力都较强，则通常发明人I的技术创新能力也较强。我们用与发明人I存在合作关系的所有发明人的平均专利申请量CoPatNum来度量其合作发明人的平均技术创新实力，其计算公式表示为：
对于多层感知机模型中的第一至三层，我们选用选用修正线性单元ReLU(Rectified linear unit)作为该层的激活函数，即f(z)=max{0,z}。
对于多层感知机模型中的第四层，由于我们的输出是发明人为技术创新人才的概率，即需要将输出映射到取值范围为(0,1)的区间，因此我们采用sigmoid函数作为本层的激活函数，即：
(5)
模型参数学习：
为了能够基于构建的多层感知机模型来发现专利集合中的技术创新人才，我们首先需要对该多层感知机模型进行学习。多层感知机模型的学习主要是对各层节点之间的连接权重进行学习，其学习过程通常采用基于随机梯度下降原理的误差反向传播(BP)算法[13]来进行实现。即首先给多层感知机的初始权值设置一个小的随机数，然后将训练样本集输入到多层感知机网络，采用基于随机梯度下降原理的误差反向传播(BP)算法对该网络进行训练，调整网络参数，从而使得采用多层感知机模型运算后的实际输出值尽量接近期望输出值。在文中即为使得计算出的发明人为技术创新人才的概率值与发明人是否为技术创新人才的标签尽量接近。我们采用均方误差作为训练过程中的损失函数，该损失函数J(w)可以表达为：
基于以上四点分析可知，企业外宣翻译活动拥有与传播过程相似的要素、类似的过程、共同的任务，且作为对外宣传活动，带有明确的传播目的，因而它具备与传播相同的本质。
(6)
式中：hw(x(i))是采用文中的多层感知机模型计算出来的第i个发明人为技术创新人才的概率；yi是预先标记好的第i个发明人的标签，用来表示该发明人是否为一个技术创新人才(如果yi=1，表示该发明人是技术创新人才，如果yi=0，表示该发明人是技术创新人才)；m为专利集合中发明人的总数量。
通过BP算法，我们可以对多层感知机中的参数进行有效的学习。从而，在测试阶段，我们即可使用训练得到的多层感知机模型来计算各个发明人为技术创新人才的概率。
3实验结果与分析
六国化工将与中国农业大学、安徽农业大学一起，将产学研有机结合，围绕“磷矿资源开发—磷素产品创新与应用-环境磷素回收利用”进行研究，为长江经济带“农业—经济—环境”协同发展提供技术和产业模式支撑，进而促进公司产品升级、产业链延伸，实现企业的可持续发展，以新发展理念，为长江生态环境的保护与修复和行业转型作出应有的贡献。
表1 使用的专利数据集的描述
数据集专利数量发明人数量申请时间电动汽车107 44037 7872002-2017华为公司46 64948 6012002-2017
3.1实验设置
我们根据发明人在未来一段时间内申请专利的数量来衡量发明人的技术创新实力，即一个发明人在未来一段时间内申请的专利数量越多，则该发明人更可能为一个技术创新人才。基于该假设，我们根据专利申请的时间将专利集合划分为四个部分：时间间隔内申请的专利，时间间隔内申请的专利，T1(T1=[2010,2014])时间间隔内申请的专利，以及T2(T2=[2015,2017])时间间隔内申请的专利。其中，和时间间隔内申请的专利用于对多层感知机模型进行训练，T1和T2时间间隔内申请的专利用于验证文中所提出的方法的效果。
图3 技术创新人才发现方法的实验设置
如图3所示，在训练阶段，我们将作为一个过去的时间间隔，作为一个未来的时间间隔，根据和内申请的专利来训练构建的多层感知机模型。首先，根据基于时间间隔内申请的专利集合对各个发明人申请专利的数量进行统计，并将申请专利数量最多的前百分之k个发明人标记为技术创新人才，其他发明人标记为非技术创新人才。然后，基于时间间隔内申请的专利，抽取了各个发明人的特征作为多层感知机的输入，并根据标记的发明人标签采用BP算法对多层感知机模型中各层节点之间的连接权重进行训练，得到多层感知机模型。
在测试阶段，同样地，根据基于T2时间间隔中申请的专利集合对各个发明人申请专利的数量进行统计，并将申请专利数量最多的前百分之k个发明人标记为技术创新人才，其他发明人标记为非技术创新人才。然后，我们基于T1时间间隔内申请的专利来抽取各个发明人的特征，采用训练阶段得到的多层感知机模型来计算各个发明人为技术创新人才的概率，并将概率最大的前百分之k个发明人标记为技术创新人才，其他发明人标记为非技术创新人才。最后，我们将基于T1时间间隔内的专利文档计算得到的各个发明人的标签与基于T2时间间隔内的专利文档预先标记的各个发明人的标签进行对比，以验证所提出方法的效果。
3.2评估方法
我们根据采用文中方法计算得到的发明人标签的准确率来验证所提出方法的效果。该准确率可以用公式表示为：
(7)
式中：为采用文中方法计算所得的第i个发明人的标签，yi为预先标记好的第i个发明人的标签；为判断和yi是否相等的函数(如果则否则，m为专利集合中发明人的总数量。
3.3结果与分析
我们从企业(“华为科技有限公司”的专利数据集)和研究领域(“电动汽车”专利数据集)两个维度对文中提出的基于多层感知机的技术人才发现方法进行实证分析，以验证所提出方法的有效性。
表2给出了基于多层感知机的方法(Multi-layer Perceptron,MLP)与基于合作网络中心度的方法(Network Centrality,NC)以及传统的机器学习方法，包括支持向量机(Support Vector Machine,SVM)，朴素贝叶斯(Naive Bayes,NB)，决策树算法(Decision Tree，DT)等，在“华为科技有限公司”的专利数据集上进行技术创新人才发现的准确率。
基于专利数据的技术创新人才发现即在专利集合中识别技术创新实力较强的发明人。本文提出了一种基于多层感知机的方法来发现专利集合中的技术创新人才，该方法的主要步骤包括发明人特征抽取、多层感知机模型构建与学习以及应用多层感知机模型进行发明人的技术创新实力评估等。
已知已结束项目的每个任务的位置信息，即每个任务所在地的经度与纬度。首先，找出已结束项目任务数据中给出的总区域的经纬度的范围 [5]，纬度范围为(22.48427813，23.86921562)；经度范围为(112.6563586，114.4856086)。 该矩形区域的三个顶点分别为:
①仿真度高：优于真石漆，水包水喷涂出的建筑物仿大理石的效果逼真，纹理丰富，在视觉的界面内可以以假乱真并且水包水的表面平整不易积灰，能更久的保持外观效果，使用寿命长。
表2 “华为科技有限公司”数据集上各个方法的准确率
方法k=2k=4k=6k=8k=10MLP0.980 10.960 30.940 50.920 60.892 8SVM0.979 60.958 70.938 20.915 10.894 5DT0.962 20.926 50.891 90.858 70.825 8NB0.945 70.918 70.894 80.872 20.850 5NC0.961 10.923 80.888 10.853 90.821 3
在该专利数据集上，我们给出了在不同的k值下五种方法的准确率。其中，k为被标记为技术创新人才的发明人在整个发明人集合中的所占的比例。
创新专业师资队伍培养机制，制定鼓励专业教师积极参与企业实践的聘用和考核等激励政策，采用“外引内培”相结合的方式建设一支专兼结合、结构合理的双师队伍。
我们首先分析了同一种方法在不同k值下的准确率变化。由3.1节可知，当k较小时，采用文中方法标记为技术创新人才的数量和预先标记的技术创新人才的数量都较少，而同时被标记为非技术创新人才的数量都较多(即两种方式都有大量的发明人被标记为非技术创新人才)。因此，对于任意发明人，其通过文中方法计算得到的标签值与预先标记的标签值有较大的概率相等(即都有较大的概率都被标记为非技术创新人才)。根据式(7)可知，此时各个方法的准确率一般都较高；而当k增大时，同时被标记为非技术创新人才的数量减少，其通过文中方法计算得到的标签值与预先标记的标签值相等的概率也相应的减小。此时，各个方法的准确率一般也会随之下降。从表2中各个方法的准确率可以看到，同一种方法的准确率都随着k值的增大而减小。
我们也比较了不同方法在同一k值下的准确率。可以看到，在表2中，当k=2,4,6,8,10时，采用基于合作网络中心度的方法和朴素贝叶斯方法和决策树方法计算得到的技术创新人才的准确率均低于文中提出的基于多层感知机的方法。而对于采用支持向量机的方法，当k=2,4,6,8时，该方法的准确率同样低于基于多层感知机的方法，仅在k=10时，两个方法的准确率基本相等。由此可知，在“华为科技有限公司”的专利数据集上，采用多层感知机的方法进行技术创新人才发现的准确率在绝大多数情况下都高于采用合作网络中心度的方法和传统的机器学习方法。即相对于其他方法，文中所提出的基于多层感知机的技术创新人才发现方法具有更好的效果。
1) Undercoupled, τ0<τe, the cavity intrinsic loss is higher than the input power.
1928年10月28日，印尼第二届全国青年大会的“青年誓言”第3条开始提及印尼语的地位：“我们印尼儿女，尊重统一的语言，印尼语”。这条誓言把印尼语视作团结各民族的语言，明确了印尼语国民语言的地位。1945年8月17日印尼独立后，1945年宪法第15章第36条的规定将印尼语从国民语言提升至官方语言的地位。1950年临时宪法再次规定印尼语是印尼共和国的官方语言。综上所述，印尼语具有这样的法律地位：既是国语(National Language)又是行政语言(Official Language)。
在表3中，我们给出了在“电动汽车”专利数据集上五种方法的准确率。可以看到，对于同一种方法在不同k值下的准确率变化趋势上，同表2中的结果，大多数方法的有效性都随着k值的增大而减小，仅朴素贝叶斯方法在k=10时，其准确率与k=8时相比略有上升。而对于各个方法在同一k值下的准确率对比上，当k=2,4,6,8,10时，采用文中提出的基于多层感知机的技术人才发现方法的准确率均高于基于合作网络中心度的方法、朴素贝叶斯方法和决策树算法。即在不同的k值下，采用多层感知机的技术创新人才发现方法比以上三种方法具有更好的效果。对于采用支持向量机的方法，当k=2,4时，该方法的准确率与基于多层感知机的方法相等；当k=6,10时，基于多层感知机的方法的准确率略低于采用支持向量机的方法；而当k=8时，基于多层感知机的方法的准确率略高于采用支持向量机的方法。即在总体上，采用基于多层感知机的方法进行技术创新人才发现的准确率与采用支持向量机的方法总体上相差不多。总而言之，在“电动汽车”专利数据集上，基于多层感知机的技术人才发现方法的效果仍好于基于合作网络中心度的方法和大多数传统的机器学习方法。
表3 “电动汽车”数据集上各个方法的准确率
方法k=2k=4k=6k=8k=10MLP0.961 90.923 90.864 20.852 20.787 1SVM0.961 90.923 90.885 90.846 50.807 8DT0.939 10.876 10.821 30.773 30.728 6NB0.367 70.344 40.329 30.315 90.317 6NC0.926 80.859 40.797 80.742 00.692 0
由以上两个数据集上各个方法的准确率对比可以看出，文中提出的基于多层感知机的技术创新人才发现方法在绝大多数情况下都比其他方法具有更好的判别效果。产生该结果的原因是，对于基于合作网络中心度的方法，该方法仅仅考虑了发明人之间的合作关系对发明人技术创新实力的影响，而忽略了发明人的其他专利特征，如专利申请量、专利总被引量、合作发明人的平均专利申请量等，造成该方法的效果不佳。而对于传统的机器学习方法，如朴素贝叶斯，支持向量机和决策树算法等，尽管综合考虑了发明人的各种专利特征，并构建了相应的机器学习模型用于技术创新人才的识别，但这些方法只能基于人工定义的浅层专利特征用于模型的学习，其准确率仍有待提高。而文中采用的多层感知机模型则具有多个隐藏层，可以从人工定义的浅层专利特征中进一步抽取深层的特征用于模型的学习，因此采用多层感知机模型来进行技术创新人才发现的结果更为精确。综上所述，在技术创新人才发现的问题上，与已有的技术创新人才方法相比，基于多层感知机的技术创新人才发现方法具有更好的判别效果。
4 结 语
本文提出了一种基于多层感知机的技术创新人才发现方法，该方法不仅抽取了反映发明人技术创新实力的多个发明人特征，而且构建了统一的模型对各个发明人的技术创新实力进行评估。与传统的机器学习方法只能通过人工定义的浅层特征进行模型学习的方式相比，文中提出的基于多层感知机的方法可以通过加入多个隐藏层来抽取更为深层的特征用于技术创新人才发现模型的学习，在技术创新人才发现问题上具有更好的效果。
实际透平压缩机组的振动监测往往忽略轴向振动，但经过多年的故障分析以及许多成功案例显示，透平压缩机主轴的轴向振动位移信号中的交流成分可以有效地监测诊断透平压缩机组的多种不同类型故障，例如监测诊断预报推力瓦组件的损坏以及转子轴裂纹故障等。相对于交流信号成分，其中直流成分可以显示推力瓦轴承以及主轴的当前状态。直流成分一般都用来判断转子的平衡状态，交流成分一直没有得到重视。
参考文献
[1] 吴兴杰. 专利“商业化时代”创新商业模式[J]. 商业文化, 2014(9):89-89.
[2] 郑仁华, 杨健, 邹俐均. 专利在高校创新型人才培养中的应用价值[J].实验室研究与探索, 2017, 36(7):199-202.
[3] 王立杰. 基于Ucinet社会网络分析的专利发明人团队和核心发明人分析——以华南理工大学高分子光电材料与器件研究所为例[J]. 农业图书情报学刊, 2016, 28(10):72-76.
[4] 涂湘波, 晁蓉, 廖红四. 高校人才学术评价的专利指标研究[J]. 当代教育理论与实践, 2013, 5(6):70-72.
[5] 贡金涛, 王平尧, 刘盛博. 基于专利合著指标和引用指标的企业科研人员评价研究[J]. 科学学与科学技术管理, 2015, 36(2): 161-172.
[6] 王珏, 李洪研. 基于局部二值模式与多层感知器的中文车牌字符识别高效算法[J]. 计算机应用, 2015(S1):283-285.
[7] 张漫漫, 卢静. 基于多层感知器的财务风险预警研究——以北京市上证A股工业企业数据为例[J]. 商业会计, 2016(1):35-37.
[8] 章浩伟, 高燕妮, 苑成梅,等. 基于多层感知器神经网络的双相障碍早期识别研究[J]. 生物医学工程学杂志, 2015(3):537-541.
[9] Castellani M. Competitive co-evolution of multi-layer perceptron classifiers[J]. Soft Computing, 2017(3):1-16.
[10] 魏瑞斌, 李普, 潘云涛,等. 科研合作网络在创新团队成员遴选中的应用研究[J]. 中国基础科学, 2012, 14(5):60-64.
[11] 李纲,李春雅,李翔. 基于社会网络分析的科研团队发现研究[J]. 图书情报工作,2014,58(7):63-70.
[12] 李纲,刘先红.基于合作网络中心性指标的科研团队学带头人识别研究[J].科技管理研究,2016,36(8):127-132.
[13] 周志华．机器学习[M]. 北京:清华大学出版社, 2016.
A TECHNICAL INNOVATION TALENTS DISCOVERY METHOD BASED ON MULTI-LAYER PERCEPTRON
Feng Ling1 Xie Shibo1 Liu Bin2
1(SchoolofInformationEngineering,NorthChinaUniversityofWaterResourcesandElectricPower,Zhengzhou450046,Henan,China)2(SchoolofComputer,WuhanUniversity,Wuhan430072,Hubei,China)
AbstractPatent data contains rich scientific and technological information. The analysis of patent data not only can help enterprises quickly understand the current situation of development in the field, but also can timely discover the technological innovation talents in the field. Existing methods for technical innovation talents discovery generally evaluate the strength of the inventors by various patent features in isolation, and there is not a unified learning model to discover the technical innovation talents in the patent collection. In view of this, we proposed a technical innovation talents discovery method based on multi-layer perceptron. We extracted the inventor’s features from patent data, constructed a multi-layer perceptron model based on the extracted features, and used the multi-layer perceptron model to discover technical innovation talents in the patent collection. The experimental results show that the proposed method is effective.
KeywordsPatent data Innovation talent Multi-layer perceptron
收稿日期：2018-11-03。
国家自然科学基金青年项目(71603252);ISTIC-CLARIVATE ANALYTICS科学计量学联合实验室开放基金项目。
冯岭，讲师，主研领域：文本分析，数据挖掘。谢世博，硕士生。刘斌，讲师。
中图分类号TP391
文献标识码A
DOI:10.3969/j.issn.1000-386x.2019.07.005
标签：发明人论文; 技术创新论文; 专利论文; 方法论文; 人才论文; 社会科学总论论文; 人才学论文; 世界各国人才调查及其研究论文; 《计算机应用与软件》2019年第7期论文; 国家自然科学基金青年项目(71603252) ISTIC-CLARIVATE ANALYTICS科学计量学联合实验室开放基金项目论文; 华北水利水电大学信息工程学院论文; 武汉大学计算机学院论文;