发明创造名称：分层型神经网络装置、判别器学习方法以及判别方法
外观设计名称：
决定号：195731
决定日：2019-10-15
委内编号：1F262643
优先权日：
申请（专利）号：201480073042.6
申请日：2014-02-10
复审请求人：三菱电机株式会社
无效请求人：
授权公告日：
审定公告日：
专利权人：
主审员：王艳坤
合议组组长：陈汝岩
参审员：田志刚
国际分类号：G06N3/08
外观设计分类号：
法律依据：专利法第2条第2款
决定要点：如果一项权利要求实质上是一种算法数学模型，未与具体的应用领域相结合，解决的问题也不是技术问题，也没有采用技术手段，获得的效果也不是技术效果，则该项权利要求不属于专利法意义上的技术方案。
全文：
本复审请求涉及申请号为201480073042.6，名称为“分层型神经网络装置、判别器学习方法以及判别方法”的发明专利申请（下称本申请）。本申请的申请人为三菱电机株式会社，申请日为2014年02月10日，国际申请进入中国国家阶段日为2016年07月13日，公开日为2016年08月24日。
经实质审查，国家知识产权局原审查部门于2018年06月28日发出驳回决定，驳回了本申请，其理由是：权利要求1-8不符合专利法第2条第2款的规定。驳回决定所依据的文本为：进入国家阶段日2016年07月13日提交的说明书第1-118段、说明书附图图1-17、说明书摘要和摘要附图，2018年05月25日提交的权利要求第1-8项。驳回决定所针对的权利要求书如下：
“1. 一种使用分层型神经网络进行判别的装置，该分层型神经网络用于控制、预测或诊断，该装置具有：
权重存储部，其存储分层型神经网络中的节点之间的权重；
权重学习部，其对所述分层型神经网络中的多个节点之间的权重进行学习，所述分层型神经网络是根据纠错码的校验矩阵在所述节点之间进行疏耦合而形成的，并且由具有节点的输入层、中间层以及输出层构成；以及
判别处理部，其使用利用由所述权重学习部学习到的权重值更新耦合后的节点之间的权重后的分层型神经网络进行判别，求解分类问题或者回归问题。
2. 根据权利要求1所述的使用分层型神经网络进行判别的装置，其中，
所述纠错码是伪随机码、有限几何码、循环码、伪循环码、LDPC码以及空间耦合码中的任意码。
3. 根据权利要求1所述的使用分层型神经网络进行判别的装置，该分层型神经网络装置还具有：
权重调整部，其通过有训练学习来调整所述权重，
其中，所述中间层包含多个层，并且
使用利用由所述权重调整部调整后的权重值更新耦合后的节点之间的权重。
4. 根据权利要求3所述的使用分层型神经网络进行判别的装置，其中，
所述纠错码是伪随机码、有限几何码、循环码、伪循环码、LDPC码以及空间耦合码中的任意码。
5. 一种对用于控制、预测或诊断的分层型神经网络进行学习的判别器学习方法，该分层型神经网络由具有节点的输入层、中间层以及输出层构成，其中，该判别器学习方法具有以下步骤：
存储分层型神经网络中的节点之间的权重；
计算分层型神经网络中的多个节点之间的权重的多个校正值，所述分层型神经网络具有根据纠错码的校验矩阵形成的疏耦合；以及
利用所述校正值更新所述节点之间的权重值。
6. 根据权利要求5所述的判别器学习方法，该判别器学习方法还具有以下步骤，
通过有训练学习来调整所述权重值。
7. 一种判别方法，其中，该判别方法使用按照权利要求5所述的判别器学习方法更新了节点之间的权重值后的分层型神经网络进行判别。
8. 一种判别方法，其中，该判别方法使用按照权利要求6所述的判别器学习方法更新了节点之间的权重值后的神经网络进行判别。”
驳回决定的主要理由：权利要求1请求保护一种使用分层型神经网络进行判别的装置。其要解决的问题是通过构造神经网络，不需要较多的时间和运算量，实现判别器学习和判别处理的高速化的问题，其是对现有的判别器学习方法的改进，是为了克服现有方法的不足，并没有应用到具体的技术领域，并没有基于算法形成具体技术领域的解决方案，没有解决技术问题。权利要求1请求保护的方案中，通过权重学习部进行分层型神经网络中的多个节点之间的权重进行学习，通过判别处理部利用由权重学习部学习到的权重值更新耦合后的节点之间的权重后的分层型神经网络，求解分类问题或者回归问题。其是不涉及如何在特定硬件上实现计算过程。权利要求1并未明确限定该方法处理的具体技术问题，未与具体的技术领域相结合，解决的问题是通过人的思维活动而进行的方法算法问题，属于一种数学问题而不是技术问题，其实际采用的手段是自定义校正值、权重值配置，属于人为规定，不是技术手段；其方案带来的效果也是算法改进带来的算法/数学效果，而非技术效果，因此，权利要求1所要求保护的解决方案不够成技术方案，不符合专利法第2条第2款的规定。基于相同的理由，从属权利要求2-4也不符合专利法第二条第二款的规定。权利要求5请求保护一种对用于控制、预测或诊断的分层型神经网络进行学习的判别器学习方法。其要解决的问题是通过构造最佳神经网络，不需要较多的时间和运算量，实现判别器学习和判别处理的高速化的问题，其方案为：计算分层型神经网络中的多个节点之间的权重的多个校正值，所述分层型神经网络具有根据纠错码的校验矩阵形成的疏耦合；以及利用所述校正值更新所述节点之间的权重值。其方案为通过改进校正值更新权重值，它不涉及如何在特定硬件上实现计算过程。权利要求5并未明确限定该方法处理的具体技术问题，未与具体的技术领域相结合，解决的问题是通过人的思维活动而进行的方法算法问题，属于一种数学问题而不是技术问题，其实际采用的手段是自定义校正值、权重值配置，属于人为规定，不是技术手段；其方案带来的效果也是算法改进带来的算法/数学效果，而非技术效果，因此，权利要求5所要求保护的解决方案不够成技术方案，不符合专利法第2条第2款的规定。基于相同的理由，权利要求6也不符合专利法第2条第2款的规定。基于相同的理由，权利要求7-8也不符合专利法第2条第2款的规定。
申请人（下称复审请求人）对上述驳回决定不服，于2018年10月12日向国家知识产权局提出了复审请求，同时修改了权利要求书，所述修改涉及参照说明书第13页第4-5行的记载，在权利要求1中补入特征“该装置用于与控制、预测或诊断相关的信息处理”；根据说明书第3页第16行至第4页第9行、第4页第25行至第5页第5行以及第5页第26行至第6页第3行等处的记载，权利要求5增加特征“存储学习数据；存储训练数据；根据存储的所述训练数据”。复审请求人认为：修改后的权利要求1和5明确了应用的技术领域，解决了技术问题，采用了技术手段，获得了技术效果。复审请求时新修改的权利要求1和5如下：
“1. 一种使用分层型神经网络进行判别的装置，该分层型神经网络用于控制、预测或诊断，该装置用于与控制、预测或诊断相关的信息处理，该装置具有：
权重存储部，其存储分层型神经网络中的节点之间的权重；
权重学习部，其对所述分层型神经网络中的多个节点之间的权重进行学习，所述分层型神经网络是根据纠错码的校验矩阵在所述节点之间进行疏耦合而形成的，并且由具有节点的输入层、中间层以及输出层构成；以及
判别处理部，其使用利用由所述权重学习部学习到的权重值更新耦合后的节点之间的权重后的分层型神经网络进行判别，求解分类问题或者回归问题。”
“5. 一种对用于控制、预测或诊断的分层型神经网络进行学习的判别器学习方法，该分层型神经网络由具有节点的输入层、中间层以及输出层构成，其中，该判别器学习方法具有以下步骤：
存储分层型神经网络中的节点之间的权重；
存储学习数据；
存储训练数据；
根据存储的所述训练数据，计算分层型神经网络中的多个节点之间的权重的多个校正值，所述分层型神经网络具有根据纠错码的校验矩阵形成的疏耦合；以及
利用所述校正值更新所述节点之间的权重值。”
经形式审查合格，国家知识产权局于2018年10月17日依法受理了该复审请求，并将其转送至原审查部门进行前置审查。
原审查部门在前置审查意见书中认为，修改后的权利要求1中增加的特征“用于控制、预测或诊断相关的信息处理”属于神经网络模型（一种学习算法）的特性和功能，并不涉及具体的应用领域；（2）与控制、预测或诊断相关的信息处理”中的利用神经网络求解分类问题或者回归问题，及本申请所要解决的问题是如何能够实现判别器学习和判别处理的高速化，都是通过人的思维活动而进行的方法算法问题，属于一种数学问题而不是技术问题；（3）神经网络装置中的“权重存储部”、“权重学习部”、“判别处理部”是自定义校正值、权重值配置，属于人为规定，制定了算法中新的筛选准则，其中并没有利用自然规律，没有利用技术手段；（4）产生的效果为判别处理的高速化，是通过运算的表达形式的变化，是由算法带来的效果，不是技术效果。因此，权利要求1所要求保护的解决方案不够成技术方案，不符合专利法第2条第2款的规定，因而坚持原驳回决定。
随后，国家知识产权局成立合议组对本案进行审理。
合议组于2019年06月25日向复审请求人发出复审通知书，指出：权利要求1-8不符合专利法第2条第2款的规定，不属于专利法意义上的技术方案，不属于专利法保护的客体。其中，权利要求1请求保护一种使用分层型神经网络进行判别的装置。其实际要解决的问题是如何实现分层型神经网络/算法数学模型高速化的问题。上述问题是一种算法数学模型计算问题，不属于专利法意义上的技术问题。权利要求1的方案通过权重学习部进行分层型神经网络中的多个节点之间的权重进行学习，通过判别处理部利用由权重学习部学习到的权重值更新耦合后的节点之间的权重后的分层型神经网络，求解分类问题或者回归问题。上述手段并未与具体的技术领域相结合，其实际采用的手段是自定义校正值、权重值配置，属于人为规定，其中所涉及的数据不具有专利法意义上的技术性含义，而是通用的算法数学模型数据，通过通用计算机架构来对上述非技术性数据执行存储、学习和处理等算法数学模型程序的过程，不属于专利法意义上的技术手段。权利要求1的方案所获得的效果为：在分层型神经网络中，通过不依赖学习数据而形成疏耦合，能够实现判别器学习和判别处理的高速化。该效果属于算法数学模型运算效果，不属于专利法意义上的技术效果。权利要求2-4作为权利要求1的从属权利要求，在权利要求1不属于专利法保护的客体的情形下，基于相同的理由，权利要求2-4也不符合专利法第2条第2款的规定，不属于专利法保护的客体。权利要求5请求保护一种对用于控制、预测或诊断的分层型神经网络进行学习的判别器学习方法。权利要求5的方案实际要解决的问题是如何实现分层型神经网络/算法数学模型高速化的问题。上述问题是一种算法数学模型计算问题，不属于专利法意义上的技术问题。权利要求5要求的方案通过权重学习部进行分层型神经网络中的多个节点之间的权重进行学习，通过判别处理部利用由权重学习部学习到的权重值更新耦合后的节点之间的权重后的分层型神经网络，求解分类问题或者回归问题。上述手段并未与具体的技术领域相结合，其实际采用的手段是自定义校正值、权重值配置，属于人为规定，其中所涉及的数据不具有专利法意义上的技术性含义，而是通用的算法数学模型数据，通过通用计算机架构对上述非技术性数据执行存储、计算和更新等算法数学模型程序的过程，不属于专利法意义上的技术手段。权利要求5所获得的效果为：在分层型神经网络中，通过不依赖学习数据而形成疏耦合，能够实现判别器学习和判别处理的高速化。该效果属于算法数学模型运算效果，不属于专利法意义上的技术效果。因此权利要求5请求保护的方案所解决的问题、采用的手段以及获得的效果都是非技术性的，因此不符合专利法第2条第2款的规定，不属于专利法保护的客体。权利要求6作为权利要求5的从属权利要求，在权利要求5不属于专利法保护的客体的情形下，基于相同的理由，权利要求6也不符合专利法第2条第2款的规定，不属于专利法保护的客体。权利要求7-8要求一种判别方法，该判别方法使用按照权利要求5/6所述的判别器学习方法更新了节点之间的权重值后的分层型神经网络/神经网络进行判别。在权利要求5-6不属于专利法第2条第2款规定的技术方案的情形下，基于相同的理由，权利要求7-8也不符合专利法第2条第2款的规定，不属于专利法保护的客体。
复审请求人于2019年08月07日提交了意见陈述书，同时对权利要求1和5进行修改。所述修改涉及根据说明书第3页第16行至第4页第9行、第4页第25行至第5页第5行的记载，权利要求1增加特征“学习数据存储部，其存储学习数据”；“训练数据存储部，其存储训练数据”；“所述判别处理部在从所述权重存储部输入初始化后的权重或者学习中的权重并从所述学习数据存储部输入学习数据时，将使用所述初始化后的权重或者学习中的权重和所述学习数据的判别结果输出给所述权重学习部，并且，所述判别处理部在从所述权重存储部输入已学习的权重并输入判别数据时，将使用所述已学习的权重和所述判别数据的判别结果输出给所述装置外部的传输装置”；根据说明书第3页第16行至第4页第9行、第4页第25行至第5页第5行以及图1、图2的记载，权利要求5增加特征“使用更新了权重值后的分层型神经网络进行判别，求解分类问题或者回归问题，其中在输入存储的初始化后的权重或者学习中的权重并输入存储的学习数据时，将使用所述初始化后的权重或者学习中的权重和所述学习数据的判别结果用于权重的学习，并且，在输入已学习的权重并输入判别数据时，将使用所述已学习的权重和所述判别数据的判别结果输出给外部的传输装置”。
复审请求人认为：1、修改后的权利要求1明确了该装置所应用的技术领域，即，“该装置用于与控制、预测或诊断相关的信息处理”，而“控制、预测或诊断”显然是具体的应用领域，另外，本申请的说明书第13页第4-5行记载了“本发明的分层型神经网络装置通过在分层型神经网络中不依赖于学习数据而生成疏耦合，能够实现判别器学习和判别处理的高速化，因而能够适用于与各种控制、预测、诊断相关的信息处理”，该部分内容记载在“产业上的可利用性”部分。因此，复审通知中认为的“数学模型的功能属性，不是专利法意义上的具体的技术领域”的观点缺乏合理性。2、由于修改后的权利要求1限定了“该装置用于与控制、预测或诊断相关的信息处理”，因此，其解决的是“与控制、预测或诊断相关的信息处理”中的“分类问题或回归问题”，其显然属于技术问题。3、由于修改后的权利要求1明确了其用于“与控制、预测或诊断相关的信息处理”，因此，权利要求1要求保护的装置处理的是“与控制、预测或诊断相关的信息”，由于该信息是具体的应用领域中的待处理信息，其具有实际的物理含义，而并非是单纯的数学数据，因此对于该信息的处理过程也属于技术手段。另外，修改后的权利要求1中记载了“权重存储部，其存储分层型神经网络中的节点之间的权重”、“学习数据存储部，其存储学习数据”以及“训练数据存储部，其存储训练数据”，对于权重和数据的存储显然属于技术手段； “权重学习部”和“判别处理部”对分层型神经网络中的多个节点之间的权重进行学习以及使用权重更新后的分层型神经网络进行判别，其同样属于技术手段；并且，修改后的权利要求进一步记载了权重、学习数据以及各个判别结果在各个部件之间的传输，以及将“判别结果输出给所述装置外部的传输装置”，这些特征显然都是技术手段。4、根据说明书的记载，本申请能够实现判别器学习和判别处理的高速化，并且，修改后的权利要求1进一步限定了“该装置用于与控制、预测或诊断相关的信息处理”，因此，本申请能够实现“与控制、预测或诊断相关的信息处理”中的判别处理的高速化，其属于技术效果。综上所述，本申请修改后的权利要求1应用于具体的技术领域，使用了具体的技术手段，解决了相应的技术问题并获得了相应的技术效果，因此符合专利法第2条第2款的规定。
新修改的权利要求1和5如下：
“1. 一种使用分层型神经网络进行判别的装置，该分层型神经网络用于控制、预测或诊断，该装置用于与控制、预测或诊断相关的信息处理，该装置具有：
权重存储部，其存储分层型神经网络中的节点之间的权重；
学习数据存储部，其存储学习数据；
训练数据存储部，其存储训练数据；
权重学习部，其对所述分层型神经网络中的多个节点之间的权重进行学习，所述分层型神经网络是根据纠错码的校验矩阵在所述节点之间进行疏耦合而形成的，并且由具有节点的输入层、中间层以及输出层构成；以及
判别处理部，其使用利用由所述权重学习部学习到的权重值更新耦合后的节点之间的权重后的分层型神经网络进行判别，求解分类问题或者回归问题，
所述判别处理部在从所述权重存储部输入初始化后的权重或者学习中的权重并从所述学习数据存储部输入学习数据时，将使用所述初始化后的权重或者学习中的权重和所述学习数据的判别结果输出给所述权重学习部，并且，所述判别处理部在从所述权重存储部输入已学习的权重并输入判别数据时，将使用所述已学习的权重和所述判别数据的判别结果输出给所述装置外部的传输装置。”
“5. 一种对用于控制、预测或诊断的分层型神经网络进行学习的判别器学习方法， 该分层型神经网络由具有节点的输入层、中间层以及输出层构成，其中，该判别器学习方法具有以下步骤：
存储分层型神经网络中的节点之间的权重；
存储学习数据；
存储训练数据；
根据存储的所述训练数据，计算分层型神经网络中的多个节点之间的权重的多个校正值，所述分层型神经网络具有根据纠错码的校验矩阵形成的疏耦合；
利用所述校正值更新所述节点之间的权重值；以及
使用更新了权重值后的分层型神经网络进行判别，求解分类问题或者回归问题，其中，在输入存储的初始化后的权重或者学习中的权重并输入存储的学习数据时，将使用所述初始化后的权重或者学习中的权重和所述学习数据的判别结果用于权重的学习，并且，在输入已学习的权重并输入判别数据时，将使用所述已学习的权重和所述判别数据的判别结果输出给外部的传输装置。”
在上述程序的基础上，合议组认为本案事实已经清楚，可以作出审查决定。
二、决定的理由
1.审查文本的认定
复审请求人2019年08月07日答复复审通知书时，对申请文件进行了修改。经审查，所述修改符合专利法第33条和专利法实施细则第61条第1款的规定。本复审决定的审查文本基础为：2019年08月07日提交的权利要求第1-8项；进入国家阶段日2016年07月13日提交的说明书第1-118段，说明书附图图1-17，说明书摘要，摘要附图。
2.专利法第2条第2款
专利法第2条第2款规定：发明，是指对产品、方法或者其改进所提出的新的技术方案。
如果一项权利要求实质上是一种算法数学模型，未与具体的应用领域相结合，解决的问题也不是技术问题，也没有采用技术手段，获得的效果也不是技术效果，则该项权利要求不属于专利法意义上的技术方案。
2.1.权利要求1请求保护一种使用分层型神经网络进行判别的装置，该分层型神经网络用于控制、预测或诊断，该装置用于与控制、预测或诊断相关的信息处理，该装置具有：权重存储部，其存储分层型神经网络中的节点之间的权重；学习数据存储部，其存储学习数据；训练数据存储部，其存储训练数据；权重学习部，其对所述分层型神经网络中的多个节点之间的权重进行学习，所述分层型神经网络是根据纠错码的校验矩阵在所述节点之间进行疏耦合而形成的，并且由具有节点的输入层、中间层以及输出层构成；以及判别处理部，其使用利用由所述权重学习部学习到的权重值更新耦合后的节点之间的权重后的分层型神经网络进行判别，求解分类问题或者回归问题，所述判别处理部在从所述权重存储部输入初始化后的权重或者学习中的权重并从所述学习数据存储部输入学习数据时，将使用所述初始化后的权重或者学习中的权重和所述学习数据的判别结果输出给所述权重学习部，并且，所述判别处理部在从所述权重存储部输入已学习的权重并输入判别数据时，将使用所述已学习的权重和所述判别数据的判别结果输出给所述装置外部的传输装置。
根据本申请说明书所记载的内容，其要解决的问题是通过构造神经网络，不需要较多的时间和运算量，实现判别器学习和判别处理的高速化的问题，其是对现有的判别器学习方法的改进，是为了克服现有方法的不足。“神经网络”是一种仿效动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。对于本申请而言，分层型神经网络作为判别器发挥作用。因此，本申请实际要解决的问题是如何实现分层型神经网络/算法数学模型高速化的问题。上述问题是一种算法数学模型计算问题，不属于专利法意义上的技术问题。
本申请要求的方案中，通过权重学习部进行分层型神经网络中的多个节点之间的权重进行学习，通过判别处理部利用由权重学习部学习到的权重值更新耦合后的节点之间的权重后的分层型神经网络，求解分类问题或者回归问题，以及判别处理部在从所述权重存储部输入初始化后的权重或者学习中的权重并从所述学习数据存储部输入学习数据时，将使用所述初始化后的权重或者学习中的权重和所述学习数据的判别结果输出给所述权重学习部，并且，所述判别处理部在从所述权重存储部输入已学习的权重并输入判别数据时，将使用所述已学习的权重和所述判别数据的判别结果输出给所述装置外部的传输装置。上述手段并未与具体的技术领域相结合，其实际采用的手段是自定义校正值、权重值配置，属于人为规定，其中所涉及的数据不具有专利法意义上的技术性含义，而是通用的算法数学模型数据，通过通用计算机架构来对上述非技术性数据执行存储、学习和处理等算法数学模型程序的过程，不属于专利法意义上的技术手段。
本申请所获得的效果为：在分层型神经网络中，通过不依赖学习数据而形成疏耦合，能够实现判别器学习和判别处理的高速化。该效果属于算法数学模型运算效果，不属于专利法意义上的技术效果。
综上，权利要求1请求保护的方案未应用于具体的技术领域，形成解决该技术领域的技术问题，采用的手段以及获得的效果都是非技术性的，因此不符合专利法第2条第2款的规定，不属于专利法保护的客体。
权利要求2-3作为权利要求1的从属权利要求，权利要求4作为权利要求3的从属权利要求，在权利要求1不属于专利法保护的客体的情形下，基于相同的理由，权利要求2-4也不符合专利法第2条第2款的规定，不属于专利法保护的客体。
2.权利要求5请求保护一种对用于控制、预测或诊断的分层型神经网络进行学习的判别器学习方法，该分层型神经网络由具有节点的输入层、中间层以及输出层构成，其中，该判别器学习方法具有以下步骤：存储分层型神经网络中的节点之间的权重；存储学习数据；存储训练数据；根据存储的所述训练数据，计算分层型神经网络中的多个节点之间的权重的多个校正值，所述分层型神经网络具有根据纠错码的校验矩阵形成的疏耦合；利用所述校正值更新所述节点之间的权重值；以及使用更新了权重值后的分层型神经网络进行判别，求解分类问题或者回归问题，其中，在输入存储的初始化后的权重或者学习中的权重并输入存储的学习数据时，将使用所述初始化后的权重或者学习中的权重和所述学习数据的判别结果用于权重的学习，并且，在输入已学习的权重并输入判别数据时，将使用所述已学习的权重和所述判别数据的判别结果输出给外部的传输装置。
根据本申请说明书所记载的内容，其要解决的问题是通过构造神经网络，不需要较多的时间和运算量，实现判别器学习和判别处理的高速化的问题，其是对现有的判别器学习方法的改进，是为了克服现有方法的不足。 然而，“神经网络”是一种仿效动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。对于本申请而言，分层型神经网络作为判别器发挥作用。因此，本申请实际要解决的问题是如何实现分层型神经网络/算法数学模型高速化的问题。上述问题是一种算法数学模型计算问题，不属于专利法意义上的技术问题。
本申请要求的方案中，通过根据存储的所述训练数据，计算分层型神经网络中的多个节点之间的权重的多个校正值；利用所述校正值更新所述节点之间的权重值；以及使用更新了权重值后的分层型神经网络进行判别，求解分类问题或者回归问题，其中，在输入存储的初始化后的权重或者学习中的权重并输入存储的学习数据时，将使用所述初始化后的权重或者学习中的权重和所述学习数据的判别结果用于权重的学习，并且，在输入已学习的权重并输入判别数据时，将使用所述已学习的权重和所述判别数据的判别结果输出给外部的传输装置。上述手段并未与具体的技术领域相结合，其实际采用的手段是自定义校正值、权重值配置，属于人为规定，其中所涉及的数据不具有专利法意义上的技术性含义，而是通用的算法数学模型数据，通过通用计算机架构对上述非技术性数据执行存储、计算和更新等算法数学模型程序的过程，不属于专利法意义上的技术手段。
本申请所获得的效果为：在分层型神经网络中，通过不依赖学习数据而形成疏耦合，能够实现判别器学习和判别处理的高速化。该效果属于算法数学模型运算效果，不属于专利法意义上的技术效果。
综上，权利要求5请求保护的方案未应用于具体的技术领域，形成解决该技术领域的技术问题，采用的手段以及获得的效果都是非技术性的，因此不符合专利法第2条第2款的规定，不属于专利法保护的客体。
权利要求6作为权利要求5的从属权利要求，在权利要求5不属于专利法保护的客体的情形下，基于相同的理由，权利要求6也不符合专利法第2条第2款的规定，不属于专利法保护的客体。
3.权利要求7-8要求一种判别方法，该判别方法使用按照权利要求5/6所述的判别器学习方法更新了节点之间的权重值后的分层型神经网络/神经网络进行判别。在权利要求5-6不属于专利法第2条第2款规定的技术方案的情形下，基于相同的理由，权利要求7-8也不符合专利法第2条第2款的规定，不属于专利法保护的客体。
4.关于复审请求人的意见陈述
合议组认为：关于复审请求人的意见陈述的第1点，说明书第[0037]段记载了分层型神经网络装置是使用分层型神经网络进行判别的装置。也就是说当前权利要求1的主题实质上仍旧是分层型神经网络。然而，上述分层型神经网络装置实质上是一种算法数学模型。就“该装置用于与控制、预测或诊断相关的信息处理”而言，是算法数学模型的功能属性，并非专利法意义上的具体的技术领域。关于第2-4点，如上所述，本申请实际要解决的问题是如何实现分层型神经网络/算法数学模型高速化的问题。上述问题是一种算法数学模型计算问题，不属于专利法意义上的技术问题。本申请并不涉及具体技术领域的应用，因此，其中的数据不具有专利法意义上的技术性含义，而是通用的数学数据，对上述非技术性数据执行存储、计算和更新等算法数学模型程序的过程，不属于专利法意义上的技术手段。对于“权重存储部，其存储分层型神经网络中的节点之间的权重”、“学习数据存储部，其存储学习数据”以及“训练数据存储部，其存储训练数据”，“权重学习部”和“判别处理部”对分层型神经网络中的多个节点之间的权重进行学习以及使用权重更新后的分层型神经网络进行判别，权重、学习数据以及各个判别结果在各个部件之间的传输，以及将“判别结果输出给所述装置外部的传输装置”而言，是算法数学模型构成要素的功能性描述，属于算法数学模型的属性本身，不属于专利法意义上的技术手段。本申请所获得的效果为：在分层型神经网络中，通过不依赖学习数据而形成疏耦合，能够实现判别器学习和判别处理的高速化。该效果属于算法数学模型的运算效果，不属于专利法意义上的技术效果。综上，权利要求1-8请求保护的方案所解决的问题、采用的手段以及获得的效果都是非技术性的，因此，不构成专利法意义上的技术方案，不属于专利法保护客体。
三、决定
维持国家知识产权局于2018年06月28日对本申请作出的驳回决定。
如对本复审请求审查决定不服，根据专利法第41条第2款的规定，复审请求人可自收到本决定之日起三个月内向北京知识产权法院起诉。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
