发明创造名称：核保难度预测的方法、装置、计算机设备及存储介质
外观设计名称：
决定号：195091
决定日：2019-11-14
委内编号：1F267482
优先权日：
申请（专利）号：201710752024.6
申请日：2017-08-28
复审请求人：平安科技（深圳）有限公司
无效请求人：
授权公告日：
审定公告日：
专利权人：
主审员：明媚
合议组组长：杨洁
参审员：吴广平
国际分类号：G06Q10/04，G06Q40/08，G06N3/08
外观设计分类号：
法律依据：专利法第22条第3款
决定要点
：如果一项权利要求要求保护的技术方案相对于作为最接近的现有技术的对比文件存在区别特征，而该区别特征为本领域的惯用手段，在最接近的现有技术的基础上结合本领域的惯用手段而得到权利要求所要求保护的技术方案对于本领域技术人员而言是显而易见的，则该权利要求不具有突出的实质性特点和显著的进步，不具备创造性。
全文：
本复审请求涉及申请号为201710752024.6，名称为“核保难度预测的方法、装置、计算机设备及存储介质”的发明专利申请（下称本申请）。本申请的申请人为平安科技（深圳）有限公司，申请日为2017年08月28日，公开日为2018年01月26日。
经实质审查，国家知识产权局原审查部门于2018年08月21日发出驳回决定，驳回了本申请，引用对比文件1（CN104820870A，公开日为2015年08月05日）评述了权利要求1-8不具备专利法第22条第3款规定的创造性，其理由是：权利要求1与对比文件1的区别在于：预测方法应用的场景不同，即预测针对的目标不同，从而使得采取的数据和待计算预测值不同：本申请应用于投保单的投保难度的预测，而对比文件1应用于胶结充填材料力学性能的预测，且本申请输出结果为单输出而对比文件1为多输出；获取影响因素的过程不同：本申请是从历史保单中提取影响因素，而对比文件1是预先设定影响因素。由此可见，权利要求1实际解决的问题为：如何将现有技术中胶结充填材料力学性能的预测方法应用于投保单的核保难度的预测以及如何获取影响因素。对比文件1已经公开了一种利用BP神经网络模型进行预测的方法，且公开了首先获取影响因素，以及对影响因素的参数值进行归一化处理等技术手段，也就是说对比文件1已经公开了本申请的发明构思和为实现本申请所采用的关键技术手段，本领域技术人员容易想到将对比文件1公开的预测方法应用于保单核保难度的预测，而且，将对比文件1应用于保单核保难度的预测时，本领域技术人员能够想到根据实际情况选择对应的参数、输入具体的数据。同时，对比文件1已经公开了根据需要预测的力学性能个数去顶输出层的数量n，也就是说，在对比文件1的启示下，本领域技术人员在将这种方法应用于核保难度预测时，在需要预测的值的个数为1时，容易想到将输出层数量设定为1。而且，对比文件1已经公开了获取影响因素，而根据实际情况从历史数据中提取影响因素是本领域技术人员容易想到的。因此，在对比文件1的基础上实现权利要求1的方案对本领域技术人员来说是显而易见的，权利要求1的方案不具有突出的实质性特点和显著的进步，不具备创造性。权利要求2-4对权利要求1作了进一步限定，权利要求2、4附加技术特征为本领域的常用手段，权利要求3的附加技术特征被对比文件1公开，因此，在其引用的权利要求不具备创造性时，权利要求2-4也不具备创造性。权利要求5-6要求保护一种核保难度预测的装置，是与权利要求1-2的核保难度预测方法一一对应的装置权利要求，基于与权利要求1-2同样的理由，权利要求5-6也不具备创造性。权利要求7-8分别要求保护一种计算机设备以及计算机可读存储介质，用于实现权利要求1-4的任一项所述的方法，权利要求1-4已不具备创造性，而本领域技术人员可以确定，对比文件1中为了实现预测方法，其必然要通过计算机设备以及计算机可读存储介质，因此，在对比文件1的基础上实现权利要求7-8的方案对本领域技术人员来说是显而易见的，因此权利要求7-8不具备创造性。
驳回决定所依据的文本为：申请日2017年08月28日提交的说明书摘要、说明书第1-107段、说明书附图、摘要附图；2018年07月12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. 一种核保难度预测的方法，其特征在于，所述方法包括：
获取待计算核保难度的投保单，提取所述投保单中影响核保难度的目标因素；
确定与每个所述目标因素对应的参数值，所述参数值是指计算机能够处理的数字表示；
对所述参数值进行归一化处理得到标准参数值；
将各个所述目标因素对应的所述标准参数值按照预设的规则组合为目标向量；
将所述目标向量作为训练好的核保难度预测模型的输入，获取输出的与所述投保单对应的核保难度值，所述核保难度预测模型是基于从数据库中获取历史投保单，确定训练样本集；提取所述训练样本集中每个历史投保单对应的影响核保难度的影响因素以及相应的核保难度值；确定与每个所述影响因素对应的参数值，对所述参数值进行归一化处理得到标准参数值；将每个所述历史投保单中各个影响因素对应的标准参数值按照预设的规则组合为输入向量；将每个历史投保单对应的输入向量作为输入样本，将相应的核保难度值作为期望的输出样本，对BP神经网络模型进行训练得到的，其中，确定核保难度预测模型的过程就是确定最终连接权值的过程。
2. 根据权利要求1所述的方法，其特征在于，所述从数据库中获取历史投保单，确定训练样本集包括：
从数据库中获取历史投保单，获取所述历史投保单所对应的投保年份；
根据所述投保年份将历史投保单进行分类；
对每一类历史投保单进行筛选得到有效历史投保单；
将每一类有效历史投保单进行聚类，得到训练样本集。
3. 根据权利要求1所述的方法，其特征在于，在所述将每个历史投保单对应的输入向量作为输入样本，将相应的核保难度值作为期望的输出样本，采用BP神经网络模型进行训练得到核保难度预测模型的步骤之后还包括：
获取检测样本集；
将所述检测样本集中的输入样本作为所述训练得到的核保难度预测模型的 输入，获取相应的输出值；
判断所述输出值与所述标准输出值的误差是否在预设的范围内；
若是，则将所述训练得到的核保难度预测模型作为训练好的核保难度预测模型。
4. 根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据预设的核保难度值与职能等级之间的关系获取与所述核保难度值对应的职能等级；
根据所述职能等级将所述投保单进行分配。
5. 一种核保难度预测的装置，其特征在于，所述装置包括：
第一提取模块，用于获取待计算核保难度的投保单，提取所述投保单中影响核保难度的目标因素；
参数值确定模块，用于确定与每个所述目标因素对应的参数值，所述参数值是指计算机能够处理的数字表示；
第一处理模块，用于对所述参数值进行归一化处理得到标准参数值；
第一组合模块，用于将各个所述目标因素对应的所述标准参数值按照预设的规则组合为目标向量；
预测模块，用于将所述目标向量作为训练好的核保难度预测模型的输入，获取输出的与所述投保单对应的核保难度值，所述核保难度预测模型是基于样本集确定模块，用于从数据库中获取历史投保单，确定训练样本集；第二提取模块，用于提取所述训练样本集中每个历史投保单对应的影响核保难度的影响因素以及相应的核保难度值；第二处理模块，用于确定与每个所述影响因素对应的参数值，对所述参数值进行归一化处理得到标准参数值；第二组合模块，用于将每个历史投保单中各个影响因素对应的标准参数值按照预设的规则组合为输入向量；训练模块，用于将每个历史投保单对应的输入向量作为输入样本，将相应的核保难度值作为期望的输出样本，对BP神经网络模型进行训练得到的，其中，得到核保难度预测模型的过程就是确定最终连接权值的过程。
6. 根据权利要求5所述的装置，其特征在于，所述确定模块还用于从数据 库中获取历史投保单，获取所述历史投保单所对应的投保年份，根据所述投保年份将历史投保单进行分类，对每一类历史投保单进行筛选得到有效历史投保单，将每一类有效历史投保单进行聚类，得到训练样本集。
7. 一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-4任意一项所述方法的步骤。
8. 一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。”
申请人（下称复审请求人）对上述驳回决定不服，于2018年11月30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。复审请求人认为本申请与对比文件1之间包括以下区别：1、对比文件1与本申请所属领域不同，解决的问题不同；2、提取的目标因素不同；3、预测模型的输入向量和输出值不同；4、模型的预测过程不同 。
提复审请求时新修改的权利要求书如下：
“1. 一种核保难度预测的方法，其特征在于，所述方法包括：
获取待计算核保难度的投保单，提取所述投保单中影响核保难度的目标因素；所述目标因素包括投保人数、被保人年龄、性别、保额及投保单位；
确定与每个所述目标因素对应的参数值，所述参数值是指计算机能够处理的数字表示；
对所述参数值进行归一化处理得到标准参数值；
将各个所述目标因素对应的所述标准参数值按照预设的规则组合为目标向量；
将所述目标向量作为训练好的核保难度预测模型的输入，获取输出的与所述投保单对应的核保难度值，所述核保难度预测模型是基于从数据库中获取历史投保单，确定训练样本集；提取所述训练样本集中每个历史投保单对应的影响核保难度的影响因素以及相应的核保难度值；确定与每个所述影响因素对应的参数值，对所述参数值进行归一化处理得到标准参数值；将每个所述历史投保单中各个影响因素对应的标准参数值按照预设的规则组合为输入向量；将每个历史投保单对应的输入向量作为输入样本，将相应的核保难度值作为期望的输出样本，对BP神经网络模型进行训练得到的，其中，确定核保难度预测模型的过程就是确定最终连接权值的过程。
2. 根据权利要求1所述的方法，其特征在于，所述从数据库中获取历史投保单，确定训练样本集包括：
从数据库中获取历史投保单，获取所述历史投保单所对应的投保年份；
根据所述投保年份将历史投保单进行分类；
对每一类历史投保单进行筛选得到有效历史投保单；
将每一类有效历史投保单进行聚类，得到训练样本集。
3. 根据权利要求1所述的方法，其特征在于，在所述将每个历史投保单对应的输入向量作为输入样本，将相应的核保难度值作为期望的输出样本，采用BP神经网络模型进行训练得到核保难度预测模型的步骤之后还包括：
获取检测样本集；
将所述检测样本集中的输入样本作为所述训练得到的核保难度预测模型的 输入，获取相应的输出值；
判断所述输出值与所述标准输出值的误差是否在预设的范围内；
若是，则将所述训练得到的核保难度预测模型作为训练好的核保难度预测模型。
4. 根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据预设的核保难度值与职能等级之间的关系获取与所述核保难度值对应的职能等级；
根据所述职能等级将所述投保单进行分配。
5. 一种核保难度预测的装置，其特征在于，所述装置包括：
第一提取模块，用于获取待计算核保难度的投保单，提取所述投保单中影响核保难度的目标因素；所述目标因素包括投保人数、被保人年龄、性别、保额及投保单位；
参数值确定模块，用于确定与每个所述目标因素对应的参数值，所述参数值是指计算机能够处理的数字表示；
第一处理模块，用于对所述参数值进行归一化处理得到标准参数值；
第一组合模块，用于将各个所述目标因素对应的所述标准参数值按照预设的规则组合为目标向量；
预测模块，用于将所述目标向量作为训练好的核保难度预测模型的输入，获取输出的与所述投保单对应的核保难度值，所述核保难度预测模型是基于样本集确定模块，用于从数据库中获取历史投保单，确定训练样本集；第二提取模块，用于提取所述训练样本集中每个历史投保单对应的影响核保难度的影响因素以及相应的核保难度值；第二处理模块，用于确定与每个所述影响因素对应的参数值，对所述参数值进行归一化处理得到标准参数值；第二组合模块，用于将每个历史投保单中各个影响因素对应的标准参数值按照预设的规则组合为输入向量；训练模块，用于将每个历史投保单对应的输入向量作为输入样本，将相应的核保难度值作为期望的输出样本，对BP神经网络模型进行训练得到的，其中，得到核保难度预测模型的过程就是确定最终连接权值的过程。
6. 根据权利要求5所述的装置，其特征在于，所述确定模块还用于从数据库中获取历史投保单，获取所述历史投保单所对应的投保年份，根据所述投保年份将历史投保单进行分类，对每一类历史投保单进行筛选得到有效历史投保单，将每一类有效历史投保单进行聚类，得到训练样本集。
7. 一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-4任意一项所述方法的步骤。
8. 一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。”
经形式审查合格，国家知识产权局于2018年12月05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，（1）对比文件1已经公开了一种利用BP神经网络模型进行预测的方法，且公开了首先获取影响因素，以及对影响因素的参数值进行归一化处理等手段，也就是说对比文件1已经公开了为实现本申请所采用的关键手段，本领域技术人员容易想到将对比文件1公开的预测方法应用于保单核保难度的预测，不需要克服技术上的困难，也没有对BP神经网络进行改进。根据应用场景选取参数是本领域的常用手段，具体选取何种参数则是人为主观规定的。BP神经网络是一种具有三层或三层以上的阶层型神经网络，上下层之间的各神经单元实现全连接，而每层各神经元之间无连接，按照评价预测输出个数可分为单输出和多输出两种，这是本领域的公知常识。也就是说，单输出和多输出只是取决于评价预测过程中所需求的输出个数。同时，对比文件1已经公开了根据需要预测的力学性能个数去顶输出层的数量n（参见说明书第[0011]段），也就是说，在对比文件1的启示下，本领域技术人员在将这种方法应用于核保难度预测时，在需要预测的值的个数为1时，容易想到将输出层数量设定为1，并不会使模型结构本质发生变化。（2）BP神经网络只是一种数学算法，本申请解决的问题是提出一种比较灵活且能够准确预测核保难度值的核保难度预测的方法，如根据核保难度进行核保任务分配，属于管理问题，并非技术问题。其中，目标因素的参数都是人为选择和设定的，人为选择的各考量因素与期望预测的对象之间的关系并非符合自然规律，所采用的预测手段也并非是遵循自然规律的技术手段，所获得的效果也并非技术效果，因此，本申请没有采用遵循自然规律的技术手段，也未获得技术效果，不构成技术方案，不属于A2.2保护的客体。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10日向复审请求人发出复审通知书，认为权利要求1-8不具备专利法第22条第3款规定的创造性。对于复审请求人所陈述的复审理由，合议组认为：首先，BP神经网络是一种通用的算法，其可以应用于多种领域。对比文件1已经公开了获取影响因素、对影响因素的参数值进行归一化处理、获得训练样本、输入BP神经网络模型进行预测及输出的预测方法，将上述通用的方法应用于核保难度预测是本领域技术人员的惯用手段，选取相应参数将预测方法应用于保单核保难度预测时，不需要克服技术上的困难。其次，对比文件1已经公开了将力学性能值与影响因素的各个配比值归一化处理，确定输入输出向量，在确定输入向量的过程中，必然要按照预设的规则组合。对于BP神经网络模型，处理信息的基本原理是，输入信号通过中间节点（隐含层）作用于输出节点，经过非线性变换，产出输出信号，网络训练的每个样本包括输入向量和期望输出量，网络输出值与期望输出值之间的偏差，通过调整输入节点与隐含层节点的连接权值和隐含层节点与输出节点之间的连接权值以及阈值，使误差沿梯度下降，经过反复训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告终止。对比文件1已经公开了BP神经网络预测模型及其模型训练的过程，以确定模型的内容，即对比文件1必然公开了确定待预测值预测模型的过程就是确定最终连接权值的过程。
复审请求人于2019年07月24日提交了意见陈述书，修改了申请文件，将权利要求2并入权利要求1，权利要求6并入权利要求5。复审请求人认为本申请与对比文件1之间包括以下区别：1、对比文件1与本申请所属领域不同，解决的问题不同，提取的目标因素不同，预测模型的输入向量和获得的输出值不同；目标因素是保单中客观存在的待进行核实的项目内容，但并非所有的目标因素对保单的核保难度都有影响，投保过程是对这些因素进行核实，并非基于实验数据对实验结果进行预测，不会因为不同数值或组分数的组合对保单的核保难度造成影响。2、模型的预测过程不同；核保难度预测模型是基于从数据库中获取历史投保单，确定训练样本集，将每个历史投保单对应的输入向量作为输入样本，将相应的核保难度值作为期望的输出样本。从历史投保单获取输入样本，由于每个历史投保单都对应着相应的目标因素以及投保难度值，因此，通过历史投保单的筛选并作为输入样本都是有效的输入样本。对比文件1对神经网络的训练是使用参数为料浆浓度、粉煤灰用量、白灰渣用量和水泥用量，并不是有效的历史数据。3、确定训练样本集的方法不同；本申请根据投保年份将历史投保单进行分类，根据投保年份确定筛选的比例，对每一类历史投保单进行筛选得到有效历史投保单，将每一类有效历史投保单进行聚类，得到训练样本集。剔除波动太大的输入样本，使得输入样本更加均匀化。
复审请求人新修改的权利要求书如下：
“1. 一种核保难度预测的方法，其特征在于，所述方法包括：
获取待计算核保难度的投保单，提取所述投保单中影响核保难度的目标因素；所述目标因素包括投保人数、被保人年龄、性别、保额及投保单位；
确定与每个所述目标因素对应的参数值，所述参数值是指计算机能够处理的数字表示；
对所述参数值进行归一化处理得到标准参数值；
将各个所述目标因素对应的所述标准参数值按照预设的规则组合为目标向量；
将所述目标向量作为训练好的核保难度预测模型的输入，获取输出的与所述投保单对应的核保难度值，所述核保难度预测模型是基于从数据库中获取历史投保单，确定训练样本集；提取所述训练样本集中每个历史投保单对应的影响核保难度的影响因素以及相应的核保难度值；确定与每个所述影响因素对应的参数值，对所述参数值进行归一化处理得到标准参数值；将每个所述历史投保单中各个影响因素对应的标准参数值按照预设的规则组合为输入向量；将每个历史投保单对应的输入向量作为输入样本，将相应的核保难度值作为期望的输出样本，对BP神经网络模型进行训练得到的，其中，确定核保难度预测模型的过程就是确定最终连接权值的过程；
所述从数据库中获取历史投保单，确定训练样本集包括：从数据库中获取历史投保单，获取历史投保单所对应的投保年份，根据投保年份将历史投保单进行分类，根据投保年份确定筛选的比例，对每一类历史投保单进行筛选得到有效历史投保单，剔除过大或过小的核保难度对应历史保单，将每一类有效历史投保单进行聚类，得到训练样本集。
2. 根据权利要求1所述的方法，其特征在于，在所述将每个历史投保单对应的输入向量作为输入样本，将相应的核保难度值作为期望的输出样本，采用BP神经网络模型进行训练得到核保难度预测模型的步骤之后还包括：
获取检测样本集；
将所述检测样本集中的输入样本作为所述训练得到的核保难度预测模型的输入，获取相应的输出值；
判断所述输出值与所述标准输出值的误差是否在预设的范围内；
若是，则将所述训练得到的核保难度预测模型作为训练好的核保难度预测模型。
3. 根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据预设的核保难度值与职能等级之间的关系获取与所述核保难度值对应的职能等级；
根据所述职能等级将所述投保单进行分配。
4. 一种核保难度预测的装置，其特征在于，所述装置包括：
第一提取模块，用于获取待计算核保难度的投保单，提取所述投保单中影响核保难度的目标因素；所述目标因素包括投保人数、被保人年龄、性别、保额及投保单位；
参数值确定模块，用于确定与每个所述目标因素对应的参数值，所述参数值是指计算机能够处理的数字表示；
第一处理模块，用于对所述参数值进行归一化处理得到标准参数值；
第一组合模块，用于将各个所述目标因素对应的所述标准参数值按照预设的规则组合为目标向量；
预测模块，用于将所述目标向量作为训练好的核保难度预测模型的输入，获取输出的与所述投保单对应的核保难度值，所述核保难度预测模型是基于样本集确定模块，用于从数据库中获取历史投保单，确定训练样本集；第二提取模块，用于提取所述训练样本集中每个历史投保单对应的影响核保难度的影响因素以及相应的核保难度值；第二处理模块，用于确定与每个所述影响因素对应的参数值，对所述参数值进行归一化处理得到标准参数值；第二组合模块，用于将每个历史投保单中各个影响因素对应的标准参数值按照预设的规则组合为输入向量；训练模块，用于将每个历史投保单对应的输入向量作为输入样本，将相应的核保难度值作为期望的输出样本，对BP神经网络模型进行训练得到的，其中，得到核保难度预测模型的过程就是确定最终连接权值的过程；所述确定模块还用于从数据库中获取历史投保单，获取历史投保单所对应的投保年 份，根据投保年份将历史投保单进行分类，根据投保年份确定筛选的比例，对每一类历史投保单进行筛选得到有效历史投保单，剔除过大或过小的核保难度对应历史保单，将每一类有效历史投保单进行聚类，得到训练样本集。
5. 一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-3任意一项所述方法的步骤。
6. 一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-3任意一项所述方法的步骤。”
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
审查文本的认定
复审请求人在2019年07月24日答复复审通知书时对权利要求书进行了修改，经审查，上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。因此，本复审决定所依据的文本是：复审请求人于2019年07月24日提交的权利要求第1-6项；申请日2017年08月28日提交的说明书摘要、说明书第1-107段、说明书附图、摘要附图。
专利法第22条第3款
专利法第22条第3款规定：“创造性，是指与现有技术相比，该发明具有突出的实质性特点和显著的进步，该实用新型具有实质性特点和进步。”
如果一项权利要求要求保护的技术方案相对于作为最接近的现有技术的对比文件存在区别特征，而该区别特征为本领域的惯用手段，在最接近的现有技术的基础上结合本领域的惯用手段而得到权利要求所要求保护的技术方案对于本领域技术人员而言是显而易见的，则该权利要求不具有突出的实质性特点和显著的进步，不具备创造性。
本复审决定中引用的对比文件与驳回决定和复审通知书中引用的对比文件相同，即：
对比文件1：CN104820870A，公开日为2015年08月05日。
（2.1）权利要求1不符合专利法第22条第3款有关创造性的规定。
权利要求1请求保护一种核保难度预测的方法。对比文件1公开了一种胶结充填材料力学性能预测方法，并具体公开了（参见说明书第[0019]-[0023]段，第[0055]-[0056]段）：该预测方法，是基于引入附加动量法和自适应学习速率改进的BP神经网络，通过实验室实验获取的样本数据训练和测试网络，然后输入需要预测的条件，即可得对应的力学性能值；具体包括以下步骤：
a.针对胶结充填材料力学性能影响因素，所述的胶结充填材料为料浆浓度、粉煤灰用量、白灰渣用量和水泥用量；不同配比值进行实验室实验，获取不同影响因素配比下充填材料力学性能值，所述的力学性能为坍落度、泌水率和各龄期抗压强度；得到训练样本和测试样本；将力学性能值与影响因素的各个配比值归一化处理，确定输入输出向量；
b.根据输入向量、输出向量构造符合胶结充填材料力学性能预测的BP神经网络模型，引入附加动量法和自适应学习速率改进BP神经网络预测模型，并根据实验预测精度要求，设定误差阀值；
c.利用训练样本训练建立的网络，测试样本测试训练后的网络，调整误差直至达标；
d.将需要预测的条件输入，即可输出对应的力学性能值。
在满足性能要求的基础上尽量减少胶结料的用量以降低材料成本，某矿最终确定材料 配比为：粉煤灰35％、白灰渣10％、水泥2％、矸石53％，料浆浓度为77％(因为在构造训练胶结充填材料力学性能预测的BP神经网络模型时输入向量为影响因素的各个配比值的归一化值，因此，本领域技术人员可以确定，预测时输入的配比值同样为归一化处理后的值)。经建立的网络预测该配比材料性能为：3d龄期强度0.76MPa，7d龄期强度1.62MPa，28d龄期强度 2.23MPa，坍落度176mm，泌水率2.75％，满足工程需求。
由上述内容可知，对比文件1公开了权利要求1中的一种预测方法，其中胶结充填材料即预测方法针对的目标，对应本申请中的投保单，坍落度等力学性能值即待预测值或目标值，对应本申请中的核保难度，料浆浓度等力学性能影响因素对应于影响核保难度的目标因素，料浆浓度等影响因素的具体配比值则对应于与目标因素对应的参数值，所述方法包括以下步骤：获取待计算待预测值的针对目标，提取所述针对目标中影响待预测值的目标因素，确定与每个所述目标因素对应的参数值，所述参数值是指计算机能够处理的数字表示；对所述参数值进行归一化处理得到标准参数值；将各个所述目标因素对应的所述标准参数值按照预设的规则组合为目标向量；将所述目标向量作为训练好的预测模型的输入，获取输出的与所述目标对应的预测值，所述预测模型是基于获取历史目标数据，确定训练样本集，获取所述训练样本集中每个历史目标对应的影响待预测值的影响因素以及相应的目标值；确定与每个所述影响因素对应的参数值，对所述参数值进行归一化处理得到标准参数值；将每个所述历史目标各个影响因素对应的标准参数值按照预设的规则组合为输入向量；将每个历史目标对应的输入向量作为输入样本，将相应的目标值作为期望的输出样本，对BP神经网络模型进行训练得到的，其中，确定待预测值预测模型的过程就是确定最终连接权值的过程。
权利要求1与对比文件1的区别在于：（1）预测针对的目标不同，从而所采取的数据和待计算预测值不同：本申请应用于投保单的投保难度的预测，采取的目标因素包括投保人数、被保人年龄、性别、保额及投保单位，而对比文件1应用于胶结充填材料力学性能的预测；本申请输出结果为单输出而对比文件1为多输出。（2）获取影响因素的过程不同：本申请是从历史保单中提取影响因素，而对比文件1是预先设定影响因素。（3）对每一类有效历史保单进行分类聚类，得到训练样本集。由此可见，权利要求1实际解决的问题为：如何将现有技术中胶结充填材料力学性能的预测方法应用于投保单的核保难度的预测、如何获取影响因素以及如何提高预测精度。
对比文件1已经公开了一种利用BP神经网络模型进行预测的方法，且公开了首先获取影响因素，以及对影响因素的参数值进行归一化处理等技术手段，而BP神经网络是通用的算法，其可以应用于多种领域，本领域技术人员能够想到将对比文件1公开的预测方法应用于保单核保难度的预测，并根据实际情况选择对应的参数、输入具体的数据，这是本领域的惯用手段。同时，对比文件1已经公开了根据需要预测的力学性能个数确定输出层的数量n（参见说明书第[0011]段），在需要预测的值的个数为1时，本领域技术人员能够想到将输出层数量设定为1。另外，对比文件1已经公开了获取影响因素，而根据实际情况从历史数据中提取影响因素是本领域的惯用手段。为了获得精确的预测结果，对历史数据进行分类聚类，将同一类的数据作为模型的训练样本，并剔除误差过大的样本以提高预测准确性，这属于本领域的惯用手段。
因此，在对比文件1的基础上结合本领域的惯用手段以获得权利要求1的方案对本领域技术人员来说是显而易见的，权利要求1的方案不具有突出的实质性特点和显著的进步，不具备专利法第22条第3款规定的创造性。
（2.2）权利要求2不具备专利法第22条第3款规定的创造性。
权利要求2对权利要求1作了进一步限定，对比文件1还公开了（参见说明书第[0050]-[0054]段）：c.利用训练样本训练建立的网络，测试样本测试训练后的网络；调整误差直至达标。采用文中表1和表2中对应的前17组数据作为训练样本，后3组数据作为测试样本。网络模型训练完成后对测试样本进行预测，预测结果见表4。采用改进的BP神经网络模型预测的胶结充填材料性质误差为0～11.89％，平均误差 6.27％，满足生产实践要求。
由此可见，对比文件1公开了权利要求2中的“获取检测样本集；将所述检测样本集中的输入样本作为所述训练得到的预测模型的输入，获取相应的输出值；判断所述输出值与所述标准输出值的误差是否在预设的范围内；若是，则将所述训练得到的预测模型作为训练好的预测模型”。
因此，在其引用的权利要求不具备创造性时，权利要求2也不具备专利法第22条第3款规定的创造性。
（2.3）权利要求3不具备专利法第22条第3款规定的创造性。
权利要求3对权利要求1作了进一步限定，然而，根据保单的核保难度进行保单的分配是保单核保中的惯用手段。
因此，在其引用的权利要求不具备创造性时，权利要求3也不具备专利法第22条第3款规定的创造性。
（2.4）权利要求4不具备专利法第22条第3款规定的创造性。
权利要求4要求保护一种核保难度预测的装置，其是与权利要求1的方法一一对应的装置权利要求，基于与权利要求1同样的评述理由，权利要求4也不具备专利法第22条第3款规定的创造性。
（2.5）权利要求5-6不具备专利法第22条第3款规定的创造性。
权利要求5-6分别要求保护的计算机设备以及计算机可读存储介质。计算机设备以及计算机可读存储介质是公知的设备，其执行的权利要求1-3任一项所述的方法不具备创造性，因而权利要求5-6也不具备专利法第22条第3款规定的创造性。
3、对复审请求人相关意见的评述
对于复审请求人答复复审通知书时所陈述的相关意见（参见案由部分），合议组认为：（1）BP神经网络是可应用于多个领域的通用算法；对比文件1已经公开了选取参数及训练样本通过BP神经网络模型进行预测方法，那么将上述通用的方法应用于其它领域的预测对于本领域技术人员来说不存在技术上的难度；在将该预测方法应用于核保难度预测时，仅是根据实际需要选取相应参数进行输入，并不需要对BP神经网络进行改进，其预测方法的实现不需要克服技术上的困难。（2）核保难度预测模型是基于从数据库中获取历史投保单，确定训练样本集，将每个历史投保单对应的输入向量作为输入样本，将相应的核保难度值作为期望的输出样本，利用BP神经网络进行预测。这与对比文件1中确定输入输出向量、利用训练样本训练建立的网络、将需要预测的条件输入得到相应的输出的预测方法，预测过程是一致的。而训练样本的选取可以根据预测的实际需要在相应领域进行合理选择，这是本领域的惯用手段。（3）为了获得精确的预测结果，对历史数据进行分类聚类，将同一类的数据作为模型的训练样本，并剔除误差过大的样本以提高预测准确性，这属于本领域的惯用手段。
综上，复审请求人的意见陈述不具有说服力。
基于上述事实和理由，合议组作出如下决定。
三、决定
维持国家知识产权局于2018年08月21日对本申请作出的驳回决定。
如对本复审决定不服，根据专利法第41条第2款的规定，复审请求人可自收到本复审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。
