①数据来源：自己从cnrds数据库下载的原始数据，未做任何处理 ②数据年份：不同表格不一致，很多表格比如上市公司绿色专利申请与获得都是从1991年开始的，目前除了引用里的被引用信息更新到23年11月底，其余均更新到23年底 ③数据内容：两个表格 数据清单： 各省市绿色专利申请与获得（内部是地级市） 各省市绿色专利申请情况 各省市绿色专利获得情况 地级市绿色专利申请与获取数量是中国专利领域内一个重要指标，它能够反映出不同地区在绿色技术创新与知识产权保护方面的活跃程度。通过分析从1990年至2023年的绿色专利数据，我们可以看到中国各个地级市在环境保护和可持续发展方面的努力和成果。 数据来源是本次分享的关键基础。文件中提到的数据是直接从cnrds数据库下载的原始数据，这保证了数据的真实性和原始性。由于数据没有经过任何处理，因此具有较高的研究价值，尤其是对那些希望了解中国地级市绿色专利历史趋势的研究者而言，这是一份宝贵的资料。 数据的时间跨度非常长，从1990年开始直至2023年，涵盖了超过30年的时间。这意味着研究者可以通过这份数据观察到绿色专利申请与获取在不同时间段内的变化情况，分析出哪些年份是绿色技术发展的高峰或低谷。特别是对于一些表格而言，如上市公司绿色专利申请与获得的数据是从1991年开始，这样的时间序列数据对历史趋势分析尤其重要。 数据内容包括了两个主要部分：各省市绿色专利申请与获得情况以及各省市绿色专利申请情况。这两部分数据能够反映出各省市在绿色技术创新方面的努力程度以及实际获得专利的数量。通过比较各省市的绿色专利申请与获得数量，我们可以发现哪些地区在绿色技术的研发方面更为积极，以及哪些地区在绿色专利保护方面做得更好。 这些数据可以帮助政策制定者、企业和研究机构分析绿色技术的发展趋势，为未来的绿色科技发展和环保政策制定提供依据。例如，哪些地级市在绿色专利申请与获取方面表现突出，可能与当地的政策支持、产业结构和创新能力有关。通过深入研究这些领先地区的成功经验，其他地区可以借鉴和学习，以促进全国范围内的绿色技术发展和环境保护。 此外，这份数据对于经济学、社会学和环境科学等领域的研究者来说，是一个非常实用的分析工具。通过对不同时间段和地区的绿色专利数据进行交叉对比，可以探索到绿色技术发展与经济社会发展之间的关系，以及绿色技术如何影响区域经济结构的转型和升级。 这份数据清单中还包含了对各省市绿色专利获得情况的统计，这不仅能够反映出各地区绿色专利的实际成果，而且还可以作为衡量各地区绿色创新能力的一种指标。通过对这些数据的深入分析，研究者可以评估出各地区的绿色创新潜力和环境可持续发展的前景。 地级市绿色专利申请与获取数量的数据是研究中国绿色专利发展史的一个重要资源。它不仅反映了中国在绿色专利申请和获取方面的历史成就，也为未来绿色技术的发展趋势分析提供了坚实的基础。通过对这份数据的深入研究，可以为相关的政策制定和技术创新提供宝贵的参考依据。

在医学影像学领域，快速准确地识别病变是临床诊断的关键。本发明提出了一种基于YOLO（You Only Look Once）卷积神经网络的胆石病CT医疗图像快速识别方法。YOLO算法是一种以速度见长的深度学习模型，它将目标检测问题转化为单个回归问题，将图像分割成一个个格子，在每个格子中预测边界框和概率。该技术对于实时目标检测具有高效、快速的优点。 在胆石病的CT图像识别中，传统的图像处理方法常常受限于复杂的背景和不明显的病变特征，而基于YOLO卷积神经网络的方法则能高效地从复杂的医学图像中提取并识别出胆石的存在。此方法的实现主要通过以下几个步骤：首先是图像预处理，包括图像的缩放、归一化等操作，以适应神经网络的输入要求；其次是网络训练，通过带有标签的胆石病CT图像样本训练YOLO模型，使其能够学习到胆石的特征；接着是识别，训练完毕的模型能够在新的CT图像中快速地定位并识别出胆石；最后是结果输出，将识别出的胆石病变区域以直观的方式显示出来，供医生进行诊断参考。 本发明不仅提高了胆石病诊断的准确率和速度，还降低了医生的工作强度。YOLO算法的实时性让它在医疗领域具有广泛的应用前景，特别是在急诊情况下的快速筛查。此外，本方法还可推广应用于其他类型的医学影像分析，如肝脏、肺部等其他器官的疾病识别。 由于YOLO卷积神经网络的结构特点，本发明的识别系统在处理医疗图像时不仅速度快，而且准确率高，这对于推动智能医疗和远程医疗服务的发展具有重要意义。随着深度学习技术的不断进步和医疗数据的积累，此类基于人工智能的医疗诊断技术有望成为未来医疗领域的主流。 本发明的提出者显然深刻认识到了实时准确识别疾病的重要性，并将人工智能技术尤其是深度学习中的YOLO算法与医疗图像处理相结合，实现了对胆石病的快速、自动化诊断。这不仅能够有效辅助医生的诊断工作，还可能对未来医学影像学的发展方向产生重大影响。 本方法的实施，可以极大地提高医疗机构对胆石病诊断的效率和准确性，对于提高患者救治成功率、减少医疗错误和减轻医疗资源压力都有显著贡献。同时，该技术的推广应用有望成为医疗行业的一个新的增长点，带动相关技术和服务的发展。基于YOLO卷积神经网络的胆石病CT图像快速识别方法，为智能医疗领域提供了新的思路和工具，具有深远的现实意义和广阔的应用前景。

ST单电阻PMSM 方案专利文档，用于解决非观测区电流采样问题。 专利号US20090284194

文档支持目录章节跳转同时还支持阅读器左侧大纲显示和章节快速定位，文档内容完整、条理清晰。文档内所有文字、图表、函数、目录等元素均显示正常，无任何异常情况，敬请您放心查阅与使用。文档仅供学习参考，请勿用作商业用途。 想轻松敲开编程大门吗？Python 就是你的不二之选！它作为当今最热门的编程语言，以简洁优雅的语法和强大的功能，深受全球开发者喜爱。该文档为你开启一段精彩的 Python 学习之旅。从基础语法的细致讲解，到实用项目的实战演练，逐步提升你的编程能力。无论是数据科学领域的数据分析与可视化，还是 Web 开发中的网站搭建，Python 都能游刃有余。无论你是编程小白，还是想进阶的老手，这篇博文都能让你收获满满，快一起踏上 Python 编程的奇妙之旅！

小样本学习-专利分类-自然语言处理_FewShotClassification

包含专利法，专利法细则，专利说明书撰写要求

### 发明专利申请知识点详解 #### 一、概述 本文档详细介绍了一种创新的方法——**基于特征融合的代码克隆检测方法**。该方法旨在提高代码克隆检测的准确性和效率，尤其适用于软件开发和维护过程中对代码重复性的检查。 #### 二、核心概念与背景 **代码克隆**是指在不同的源代码文件或同一文件的不同位置中出现相同或几乎相同的代码片段的现象。这种现象可能会导致软件质量下降、维护成本增加等问题。因此，有效地检测和管理代码克隆是非常重要的。 **特征融合**是指将多种不同类型的特征结合起来，形成更加强大和全面的特征表示方法。这种方法可以显著提高机器学习模型的性能，尤其是在文本分析、图像识别等领域有着广泛的应用。 #### 三、关键技术步骤详解 本发明的核心技术分为四个主要步骤： 1. **训练阶段**： - 使用已标注的克隆代码对进行预处理，如裁剪和标准化等。 - 将代码块编译为Java字节码文件。 - 提取多种特征（包括字节码依赖图BDG、抽象语法树AST和程序控制依赖图PDG），并通过特定的方式进行特征融合，从而创建一个训练数据集。 2. **字节码依赖图(BDG)特征提取**： - 输入为Java源代码。 - 输出为包含M个BDG特征的集合。 - 通过Javac编译器生成字节码文件，并使用特定算法计算出BDG的目标属性频率。 3. **抽象语法树(AST)特征提取**： - 输入同样为Java源代码。 - 输出为包含N个AST特征的集合。 - 通过生成AST并遍历非叶节点，计算AST属性的频率。 4. **程序控制依赖图(PDG)特征提取**： - 输入也为Java源代码。 - 输出为PDG特征。 - 从PDG中提取数据依赖和控制依赖特征，这些特征能够表示代码中的数据流动路径以及基本的代码执行顺序。 5. **测试阶段**： - 对新的代码块执行与训练阶段相同的步骤，即提取BDG、AST和PDG特征，并进行特征融合。 - 通过训练好的分类器预测代码对的克隆类型。 #### 四、技术细节深入探讨 1. **字节码依赖图(BDG)**： - BDG是一种表示字节码指令间依赖关系的图结构。 - 通过计算指令间的依赖关系频率来表征代码的含义。 - 具体实现上，首先调用Javac编译器将Java源代码转换为字节码文件，然后通过一系列操作提取出BDG特征。 2. **抽象语法树(AST)**： - AST是一种树状结构，用于表示源代码的结构化信息。 - AST的每个节点对应源代码的一个小部分，叶节点通常表示变量。 - 通过对AST进行后序遍历并统计非叶节点的频率来提取AST特征。 3. **程序控制依赖图(PDG)**： - PDG用于表示代码中的数据和控制依赖关系。 - 数据依赖关系表示数据流动的路径，而控制依赖则表示代码执行的顺序。 - PDG特征的提取涉及到对代码的深入分析，以获取更深层次的语义信息。 4. **特征融合**： - 特征融合是指将不同类型的特征结合在一起，以获得更丰富的信息表示。 - 在本发明中，通过融合BDG、AST和PDG特征，可以更全面地描述代码块的特性，从而提高克隆检测的准确性。 #### 五、总结 本发明提出了一种基于特征融合的代码克隆检测方法，该方法通过综合考虑字节码依赖图、抽象语法树和程序控制依赖图等多种特征，有效地提高了代码克隆检测的性能。此外，通过详细的步骤说明和技术细节介绍，使得该方法具有较强的实用性和可操作性，为软件工程领域的代码质量管理提供了一种有效的工具。

发明专利模板解读 本资源提供了一个完整的发明专利模板，供参考和提交给代理人，旨在帮助发明者和代理人更好地理解和编写专利申请文件。该模板涵盖了发明专利的所有要素，包括技术背景、现有技术方案、技术问题、发明目的、本发明技术方案、关键点和欲保护点、优点、替代方案和其他相关信息。 技术背景 技术背景是发明专利的基础，包括大的技术背景和小的技术背景。技术背景的介绍应该详细、清晰，使得代理人和读者可以轻松地理解该技术领域的当前状态。 现有技术方案 现有技术方案是指当前最相近似的技术方案，包括已经公开的专利、期刊、书籍等。该部分应当详细介绍当前技术的缺点和不足，以便更好地突出本发明的优点。 技术问题 技术问题是指当前技术无法解决的问题，包括成本高、误码率高、反应速度慢等类似问题。该部分应当详细介绍当前技术的缺点，并描述本发明的目的和优点。 本发明技术方案 本发明技术方案是指当前发明的详细介绍，包括结构图、文字说明、工艺步骤、结构说明、原理说明、动作关系说明等。该部分应当详细提供发明的每一功能的实现方案，使读者可以轻松地理解本发明的技术方案。 关键点和欲保护点 关键点和欲保护点是指本发明的核心技术点，包括发明的关键创新点和欲保护点。该部分应当简要地列出关键点，帮助代理人更好地理解本发明的技术方案。 优点 优点是指本发明相比当前技术的优势，包括成本低、误码率低、反应速度快等类似优势。该部分应当简要地介绍本发明的优点，并与当前技术进行比较。 替代方案 替代方案是指本发明可能的替代方案，包括部分结构、器件、方法步骤的替代等。该部分应当详尽地写明替代方案，以扩大专利的保护范围，防止他人绕过本技术去实现同样的发明目的。 其他相关信息 其他相关信息是指对代理人有助于理解本技术的资料，包括背景技术、详尽的技术方案、其他相关信息等。该部分应当提供更多的信息，以便代理人更好、更快地完成申请文件。 本资源提供了一个完整的发明专利模板，旨在帮助发明者和代理人更好地理解和编写专利申请文件。该模板涵盖了发明专利的所有要素，旨在帮助读者更好地理解和编写专利申请文件。

表名称：“1990-2022地级市专利授权数”。 1.指标： 当年获得的发明数量：表示每个会计年度内获得的发明专利数量。 当年获得的实用新型数量：表示每个会计年度内获得的实用新型专利数量。 当年获得的外观设计数量：表示每个会计年度内获得的外观设计专利数量。 专利授权数：表示每个会计年度内获得的所有类型专利授权的总数。 2.包含的年份：数据集包含了从1990年至2022年的专利授权信息。 3.包含的城市：数据集包含了多个城市的专利授权信息，包括但不限于安徽省的安庆市、蚌埠市、亳州市、巢湖市、池州市、滁州市、阜阳市、合肥市，广东省的潮州市、东莞市、佛山市、广州市、河源市、惠州市、江门市、揭阳市、茂名市、梅州市、清远市、汕头市、汕尾市、韶关市、深圳市、阳江市、云浮市、湛江市、肇庆市、中山市、珠海市等。

专利检索免费工具 这是一个专利检索免费工具 可以帮助你更加快速的检索到你想要的专利哦