| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题项目来源 | 第10页 |
| 1.2 本文研究背景目的及意义 | 第10-11页 |
| 1.2.1 本文研究意义 | 第11页 |
| 1.3 相关领域的国内外研究现状 | 第11-17页 |
| 1.3.1 专利价值评估国内外研究现状 | 第11-14页 |
| 1.3.2 预测算法研究及应用国内外研究现状 | 第14-17页 |
| 1.3.3 文献综合评述 | 第17页 |
| 1.4 研究内容 | 第17-19页 |
| 第2章 专利价值评估模型与价值评估相关算法分析 | 第19-33页 |
| 2.1 专利价值评估模型构建 | 第19-24页 |
| 2.1.1 影响因素分析及指标选取 | 第19-21页 |
| 2.1.2 专利价值评估指标体系建立 | 第21-23页 |
| 2.1.3 评价指标量化 | 第23-24页 |
| 2.2 专利价值评估适用相关算法分析 | 第24-32页 |
| 2.2.1 BP神经网络算法及其分析 | 第24-27页 |
| 2.2.2 SVM算法及其分析 | 第27-28页 |
| 2.2.3 DBNs（Deep Belief Networks）算法及其分析 | 第28-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 专利价值评估算法比较选取与优化 | 第33-56页 |
| 3.1 数据准备 | 第33-40页 |
| 3.1.1 测试数据集选取 | 第33-34页 |
| 3.1.2 MAX-MIN数据标准化 | 第34-36页 |
| 3.1.3 PCA数据降维 | 第36-37页 |
| 3.1.4 LOF异常数据处理 | 第37-40页 |
| 3.2 专利价值预测适用算法测试评估比较 | 第40-49页 |
| 3.2.1 预测算法评估指标 | 第40-41页 |
| 3.2.2 三种预测算法实现 | 第41-47页 |
| 3.2.3 算法训练及预测效果的结果分析 | 第47-49页 |
| 3.3 DBNs算法优化 | 第49-55页 |
| 3.3.1 DBNs传输函数优化 | 第49-51页 |
| 3.3.2 DBNs网络结构优化 | 第51-54页 |
| 3.3.3 DBNs基于概率优化 | 第54-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第4章 基于改进的DBNs算法的专利价值评估系统实现 | 第56-75页 |
| 4.1 系统预备工作 | 第56-61页 |
| 4.1.1 SOA架构 | 第56-58页 |
| 4.1.2 网络数据爬虫 | 第58-61页 |
| 4.2 基于改进的DBNs算法的专利价值评估预测 | 第61-64页 |
| 4.3 系统架构 | 第64-66页 |
| 4.4 系统实现及测试 | 第66-74页 |
| 4.4.1 系统实现 | 第66-71页 |
| 4.4.2 系统测试 | 第71-74页 |
| 4.5 本章小结 | 第74-75页 |
| 第5章 总结和展望 | 第75-77页 |
| 5.1 全文工作总结与创新 | 第75-76页 |
| 5.1.1 全文工作总结 | 第75-76页 |
| 5.1.2 主要创新点 | 第76页 |
| 5.2 未来研究展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-81页 |