DOI：10.19327/j.cnki.zuaxb.1007-1199.2025.01.007

摘 要：2023年人工智能領(lǐng)域?qū)06F18分類號納入了審查范圍，G06F18分類號描述為模式識別，模式識別是人工智能領(lǐng)域一個重要的分支，該類分類號在IPC分類表2023年1月版本中首次出現(xiàn)。介紹G06F18及其下屬條目分類號的含義，對G06F18分類號的分類位置進行解析。利用共現(xiàn)分析方法分析模式識別交叉領(lǐng)域的分類號，有助于審查員對G06F18領(lǐng)域以及交叉領(lǐng)域申請分類號的了解、使用，提高本領(lǐng)域與跨領(lǐng)域分類、檢索效率。

關(guān)鍵詞：模式識別；人工智能；G06F18；共現(xiàn)分析

中圖分類號：G255.53" 文獻標(biāo)識碼：A" "文章編號：1007-1199（2025）01-0039-09

近些年來，隨著人工智能算法尤其是機器學(xué)習(xí)和深度學(xué)習(xí)的提出、計算機設(shè)備算力的增強，人工智能技術(shù)及其相關(guān)產(chǎn)業(yè)飛速發(fā)展，從而使得人工智能領(lǐng)域的專利申請呈爆發(fā)式增長。模式識別是人工智能領(lǐng)域的基礎(chǔ)，它同樣取得了令人矚目的成就。

模式識別是指對表征事物或現(xiàn)象的各種形式的信息進行處理和分析，對事物或現(xiàn)象進行描述、辨認(rèn)、分類和解釋的過程，是信息科學(xué)和人工智能的重要組成部分［1］。模式識別可對語音、地震波、心/腦電圖、圖像、文字、符號、生物傳感器等對象的具體模式進行辨識和分類，它廣泛應(yīng)用于圖像識別、語音識別、生物信息學(xué)等多領(lǐng)域中，作為人工智能技術(shù)基礎(chǔ)學(xué)科的模式識別技術(shù)的專利申請量也在不斷地增長。

在國際專利分類表（IPC）2022.01［2］及以前的版本中，模式識別并未有專門的分類號，常被劃分在分類號G06K9/00、G06V等下，如G06K9/00識別模式的方法或裝置，G06V30/00面向文檔的基于圖像的模式識別，都是針對特定技術(shù)領(lǐng)域進行模式識別，且未進行技術(shù)細(xì)分，不利于模式識別相關(guān)專利的分類和檢索。2023年發(fā)布的國際專利分類表（IPC）2023.01 ［3］對模式識別的分類標(biāo)準(zhǔn)進行了較大幅度的修訂，在修訂過程中，新增了G06F18/00模式識別大組分類號，在該分類號下增加了大量技術(shù)分支，可有效提高本領(lǐng)域文獻檢索分類的準(zhǔn)確性和效率。

本文針對IPC分類表在這次修訂中新增的G06F18分類設(shè)置進行解析，并對G06F18領(lǐng)域分類號進行共現(xiàn)分析，結(jié)合相關(guān)案例探討G06F18分類號在人工智能領(lǐng)域及跨領(lǐng)域分類、檢索中的有效性。

1 模式識別IPC分類修訂情況

1.1 修訂前后IPC分類位置比對

在國際專利分類表（IPC）2022.01中，模式識別分類位置比較分散，大都劃分在分類號G06K9（識別模式的方法或裝置）、G06T7（圖像分析）、G06V（圖像或視頻識別或理解）、A61B5（用于診斷目的的測量；人的辨識）下，涉及模式分類、對象識別、客體識別等，但并未對其進行技術(shù)細(xì)分，在實際分類和檢索中，上述分類位置并不能精準(zhǔn)地體現(xiàn)發(fā)明點和發(fā)明構(gòu)思，不利于文獻的有效分類和檢索。

修訂后的國際專利分類表（IPC）2023.01中將分類號G06K9刪除，新增了大組G06F18/00以及其下位點組，專門用于對模式識別進行分類。其包含了4個一點組、9個二點組、8個三點組、21個四點組、2個五點組，涉及預(yù)處理、分析、后處理、特別適用于模式識別的軟件裝置等各類模式識別的技術(shù)主題。

1.2 G06F18分類位置

模式識別通常包括數(shù)據(jù)的獲取和預(yù)處理、特征提取與選擇、分類或聚類、后處理四個主要部分。修訂后的國際專利分類表（IPC）2023.01以技術(shù)方案涉及的功能對模式識別分類號進行劃分，在大組G06F18/00模式識別下設(shè)置了三個一點組，詳見圖1，分別為G06F18/10預(yù)處理、數(shù)據(jù)清理，G06F18/20分析，G06F18/30后處理。涉及模式識別的主要流程步驟：G06F18/10預(yù)處理、數(shù)據(jù)清理對應(yīng)了模式識別流程的最初階段；G06F18/20分析對應(yīng)了模式識別流程的特征提取與選擇、分類或聚類；G06F18/30后處理對應(yīng)了模式識別流程的最后一個環(huán)節(jié)。

另外，還根據(jù)技術(shù)方案涉及的應(yīng)用劃分了一點組G06F18/40特別適用于模式識別的軟件裝置，例如用戶界面或工具箱。對檢索有利的技術(shù)主題都應(yīng)該被分類，2023.01版IPC基于模式識別關(guān)鍵手段對IPC分類表進行了擴充，增設(shè)了大量細(xì)分條目，具體為：

1.2.1 G06F18/10

G06F18/10為2023.01版IPC新增的技術(shù)主題，其分類含義為：預(yù)處理；數(shù)據(jù)清理。其下包含了1個二點組G06F18/15統(tǒng)計預(yù)處理，例如標(biāo)準(zhǔn)化或恢復(fù)缺失數(shù)據(jù)的技術(shù)，詳見表1。預(yù)處理是模式識別的最初階段，原始數(shù)據(jù)常需要經(jīng)過預(yù)處理，以消除數(shù)據(jù)噪聲，減少數(shù)據(jù)的維度，或者將數(shù)據(jù)轉(zhuǎn)換為更適合后續(xù)處理的形式，數(shù)據(jù)預(yù)處理的方法有很多，例如歸一化、標(biāo)準(zhǔn)化等。

雖然模式識別可對各種形式數(shù)據(jù)（主要是感知數(shù)據(jù)，如圖像、視頻、語音等）進行處理和分析，但對于圖像、視頻識別的預(yù)處理，有專門的分類位置：G06V10/20（圖像預(yù)處理）、G06V10/72（數(shù)據(jù)準(zhǔn)備，例如 圖像或視頻特征的統(tǒng)計預(yù)處理）、G06V30/16（字符識別下的圖像預(yù)處理）；對于語音識別的預(yù)處理，其專門的分類位置為G10L17/02（預(yù)處理操作，例如：片斷選擇；模式表示或模擬，例如基于線性判別式分

析（LDA）或主要部件；特征選擇或提?。?。因此，可以確定G06F18/10所涉及的預(yù)處理對象是除圖像、語音的數(shù)據(jù)，如故障數(shù)據(jù)、振動信號、時序數(shù)據(jù)等，在實際分類和檢索時可針對專利申請預(yù)處理數(shù)據(jù)的不同將其分類到合適的預(yù)處理位置。另外，在專利申請同時涉及多種形式數(shù)據(jù)時，為了便于檢索，可進行多重分類。如專利申請同時涉及故障信號檢測和故障圖像檢測的預(yù)處理，可將其分類到G06F18/10和G06V10/20下。

1.2.2 G06F18/20

G06F18/20為2023.01版IPC分類表新增的技術(shù)主題，其分類含義為：分析。該技術(shù)主題是模式識別的核心，包括了G06F18/21（識別系統(tǒng)或技術(shù)的設(shè)計與設(shè)置；特征空間中的特征提??；盲源分離）、G06F18/22（匹配標(biāo)準(zhǔn)，例如相鄰性測量）、G06F18/23（聚類技術(shù)）、G06F18/24（分類技術(shù)）、G06F18/25（融合技術(shù)）、G06F18/26（發(fā)現(xiàn)頻繁模式）、G06F18/27（回歸，例如線性或邏輯回歸）、G06F18/28（確定有區(qū)分的參考模式，如平均或變形模式；產(chǎn)生字典）。其中特征提取、分類、聚類是模式識別分析中的關(guān)鍵技術(shù)，下面重點針對上述三個分類號進行著重分析。

1）G06F18/21

特征提取是模式識別的核心環(huán)節(jié)之一，修訂后的IPC分類號對G06F18/21進行了進一步細(xì)分，增加了更多的技術(shù)分支，可根據(jù)相關(guān)技術(shù)方案進行精準(zhǔn)的下位劃分，詳見圖2。

在2023.01版IPC分類表中，關(guān)于特征提取的分類位置還包括：G06V10/46（形狀、輪廓或點相關(guān)描述符的描述符，例如 尺度不變特征變換 [SIFT] 或詞袋 [BOW]；顯著區(qū)域特征（顏色特征提取G06V10/56））、

G06V10/62（與時間維度相關(guān)，例如基于時間的特征提?。?模式跟蹤）、G10L15/02（語音識別的特征提??；識別單位的選擇）。由于G06V10大組的含義為圖像或視頻識別或理解的安排，G10L15大組的含義為語音識別，因此，在實際分類和檢索時可針對專利申請?zhí)卣魈崛?shù)據(jù)的不同將其分類到合適的預(yù)處理位置。

2）G06F18/23和G06F18/24

模式識別從處理問題的性質(zhì)和解決問題的方法等角度，可分為有監(jiān)督分類（分類）和無監(jiān)督分類（聚類），分類和聚類是模式識別的關(guān)鍵環(huán)節(jié)。修訂后的IPC分類號增設(shè)了G06F18/23聚類技術(shù)和G06F18/24分類技術(shù)的分類位置，并對相關(guān)技術(shù)分支進行了多級擴展，覆蓋了模式識別中常用的分類和聚類方法，詳見圖3、圖4。

在2023.01版IPC分類表中，關(guān)于聚類和分類的分類位置還包括G06F16/35、G06F16/45、G06F16/55、G06F16/65、G06F16/75，其分類含義為聚類；分類。僅從類名和分類定義上容易將其與模式識別的聚類技術(shù)和分類技術(shù)混淆，但是小組范圍的確定限于其大組和其上面任何一級小組的有效范圍內(nèi)，從G06F16/00大組的分類含義信息檢索、數(shù)據(jù)庫結(jié)構(gòu)、文件系統(tǒng)結(jié)構(gòu)可知，上述分類號分別針對的是數(shù)據(jù)對象為非結(jié)構(gòu)文本數(shù)據(jù)、多媒體數(shù)據(jù)、靜態(tài)圖像數(shù)據(jù)、音頻數(shù)據(jù)、視頻數(shù)據(jù)，其分類和聚類均是為數(shù)據(jù)庫檢索非結(jié)構(gòu)文本數(shù)據(jù)等特定對象服務(wù)的。

另外，G06V小類中對于圖像或視頻也給出了分類、聚類的分類號，其在小類索引中指出：在本小類中，下列術(shù)語或表述的使用具有指明的含義：模式識別是指通過獲取、預(yù)處理或提取顯著特征并對這些特征進行匹配、聚類或分類，對模式進行檢測、分類、認(rèn)證和識別，以用于解釋目的從圖像或視頻中推導(dǎo)出某種含義；特征提取是指從圖像或視頻中得出描述性或定量的度量；聚類是指根據(jù)模式的不同與相似性或接近程度對模式進行分組或分離；分類是指通過分配標(biāo)簽將對象/特征識別為屬于一類對象/特征。其下包含G06V10/26（圖像區(qū)域中的圖案分割；切割或合并圖像元素以建立圖案區(qū)域，例如基于聚類的技術(shù)；遮擋檢測）、G06V10/762（使用聚類，例如 社交網(wǎng)絡(luò)中的相似面孔）、G06V10/764（使用分類，例如視頻對象）、G06V30/413（內(nèi)容分類，例如文字、照片或表格）。由此可見，G06V小類下關(guān)于分類、聚類的分類號是針對特定數(shù)據(jù)對象進行分類的，如圖像、視頻、文字等。因此，可以確定G06F18/20中所涉及的分類、聚類處理對象是針對除圖像、文字等的數(shù)據(jù)，在進行分類和檢索時，可針對專利申請?zhí)幚頂?shù)據(jù)的選擇不同的分類號。另外，在專利申請同時涉及多種形式數(shù)據(jù)的分類和聚類時，為了便于檢索，基于多重分類原則，可同時將其分類到G06F18/23、G06F18/24和G06V下。

1.2.3 G06F18/30

G06F18/30為2023.01版IPC新增的技術(shù)主題，其分類含義為：后處理。IPC中未對其進一步細(xì)分。模式識別中的后處理是利用對象模式與周圍模式的相關(guān)性驗證模式類別的過程［4］。在分類和檢索的過程中，要注意分類號：G06V30/26（后處理技術(shù)，例如 修正識別結(jié)果），單從分類含義上容易與模式識別的后處理相混淆，查看G06V30/26的上位點組G06V30/10（字符識別）可知，G06V30/26是針對字符識別的后處理，在分類和檢索實踐中還是需要根據(jù)處理對象將其分類到相應(yīng)的位置。

2 G06F18領(lǐng)域IPC跨領(lǐng)域分類號共現(xiàn)分析

模式識別技術(shù)作為對事物或現(xiàn)象進行描述、辨認(rèn)、分類和解釋的過程被廣泛應(yīng)用于不同的領(lǐng)域，如圖像識別和計算機視覺、語音識別、自然語言處理等，并且其應(yīng)用領(lǐng)域一直在不斷拓展。模式識別的專利申請也常常涉及各種應(yīng)用領(lǐng)域，相關(guān)專利的分類號不僅要根據(jù)模式識別涉及的功能和應(yīng)用將其分類到G06F18下各分支，還常常根據(jù)處理的數(shù)據(jù)類型、涉及的具體領(lǐng)域?qū)Ψ诸愄栠M行多維度分類。因此，技術(shù)交叉融合案件難以在分類表中確定準(zhǔn)確位置。

共現(xiàn)分析是將各種信息載體中的共現(xiàn)信息用定量化的分析方法，以揭示信息的內(nèi)容關(guān)聯(lián)和特征項所隱含的寓意，科技論文中的共現(xiàn)是指相同或不同類型特征項共同出現(xiàn)的現(xiàn)象，如多篇論文之間共同共現(xiàn)的主題（關(guān)鍵詞）、合作者、合作機構(gòu)，以及論文與關(guān)鍵詞、機構(gòu)與作者共同出現(xiàn)等［5］。當(dāng)一件專利擁有兩個或兩個以上的分類號時，可以將這種情況稱為分類號的共現(xiàn)。分類號共現(xiàn)反映了兩個專利分類號所代表的技術(shù)領(lǐng)域交叉［6］。為了得到模式識別與其他領(lǐng)域間的關(guān)聯(lián)性，可以基于VOSviewer軟件通過分類號共現(xiàn)分析方法得到與G06F18領(lǐng)域相關(guān)聯(lián)的交叉領(lǐng)域，并進行可視化分析。

2.1 樣本數(shù)據(jù)

選擇HimmPat專利數(shù)據(jù)庫，以“G06F18/+/icm”（G06F18/+為主分類）為關(guān)鍵詞在國內(nèi)庫進行檢索，得到26 664條記錄，下載每個專利的分類號信息，導(dǎo)入Excel中進行匯總。經(jīng)過數(shù)據(jù)去重、清洗得到19 689條記錄，按照申請日排序選取最近的6050條數(shù)據(jù)進行專利分類號共現(xiàn)分析。

2.2 數(shù)據(jù)轉(zhuǎn)換

本文進行專利分類號共現(xiàn)分析是基于VOSviewer可視化軟件工具進行。VOSviewer是一款通過網(wǎng)絡(luò)數(shù)據(jù)的關(guān)系構(gòu)建可視化分析，實現(xiàn)科學(xué)知識圖譜的繪制，展現(xiàn)知識領(lǐng)域的結(jié)構(gòu)、進化、合作等關(guān)系的軟件工具，可支持從Web of Science、Scopus、Dimensions和Lens中下載的數(shù)據(jù)，因目前不支持對Excel格式直接分析，需要對獲取的數(shù)據(jù)進行格式轉(zhuǎn)換。利用Python將獲取到的數(shù)據(jù)轉(zhuǎn)換為refworks格式。

2.3 數(shù)據(jù)分析

將轉(zhuǎn)換后的refworks格式數(shù)據(jù)導(dǎo)入到VOSviewer軟件中，選擇關(guān)鍵詞出現(xiàn)頻次的閾值，閾值越高，出現(xiàn)在共現(xiàn)網(wǎng)絡(luò)圖中的關(guān)鍵詞就會越少。經(jīng)查看待分析數(shù)據(jù)的分類號，大多數(shù)數(shù)據(jù)涉及多個分類號，且待分析數(shù)據(jù)中的分類號數(shù)量超過一千個，因此，設(shè)置關(guān)鍵詞最小次數(shù)為63，選擇前70位的IPC分類號進行共現(xiàn)分析，可得到如圖5所示的共現(xiàn)網(wǎng)絡(luò)圖。

共現(xiàn)網(wǎng)絡(luò)圖中圓圈和標(biāo)簽組成一個元素，每個元素表示一個IPC分類號，元素的大小取決于節(jié)點的度、連線的強度等，圓圈越大則代表該IPC分類號出現(xiàn)的頻次越高，兩個圓圈之間的距離表示了兩個IPC分類號之間的關(guān)聯(lián)性，圓圈間的連線表示分類號間具有共現(xiàn)情況?；陉P(guān)鍵詞出現(xiàn)的頻次（Occurrences）統(tǒng)計，G06F18領(lǐng)域排名靠前的分類號分別為：G06F18/214（生成訓(xùn)練模式；自引導(dǎo)方法，如捕獲，促進）、G06F18/213（特征提取，例如通過變換特征空間；概括；映射，例如空間方法）、G06F18/25（融合技術(shù)）、G06F18/10（預(yù)處理；數(shù)據(jù)清理）、G06F18/22（匹配標(biāo)準(zhǔn)，例如相鄰性測量）、G06F18/24（分類技術(shù)）。從共現(xiàn)網(wǎng)絡(luò)圖中可以清晰地看出，模型的訓(xùn)練、特征提取方法、多技術(shù)融合、數(shù)據(jù)的預(yù)處理、匹配和分類方法在待分析數(shù)據(jù)中出現(xiàn)的頻次較高，屬于G0618領(lǐng)域的熱門技術(shù)主題。本領(lǐng)域和跨領(lǐng)域人員在進行G06F18領(lǐng)域?qū)彶闀r，可以重點關(guān)注上述分類號下的相關(guān)技術(shù)知識。

當(dāng)一個分類號與其他分類號共現(xiàn)的頻次越高，則表明該分類號所屬領(lǐng)域與其他分類號所屬領(lǐng)域存在的技術(shù)交叉越多。從圖5中可以看出，G06F18領(lǐng)域除了本領(lǐng)域內(nèi)的分類號，還存在與其他多個分類號相關(guān)。VOSviewer中的總連接強度（Total link Strength）代表關(guān)鍵詞與其他關(guān)鍵詞總的共現(xiàn)次數(shù)，為了分析與G06F18領(lǐng)域存在技術(shù)交叉的領(lǐng)域，基于總連接強度統(tǒng)計，獲得排名前10的分類號如表2所示。

另外，基于70個分類號所屬大組進行統(tǒng)計，得到除G06F18領(lǐng)域外排名靠前的大組為：G06N3（22個）、G06F17（5個）、G06N5（5個）、G06Q10（5個）、G06Q50（4個）。由上述統(tǒng)計分析可知，G06F18領(lǐng)域與G06N3、G06F17、G06Q10、G06Q50等領(lǐng)域存在交叉，即在模式識別的過程中會與基于生物模型的計算機系統(tǒng)（如：神經(jīng)網(wǎng)絡(luò)、粒子群優(yōu)化等算法）、特定數(shù)據(jù)處理、行政管理（如旅行路線優(yōu)化、項目管理等）、特定商業(yè)行業(yè)（如農(nóng)業(yè)、電力、制造業(yè)等行業(yè)）等領(lǐng)域交叉，交叉領(lǐng)域分類號的擴展也是檢索中的關(guān)鍵。因此，在進行模式識別分類、檢索時，基于交叉領(lǐng)域適當(dāng)?shù)臄U展分類號可以有效提高檢索效率。

3 模式識別修訂后分類和檢索應(yīng)用示例

2022.01版的IPC分類表中，模式識別常常劃分在多個分類位置中，且未對其進行細(xì)分。修訂后的2023.01版的IPC分類表中新增模式識別G06F18分類小組，并在該小組下按照功能和應(yīng)用新增了大量分支，分類位置范圍變得更加明確。分類的目的是為了檢索，分類位置的更加明確將大大提高檢索效率，下面結(jié)合實際案例進行舉例說明。

3.1 案例一

一種基于部件特性的航空發(fā)動機多故障并發(fā)診斷方法，包括如下步驟：

步驟1：根據(jù)發(fā)動機對象子部件數(shù)目確定總體標(biāo)簽數(shù)目l，利用標(biāo)簽之間的關(guān)聯(lián)性建立非光滑凸優(yōu)化的目標(biāo)函數(shù)；

步驟2：求解目標(biāo)函數(shù)，得到權(quán)重重構(gòu)矩陣，即得到多標(biāo)簽分類所需的標(biāo)簽指定特征子集；

步驟3：將總體分類目標(biāo)分解為l個獨立的子問題；

步驟4：對于每個子問題，利用二分類算法訓(xùn)練子分類器，其所需的特征由相應(yīng)的標(biāo)簽來決定；

步驟5：將未知樣本分別代入l個子分類器模型得到l個樣本標(biāo)簽，構(gòu)成未知樣本的預(yù)測標(biāo)簽向量。[7]

IPC原分類號：G06K9/62（應(yīng)用電子設(shè)備進行識別的方法或裝置）、G07C5/08（登記或指示除駕駛、運行、空轉(zhuǎn)或等候時間以外的性能數(shù)據(jù)，其中登記或不登記駕駛、運行、空轉(zhuǎn)或等候時間）、G07C5/00（登記或指示車輛的運行）。

本案涉及航空發(fā)動機部件特征的多故障并發(fā)診斷識別，因此按照2023.01版以前的IPC分類表，只能將其分類到G06K9/62。

發(fā)明構(gòu)思：為突破傳統(tǒng)的故障診斷技術(shù)只借助單標(biāo)簽學(xué)習(xí)方法來解決問題的局限，通過多標(biāo)簽學(xué)習(xí)改進binary relevance策略的多標(biāo)簽學(xué)習(xí)算法MLFS-SVM（Multi-label classification using label-specific features），可以借助多標(biāo)簽策略來解決航空發(fā)動機多故障并發(fā)診斷難題，且利用標(biāo)簽之間的關(guān)聯(lián)性和基于標(biāo)簽的特性來提升預(yù)測結(jié)果。

通過分析2023.01版的IPC分類表和案例一技術(shù)方案可知，其技術(shù)主題涉及基于MLFS-SVM算法的多故障識別，可分類到G06F18/2411；涉及多故障分類，可分類到G06F18/2431；還基于二分類學(xué)習(xí)算法訓(xùn)練分類器，可分類到G06F18/214；方案中還將多標(biāo)簽學(xué)習(xí)中改進的binary relevance策略和二分類機器學(xué)習(xí)算法融合建立模型，可分類到G06F18/25，具體分類含義參見表3。對比修訂前后的IPC分類結(jié)果可知，修訂后的對模式識別技術(shù)進行了更為細(xì)致的分解，可以準(zhǔn)確地反映該技術(shù)方案的主題與附加信息，更有利于針對性地進行檢索。

通過上述分類實例可以看出，修訂后的G06F18分類號對模式識別技術(shù)進行了更為細(xì)致的分解，可進行多重分類，即能夠根據(jù)模式識別涉及的關(guān)鍵步驟進行多方面分類，擴展了方案附加信息的分類數(shù)量，也更加準(zhǔn)確地反映了方案的技術(shù)主題和技術(shù)細(xì)節(jié)。

3.2 案例二

一種海洋漁船電力系統(tǒng)異常監(jiān)測方法，所述監(jiān)測方法包括以下步驟：

步驟1：獲取監(jiān)測對象的多種電力數(shù)據(jù)，其中，所述監(jiān)測對象包括部署于電力系統(tǒng)中的發(fā)電機、配電柜和負(fù)載，且對于每種電力數(shù)據(jù)的采集布置有至少兩個監(jiān)測設(shè)備；

步驟2：基于至少兩個所述監(jiān)測設(shè)備采集的電力數(shù)據(jù)，加權(quán)計算得到電力數(shù)據(jù)的綜合值；

步驟3：將所述綜合值作為輸入量輸入預(yù)先構(gòu)建的異常判定模型中，并對所述綜合值進行分析，輸出判定結(jié)果；

步驟4：基于所述判定結(jié)果對所述電力系統(tǒng)進行異常監(jiān)測，并在所述電力系統(tǒng)異常時進行警報。

案例二是將利用模式識別對電力領(lǐng)域數(shù)據(jù)進行識別分析，其申請文件中給出的主分類號為G06F18/2433，副分類號為G01R31/00，上述分類號及其類名如表4所示：

發(fā)明構(gòu)思：電力系統(tǒng)在漁業(yè)生產(chǎn)中的地位越來越重要，海洋漁業(yè)電力系統(tǒng)的異常情況時有發(fā)生，異常情況對漁業(yè)生產(chǎn)造成嚴(yán)重影響。通過布置多個監(jiān)測設(shè)備獲取電力系統(tǒng)中監(jiān)測對象的同一電力數(shù)據(jù)，在剔除出現(xiàn)異常的監(jiān)測設(shè)備監(jiān)測的電力數(shù)據(jù)后加權(quán)計算得到更加準(zhǔn)確和可靠的電力數(shù)據(jù)綜合值，將綜合值輸入到預(yù)先構(gòu)建的異常判定模型中進行綜合分析和處理，并基于判定結(jié)果對電力系統(tǒng)進行實時異常監(jiān)測和警報，提高了監(jiān)測效率。

通過分析案例二發(fā)明構(gòu)思，其發(fā)明點在于將電力數(shù)據(jù)的綜合值作為輸入量輸入預(yù)先構(gòu)建的異常判定模型中，并對綜合值進行分析，輸出電力系統(tǒng)的監(jiān)測結(jié)果。由上述分析可知，案例二給出的分類號G06F18/2433、G01R31/00均為與申請技術(shù)方案相關(guān)的分類號，可首先在CNTXT數(shù)據(jù)庫中利用案例二給出的分類號進行布爾檢索，檢索過程如表5所示：

經(jīng)查看，并未命中對比文件。因本案例屬于人工智能模式識別與電力數(shù)據(jù)的交叉領(lǐng)域，根據(jù)模式識別共現(xiàn)分析中的交叉領(lǐng)域分類號，可擴展其分類號得到G06Q50/06，其分類含義如表6所示：

在CNTXT數(shù)據(jù)庫中利用擴展分類號進行布爾檢索，檢索過程如表7所示：

將檢索得到的411條檢索結(jié)果按照申請?zhí)栠M行語義排序，在排名第一的位置獲得對比文件（D1）。

通過上述檢索實例可以看出，對于模式識別與其他領(lǐng)域的交叉領(lǐng)域?qū)彶闀r，對于跨領(lǐng)域人員而言，不能很好地提取檢索要素，特別是模式識別中的關(guān)鍵詞常涉及特征提取、分類、聚類、訓(xùn)練、模型等，使用上述關(guān)鍵詞進行檢索時噪聲很大。修訂后的G06F18分類號按照模式識別的主要過程，特別是特征提取、分類技術(shù)、聚類技術(shù)進行了大量細(xì)分，可按照具體的技術(shù)手段對其進行分類，避免使用籠統(tǒng)的關(guān)鍵詞對檢索要素進行表達。使用準(zhǔn)確表示發(fā)明信息的分類號和智能檢索系統(tǒng)的語義檢索相結(jié)合，可以有效解決跨領(lǐng)域檢索中的難題。另外，需要注意的是，模式識別領(lǐng)域仍有大量文獻沒有完成再分類，在利用G06F18分類時，新舊分類號可以同時使用，避免漏檢。

4 總 結(jié)

本文對國際專利分類表（IPC）2023.01中人工智能領(lǐng)域G06F18的分類號修訂情況進行了介紹，分析了新增G06F18分類號的特點，基于模式識別的特點對G06F18分類號進行共現(xiàn)分析，得到模式識別與其他領(lǐng)域間的關(guān)聯(lián)性。最后結(jié)合實際案例分析得到修訂后的分類號可以提供更準(zhǔn)確的分類信息，基于交叉領(lǐng)域分類號的擴展可有效提高檢索效率?；诒疚牡姆治銎谕麨楸绢I(lǐng)域和跨領(lǐng)域?qū)彶閱T提供一定的幫助，以促進檢索質(zhì)量和檢索效率的提升。

參考文獻：

［1］王永琦，楊洋.基于MATLAB的機器視覺處理技術(shù)［M］.南京：東南大學(xué)出版社，2022：211.

［2］《國際專利分類號》2022年1月.

［3］《國際專利分類號》2023年1月.

［4］李艷坤，等.模式識別方法及在復(fù)雜體系中的應(yīng)用 第2版［M］.秦皇島：燕山大學(xué)出版社，2022：4.

［5］楊良斌.信息分析方法與實踐［M］.長春：東北師范大學(xué)出版社，2017：179.

［6］盧潔，等.計算機視覺領(lǐng)域的分類號分析與應(yīng)用［J］.專利文獻研究增刊：專利分類研究，2022，增刊（2）：1-11.

［7］南京航空航天大學(xué).一種基于部件特征的航空發(fā)動機多故障并發(fā)診斷方法：201911361513.4［P］.2019.12.25.

責(zé)任編校：杜寶花，張 靜

Classification Symbols for Pattern Recognition and Classification Retrieval in Patent Application

SU Xiaoyan，XIE Wanwan，ZHANG Yang

（Patent Examination Cooperation Henan Center of the Patent Office，Zhengzhou 450046，China）

Abstract：In 2023， the International Patent Classification （IPC） introduced classification symbol G06F18，which pertains to pattern recognition，a significant branch of artificial intelligence.This classification symbol was included in the IPC system for the first time in the 2023.01 version.This paper introduces the contents of G06F18 and its subordinate symbols，and analyzes its classification position.The co-occurrence analysis method is used to analyze the pattern recognition classification symbols in related cross-domains，which can help patent examiners understand and use the classification symbols in G06F18 and other cross-domains，thus improving the efficiency of classification and retrieval in the field of patent application.

Key words：pattern recognition；artificial intelligence；G06F18；co-occurrence analysis

收稿日期：2024-10-09

作者簡介：蘇曉燕，女，河南周口人，碩士，助理研究員，研究方向為人工智能，專利審查與檢索。

謝婉婉，女，河南南陽人，碩士，助理研究員，研究方向為專利審查與檢索。