对于这类技术特征，你来写会出现这些问题吗？

本系列通过对实际案例的解读，帮助读者了解：

• 如何判断专利申请质量

• 怎么把专利申请写得更好      

对于一项技术方案，怎么写才能算达到高质量呢？

至少出现以下情况，肯定是不算高质量的：

• 布局不合理

• 存在较多不必要的常规技术特征

• 权要保护范围限制较窄

• 权要表述不清楚

• 权要表述冗余繁琐

先来判断下面这条从权X的撰写出现了上述哪些问题？对于出现的问题，你会怎么修改克服？

这里为了更直观地进行分析，我们一并将独权1也放了上来。应该有部分人能够看出独权的撰写其实也存在不少问题，但本期我们重点看从权X。

1 .一种加工设备工艺参数优化方法，其特征在于，所述方法包括：

实时采集生产线数据并获取质量指标的目标值，所述生产线数据包括：来料信息和环境参数；

设定工艺参数的初始值、以及所述质量指标的预设偏差值；

利用包括当前时刻在内的一段历史生产线数据及所述工艺参数，分别预测得到所述质量指标的预测值及所述质量指标的不确定性范围；

根据所述质量指标的预设偏差值和预测值、以及所述质量指标的不确定性范围确定优化目标，优化更新所述工艺参数和所述预设偏差值；利用更新后的工艺参数和所述预设偏差值进行迭代优化过程，直至满足终止条件；

迭代优化完成后，输出当前工艺参数的值作为当前来料信息和环境参数下的最优工艺参数。

X、根据权利要求1所述的方法，其特征在于，所述方法还包括按照以下方式训练所述质量指标预测模型和质量指标上下限预测模型：

S1：按照设定频次采集生产线数据、工艺参数、以及质量指标的历史数据，得到对应待预测工况时段的数据集，所述生产线数据包括：来料信息和环境参数；

S2：对所述数据集进行时间维度的滑窗处理，并对滑窗内的生产线数据进行统计，得到统计性特征；

S3：根据所述统计性特征、工艺参数、以及质量指标，生成输入输出数据对，每个输入输出数据对作为一个数据样本；

S4：利用所述数据样本分别训练得到质量指标预测模型和质量指标上下限预测模型；

S5：所述利用包括当前时刻在内的一段历史生产线数据及所述工艺参数分别预测得到所述质量指标的预测值及所述质量指标的不确定性范围包括：

S5-1：将包括当前时刻在内的一段历史生产线数据的统计性特征及所述工艺参数输入所述质量指标预测模型，得到所述质量指标的预测值；

S5-2：将包括当前时刻在内的一段历史生产线数据的统计性特征及所述工艺参数输入所述质量指标上下限预测模型，得到所述质量指标的不确定性范围。

我们来分析下该从权X的主要特征，可以分为两部分：

①S1~S4-模型训练：包括训练样本的获取与预处理、利用训练样本训练模型。

• 其中，S1为训练数据的获取；S2为训练数据的预处理；S3为训练样本生成；S4为利用训练样本训练模型。

②S5-模型应用：利用训练好的模型确定质量指标的预测值和不确定性范围。

• 其中，S5-1为通过训练好的模型确定质量指标的预测值；S5-2为通过训练好的模型确定质量指标的不确定性范围。

带着上述问题，我们来看看从权X的以下改法。还可以对比下修改前后的差异，尝试分析每一步修改能克服什么问题。

X1、根据权利要求1所述的方法，其特征在于，所述利用包括当前时刻在内的一段历史生产线数据及所述工艺参数，分别预测得到所述质量指标的预测值及所述质量指标的不确定性范围包括：

基于所述包括当前时刻在内的一段历史生产线数据，确定所述包括当前时刻在内的一段历史生产线数据对应的统计特征；

基于所述统计特征、所述工艺参数，利用质量指标预测模型和质量指标上下限模型分别确定所述质量指标的预测值和所述质量指标的不确定性范围。

X2、根据权利要求X1所述的方法，其特征在于，所述质量指标预测模型和所述质量指标上下限模型通过训练获取。

最后来看看修改分析，看看和你的判断一致吗？

（1）修改后的权要将从权X分为了X1和X2两条，其中X1写模型的应用过程，X2写模型的训练数据的获取。

• 机器学习模型都会涉及到模型训练和模型应用两方面，其中，模型训练是很难取证的。如果将模型应用和模型训练都写在一条权要中，会增加该条权要的取证难度，布局不合理。

（2）删除了S1-S4的常规细节内容，简化为“所述质量指标预测模型和所述质量指标上下限模型通过训练获取 ”，有些时候甚至都不需要做该关于训练的限定。

• 获取数据、数据预处理、生成训练样本以及模型训练内容都是很常规的内容，没有涉及到改进，限制了权要的保护范围，即使不写也不影响权要的清楚性。

• “所述生产线数据包括：来料信息和环境参数”在独权1已经描述过，这里再写就表述冗余了。

（3）修改原本从权X中的表述“所述方法还包括按照以下方式训练所述质量指标预测模型和质量指标上下限预测模型。

• 原始表述权X是作为独权1的从权，但其涉及模型训练的实质内容却并非是对权1的进一步限定；因为在独权1中未提及“质量指标预测模型和质量指标上下限预测模型”的情况下，权利要求X表述为“所述方法还包括按照以下方式训练所述质量指标预测模型和质量指标上下限预测模型”，两个部分表述之间并无关联性。这也会导致权要X不清楚。

上述修改将涉及模型应用和模型训练相关的技术特征都写清楚了，算得上高质量了。

可以发现，权要撰写中可能会出现各种降低专利申请质量的问题。那么，在实际的撰写工作中，如何避免这些问题呢？

有经验的撰写人会先搞清楚技术方案，明确好创新点和常规技术特征；然后，在权要布局时理清楚中间的逻辑关系和层次，撰写时确保思路清晰。

本系列将持续通过实例解读，帮助读者提高分辨专利质量、提升申请水准的能力。

【如果你希望后续看到更多本系列的文章，请给我们点个”赞“。】