moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2019.25.2.027 620 ЭКСПЕРИМЕНТАЛЬНОЕ ОПРЕДЕЛЕНИЕ ОПТИМАЛЬНЫХ ПАРАМЕТРОВ РЕКУРРЕНТНОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ЗАДАЧ КЛАССИФИКАЦИИ ПАТЕНТОВ EXPERIMENTAL DETERMINATION OF THE OPTIMAL PARAMETERS OF THE RECURRENT NEURAL NETWORK FOR THE TASKS OF PATENT CLASSIFICATION Задорожный Павел Алексеевич Zadorozhny Pavel Alekseevich aff-1 Кравец Алла Григорьевна Kravets Alla Grigorievna agk@gde.ru aff-2 Бурмистров Александр Сергеевич Burmistrov Alexander Sergeevich singlekey1@gmail.com aff-3 Волгоградский государственный технический университет Volgograd State Technical University Волгоградский государственный технический университет Volgograd State Technical University Волгоградский государственный технический университет Volgograd State Technical University 01 01 2026 1 1 10.26102/2310-6018/2019.25.2.027 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Показатели патентной активности в настоящее время нередко используются при технологическом прогнозировании и в конкурентной разведке. Важную роль приобретает прогнозирование развития патентных трендов в отдельно взятых странах и во всем мире, позволяющее выявить основные приоритетные направления развития технологий. Одной из основных операций анализа уровня техники для патентной заявки является поиск патентов аналогов. Международная патентная классификация устарела, большинство исследований носит междисциплинарный характер. Появляется необходимость в выделении и создании новых классов. Цель данного исследования – анализ параметров, влияющих на результаты работы рекуррентной нейронной сети, предназначенной для тематической классификации патентного массива. Проведение анализа выявленных параметров, влияющих на качество работы нейросети и подбор оптимальных значений. Были определены оптимальные параметры нейронной сети: количество слоев, размер слоёв, значение исключающего параметра, размер партии для обучения сети, осуществлен выбор оптимизатора библиотеки Keras. Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 19-07-01200.

Indicators of patent activity are now often used in technological forecasting and competitive intelligence. An important role is to predict the development of patent trends in individual countries and around the world, which allows to identify the main priority directions of technology development. Analysis of patents in the field of analog technology was fulfilled. The international patent classification is outdated, most studies are interdisciplinary. There is a need to select and create new classes. The purpose of this study is to analyze the parameters that affect the results of the recurrent neural network, designed for the thematic classification of the patent array. The analysis of the identified parameters affects the quality of the neural network and the selection of optimal values. The optimal parameters of the neural network were determined: the number of layers, the size of the layer, the value of the exclusion parameter, the batch size for training in the network, the choice of the Keras library optimizer was made. The reported study was funded by RFBR according to the research project № 19-07-01200.

 тренд классификация патент рекуррентная нейронная сеть исключающий слой анализ оптимизаторов размер партии trend classification patent recurrent neural network exclusion layer optimizer analysis batch size Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Methods of Statistical and Semantic Patent Analysis / Д.М. Коробкин, С.А. Фоменков, А.Г. Кравец, С.Г. Колесников // Creativity in Intelligent Technologies and Data Science. Second Conference, CIT&DS 2017 (Volgograd, Russia, September 12-14, 2017) : Proceedings / ed. by A. Kravets, M. Shcherbakov, M. Kultsova, Peter Groumpos ; Volgograd State Technical University [et al.]. – [Germany] : Springer International Publishing AG, 2017. – P. 48-61. – (Ser. Communications in Computer and Information Science ; Vol. 754). Определение патента и организация прав патентообладателя [Электронный ресурс]. – Режим доступа: http://economicdefinition.com/Economic_and_legal_terminology/Patent_Patent__eto.html (дата обращения 01.06.2019). Кондратьева Т.Н., Прогнозирование тенденции финансовых временных рядов с помощью нейронной сети LSTM // Интернет-журнал Науковедение. 2017. Т. 9. № 4. С. 61. Кравец, А.Г. Patents Images Retrieval and Convolutional Neural Network Training Dataset Quality Improvement [Электронный ресурс] / А.Г. Кравец, Н.С. Лебедев, М.С. Легенченко // Proceedings of the IV International research conference «Information technologies in Science, Management, Social sphere and Medicine» (ITSMSSM 2017) / ed. by O.G. Berestneva [et al.]. – [Published by Atlantis Press], 2017. – P. 287-293. – (Ser. Advances in Computer Science Research (ACSR) ; Vol. 72). – URL : https://www.atlantis-press.com/proceedings/itsmssm-17. Kline, D. M., Revisiting squared-error and cross-entropy functions for training neural network classifiers. [Электронный ресурс]. – 2005. – Режим доступа: https://link.springer.com/article/10.1007/s00521-005-0467-y (Дата обращения: 04.05.2019). Lance G. N., Willams W. T. A general theory of classification sorting strategies. 1. hierarchical systems // Comp. J. — 1967. — no. 9. — Pp. 373– 380. Jain A., Murty M., Flynn P. Data clustering: A review // ACM Computing Surveys. — 1999. — Vol. 31, no. 3. — Pp. 264–323. Eck, D., Schmidhuber, J. A First Look at Music Composition using LSTM Recurrent Neural Networks. – Manno, Switzerland: Instituto Dalle Molle di studi sull’ intelligenza artificiale. [Электронный ресурс]. – 2002. – Режим доступа: http://people.idsia.ch/~juergen/blues/IDSIA-07-02.pdf (Дата обращения: 04.05.2019). The Python Deep Learning library [Электронный ресурс]. – Режим доступа: https://keras.io/ (дата обращения 10.05.2019) «Smart Queue» Approach for New Technical Solutions Discovery in Patent Applications / А.Г. Кравец, Н. Шумейко, B. Lempert, N. Salnikova, Н.Л. Щербакова // Creativity in Intelligent Technologies and Data Science. Second Conference, CIT&DS 2017 (Volgograd, Russia, September 12-14, 2017) : Proceedings / ed. by A. Kravets, M. Shcherbakov, M. Kultsova, Peter Groumpos ; Volgograd State Technical University [et al.]. – [Germany] : Springer International Publishing AG, 2017. – P. 37-47. – (Ser. Communications in Computer and Information Science ; Vol. 754).

The authors declare that there are no conflicts of interest present.