【簡介：】以外觀專利申請為例
一、需要提供的資料：
1.專利代理委托協(xié)議
2.專利代理委托書
3.專利申請委托指示明細表
4.提供外觀設計六面圖、立體圖、使用狀態(tài)圖等
二、外觀專利申請時

以外觀專利申請為例

一、需要提供的資料：

1.專利代理委托協(xié)議

2.專利代理委托書

3.專利申請委托指示明細表

4.提供外觀設計六面圖、立體圖、使用狀態(tài)圖等

二、外觀專利申請時間及流程：

外觀專利申請一般需要3-6個月的時間。外觀專利的申請材料提交后，正常3個月時間可完成初審，初審通過，即發(fā)《辦理登記手續(xù)通知書》，通知繳納證書費和年費等，在繳費后大約2個月左右會收到專利局發(fā)出的外觀設計專利證書。

下證后的保護周期為15年（2021年6月1日起施行，之前保護周期是10年），申請人需每年繳納年費進行專利保護。

三、如何辦理：

1.各地知識產(chǎn)權(quán)局大廳自行申請辦理

2.最方便的還是要找專業(yè)代理機構(gòu)進行申請

找專業(yè)代理機構(gòu)進行專利申請辦理，可以免去不必要的麻煩，節(jié)約大量時間，同時還能提高通過率。

注：外觀設計專利證書下來之前，不要將產(chǎn)品上市，有風險。

1、發(fā)明專利需準備的資料包括：發(fā)明專利請求書、說明書（必要是需要有說明附件）、權(quán)利要求書、摘要及其附圖各一式兩份。2、實用新型專利準備資料包括：實用新型專利請求書、說明書、說明書附件圖、權(quán)利要求書、摘要及其附圖各一式兩份。3、外觀設計專利準備資料包括：外觀專利請求書、圖片或照片各一式兩份，有要求保護色彩的需提交彩色及黑白圖片或照片各一份。如需要對圖片或照片做說明的，需提交外觀設計簡要說明一式兩份。

想自學無人機，原理，結(jié)構(gòu)，算法之類的求推薦一些好的書籍或者資源？

書籍有人民郵電出版社的《無人機玩家DIY指南》，清華大學出版社《玩轉(zhuǎn)四軸飛行器》。網(wǎng)站有（5imx我愛模型玩家論壇），（5irc模型愛好者網(wǎng)論壇），（天使遙控模型論壇），（模型中國論壇），里面都有有關(guān)無人機的文章可供參考。

算法原理集成學習（ensemble leaning）通過構(gòu)建并結(jié)合多個學習器來完成學習任務，通過將多個學習器結(jié)合，常?？梢垣@得比單一學習器顯著優(yōu)越的效果和泛化能力。集成學習中的基學習器可以是同質(zhì)的，也可以是異質(zhì)的。根據(jù)個體學習器的生成方式，目前的集成學習方法大致可分為三大類：一類是Bagging，個體學習器之間不存在強依賴關(guān)系，可以同時并行化訓練和生成，最終結(jié)果通常通過投票機制產(chǎn)出，隨機森林是這一類型的代表；另一類是Boosting，個體學習器之間存在強依賴關(guān)系，后一學習器依賴前一學習器的結(jié)果，，因此必須以序列化形式串行生成，我們下節(jié)會講到的Adaboost和GBDT是這一類型的代表；其實還有第三類，叫Stacking，即將初級學習器的輸出次級學習器的輸入特征，深層神經(jīng)網(wǎng)絡甚至可以理解為Stacking集成學習的變種。

隨機森林（Random Forest）是以決策樹為基學習器構(gòu)建的Bagging集成學習算法，其實現(xiàn)簡單、計算開銷小、并且在很多現(xiàn)實任務中表現(xiàn)出搶眼的效果。其主要通過樣本擾動和屬性擾動使得集成學習的泛化性顯著提高。樣本擾動是指通過對初始訓練集采樣構(gòu)建每一棵決策樹；屬性擾動是指對基決策樹的每個節(jié)點，分裂時從該節(jié)點的屬性集合中隨機選擇k個屬性（k一般去log(d,2)，d為屬性數(shù)量）。

模型訓練代碼地址：

def train():

print(start training...)

# 處理訓練數(shù)據(jù)

train_feature, train_target = process_file(train_dir, word_to_id, cat_to_id)

# 模型訓練

model.fit(train_feature, train_target)

def test():

print(start testing...)

# 處理測試數(shù)據(jù)

test_feature, test_target = process_file(test_dir, word_to_id, cat_to_id)

# test_predict = model.predict(test_feature) # 返回預測類別

test_predict_proba = model.predict_proba(test_feature) # 返回屬于各個類別的概率

test_predict = np.argmax(test_predict_proba, 1) # 返回概率最大的類別標簽

# accuracy

true_false = (test_predict == test_target)

accuracy = np.count_nonzero(true_false) / float(len(test_target))

print()

print(accuracy is %f % accuracy)

# precision recall f1-score

print()

print(metrics.classification_report(test_target, test_predict, target_names=categories))

# 混淆矩陣

print(Confusion Matrix...)

print(metrics.confusion_matrix(test_target, test_predict))

if not os.path.exists(vocab_dir):

# 構(gòu)建詞典表

build_vocab(train_dir, vocab_dir)

categories, cat_to_id = read_category()

words, word_to_id = read_vocab(vocab_dir)

# kNN

# model = neighbors.KNeighborsClassifier()

# decision tree

# model = tree.DecisionTreeClassifier()

# random forest

model = ensemble.RandomForestClassifier(n_estimators=10) # n_estimators為基決策樹的數(shù)量，一般越大效果越好直至趨于收斂

train()

test()運行結(jié)果：

ead_category...

read_vocab...

start training...

start testing...

accuracy is 0.875000

precision recall f1-score support

娛樂 0.83 0.91 0.87 89

房產(chǎn) 0.78 0.83 0.80 104

教育 0.81 0.81 0.81 104

家居 0.75 0.71 0.73 89

游戲 0.93 0.95 0.94 104

時政 0.78 0.79 0.78 94

時尚 0.94 0.89 0.92 91

體育 0.98 0.97 0.97 116

財經(jīng) 0.95 0.91 0.93 115

科技 0.99 0.96 0.97 94

avg / total 0.88 0.88 0.88 1000

了解更多干貨文章可以關(guān)注小程序八斗問答