最新修改后的审查指南于2020年2月1日起开始执行。此次修改主要是针对软件领域案件的客体问题以及新颖性和创造性问题，而且增加了十个例子，通过这些例子可以看出审查的倾向性。

在这十个例子当中，被驳回的有如下几个：

[例1]

一种建立数学模型的方法，其特征在于，包括以下步骤：

根据第一分类任务的训练样本中的特征值和至少一个第二分类任务的训练样本中的特征值，对初始特征提取模型进行训练，得到目标特征提取模型；其中，所述第二分类任务是与所述第一分类任务相关的其它分类任务；

根据所述目标特征提取模型，分别对所述第一分类任务的每个训练样本中的特征值进行处理，得到所述每个训练样本对应的提取特征值；

将所述每个训练样本对应的提取特征值和标签值组成提取训练样本，对初始分类模型进行训练，得到目标分类模型；

将所述目标分类模型和所述目标特征提取模型组成所述第一分类任务的数学模型。

驳回原因：没有跟实际的应用情况相结合，是纯粹的数学模型，所以不是技术方案，不符合专利法第二条的规定。

[例5]

一种消费返利的方法，其特征在于，包括以下步骤：

用户在商家进行消费时，商家根据消费的金额返回一定的现金券，具体地，

商家采用计算机对用户的消费金额进行计算，将用户的消费金额R划分为M个区间，其中，M为整数，区间1到区间M的数值由小到大，将返回现金券的额度F也分为M个值，M个数值也由小到大进行排列；

根据计算机的计算值，判断当用户本次消费金额位于区间1时，返利额度为第1个值，当用户本次消费金额位于区间2时，返利额度为第2个值，依次类推，将相应区间的返利额度返回给用户。

驳回原因：虽然结合了实际应用场景，但是结合的场景仅仅是一种返利规则，这并不是技术的改进，不是技术方案，不符合专利法第二条的规定。

[例6]

一种基于地区用电特征的经济景气指数分析方法，其特征在于，包括以下步骤：

根据待检测地区的经济数据和用电数据，选定待检测地区的经济景气指数的初步指标，其中，所述初步指标包括经济指标和用电指标；

通过计算机执行聚类分析方法和时差相关分析法，确定所述待检测地区的经济景气指标体系，包括先行指标、一致指标和滞后指标；

根据所述待检测地区的经济景气指标体系，采用合成指数计算方法，获取所述待检测地区的经济景气指数。

驳回原因：虽然利用计算机来进行计算，但是计算得到的内容是经济景气指数，经济景气不景气是主观定义的，是经济学范畴，并不是技术的改进，不是技术方案，不符合专利法第二条的规定。

[例10]

一种动态观点演变的可视化方法

申请内容概述

近年来人们越来越多地通过社交平台发表他们的意见和想法,人们在社交平台上发表的带有情感的内容反映了人们观点的演变,并可以由此看出事件的发展、变化和趋势。发明专利申请通过自动采集社交平台人们发表的信息并对其中的情感进行分析,通过计算机绘制情感可视化图来帮助人们更好地理解情感在不同时间的强度变化和随时间而演变的趋势。

申请的权利要求

一种动态观点演变的可视化方法，所述方法包括:

步骤一，由计算设备确定所采集的信息集合中信息的情感隶属度和情感分类，所述信息的情感隶属度表示该信息以多大概率属于某一情感分类；

步骤二，所述情感分类为积极、中立或消极，具体分类方法为：如果点赞的数目p除以点踩的数目q的值r大于阈值a，那么认为该情感分类为积极，如果值r小于阈值b，那么认为该情感分类为消极，如果值b≤r≤a,那么情感分类为中立，其中a>b；

步骤三，基于所述信息的情感分类，自动建立所述信息集合的情感可视化图形的几何布局，以横轴表示信息产生的时间，以纵轴表示属于各情感分类的信息的数量；

步骤四，所述计算设备基于所述信息的情感隶属度对所建立的几何布局进行着色，按照信息颜色的渐变顺序为各情感分类层上的信息着色。

分析及结论

对比文件1公开了一种基于情感的可视化分析方法，其中时间被表示为一条水平轴，每条色带在不同时间的宽度代表一种情感在该时间的度量，用不同的色带代表不同的情感。

发明专利申请的解决方案与对比文件1的区别在于步骤二中设定的情感的具体分类规则。从申请内容中可以看出，即使情感分类规则不同，对相应数据进行着色处理的技术手段也可以是相同的，不必作出改变，即上述情感分类规则与具体的可视化手段并非功能上彼此相互支持、存在相互作用关系。与对比文件1相比，发明专利申请只是提出了一种新的情感分类的规则，没有实际解决任何技术问题，也没有针对现有技术作出技术贡献。因此，要求保护的发明技术方案相对于对比文件1不具备创造性。

驳回原因：权利要求虽然有技术特征并解决了技术问题，但是，权利要求中的这些技术特征都是现有的，权利要求和对比文件的区别仅仅是在于情感分类的规则，情感怎么分类是人类自己搞的，所以不是技术，评价创造性时不考虑！！！因此，权利要求1相对于对比文件没有创造性，不符合专利法第二十二条第三款。

总结上面几个案子可以发现一个规律，对于软件专利，尤其是涉及到算法的专利，在撰写的时候一定不能写成抽象的算法，而是要在某个特定的应用领域中应用该算法才行，例如，应用在智能驾驶领域、应用在图像识别领域、应用在视频压缩领域等等。

需要注意的是，并不是应用到所有领域都可以获得授权的，某些特定领域的应用仍然有可能被驳回，这些重点驳回的领域有：跟钱有关的领域（经济、金融等）、人类的情感。注意到这些，相信软件专利的授权率会提高，不信，可以看看修改后的审查指南给出的可以授权的例子：

[例2]

一种卷积神经网络CNN模型的训练方法，其特征在于，所述方法包括：

获取待训练CNN模型的初始模型参数，所述初始模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、全连接层的初始权重矩阵和所述全连接层的初始偏置向量；

获取多个训练图像；

在所述各级卷积层上，使用所述各级卷积层上的初始卷积核和初始偏置矩阵，对每个训练图像分别进行卷积操作和最大池化操作，得到每个训练图像在所述各级卷积层上的第一特征图像；

对每个训练图像在至少一级卷积层上的第一特征图像进行水平池化操作，得到每个训练图像在各级卷积层上的第二特征图像；

根据每个训练图像在各级卷积层上的第二特征图像确定每个训练图像的特征向量；

根据所述初始权重矩阵和初始偏置向量对每个特征向量进行处理，得到每个训练图像的类别概率向量；

根据所述每个训练图像的类别概率向量及每个训练图像的初始类别，计算类别误差；

基于所述类别误差，对所述待训练CNN模型的模型参数进行调整；

基于调整后的模型参数和所述多个训练图像，继续进行模型参数调整的过程，直至迭代次数达到预设次数；

将迭代次数达到预设次数时所得到的模型参数作为训练好的CNN模型的模型参数。

授权原因：将算法应用到了具体的图像处理领域，所以是技术方案，能够授权。

[例3]

一种共享单车的使用方法，其特征在于，包括以下步骤：

步骤一，用户通过终端设备向服务器发送共享单车的使用请求；

步骤二，服务器获取用户的第一位置信息，查找与所述第一位置信息对应一定距离范围内的共享单车的第二位置信息，以及这些共享单车的状态信息，将所述共享单车的第二位置信息和状态信息发送到终端设备，其中第一位置信息和第二位置信息是通过GPS信号获取的；

步骤三，用户根据终端设备上显示的共享单车的位置信息，找到可以骑行的目标共享单车；

步骤四，用户通过终端设备扫描目标共享单车车身上的二维码，通过服务器认证后，获得目标共享单车的使用权限；

步骤五，服务器根据骑行情况，向用户推送停车提示，若用户将车停放在指定区域，则采用优惠资费进行计费，否则采用标准资费进行计费；

步骤六，用户根据所述提示进行选择，骑行结束后，用户进行共享单车的锁车动作，共享单车检测到锁车状态后向服务器发送骑行完毕信号。

授权原因：这个软件是协助找车的，是一个找车的具体应用，能够授权。

那么，这种算法应用类型申请的创造性是不是足够呢？审查指南也给出了两个例子，第一个例子是创造性足够的例子，第二个例子是创造性不够的例子，通过这两个例子就可以看出审查标准：

[例7]

一种基于多传感器信息仿人机器人跌倒状态检测方法

申请内容概述

现有对仿人机器人步行时跌倒状态的判定主要利用姿态信息或ZMP点位置信息，但这样判断是不全面的。发明专利申请提出了基于多传感器检测仿人机器人跌倒状态的方法，通过实时融合机器人步态阶段信息、姿态信息和ZMP点位置信息，并利用模糊决策系统，判定机器人当前的稳定性和可控性，为机器人下一步动作提供参考。

申请的权利要求

一种基于多传感器信息仿人机器人跌倒状态检测方法，其特征在于包含如下步骤：

(1)通过对姿态传感器信息、零力矩点ZMP传感器信息和机器人步行阶段信息进行融合，建立分层结构的传感器信息融合模型；

(2)分别利用前后模糊决策系统和左右模糊决策系统来判定机器人在前后方向和左右方向的稳定性，具体步骤如下：

　　①根据机器人支撑脚和地面之间的接触情况与离线步态规划确定机器人步行阶段；

　　②利用模糊推理算法对ZMP点位置信息进行模糊化；

　　③利用模糊推理算法对机器人的俯仰角或滚动角进行模糊化；

　　④确定输出隶属函数；

　　⑤根据步骤①～步骤④确定模糊推理规则；

　　⑥去模糊化。

分析及结论

对比文件1公开了仿人机器人的步态规划与基于传感器信息的反馈控制，并根据相关融合信息对机器人稳定性进行判断，其中包括根据多个传感器信息进行仿人机器人稳定状态评价，即对比文件1公开了发明专利申请的解决方案中的步骤（1），该解决方案与对比文件1的区别在于采用步骤（2）的具体算法的模糊决策方法。

基于申请文件可知，该解决方案有效地提高了机器人的稳定状态以及对其可能跌倒方向判读的可靠性和准确率。姿态信息、ZMP点位置信息以及步行阶段信息作为输入参数，通过模糊算法输出判定仿人机器人稳定状态的信息，为进一步发出准确的姿势调整指令提供依据。因此，上述算法特征与技术特征在功能上彼此相互支持、存在相互作用关系，相对于对比文件1，确定发明实际解决的技术问题为：如何判断机器人稳定状态以及准确预测其可能的跌倒方向。上述模糊决策的实现算法及将其应用于机器人稳定状态的判断均未被其它对比文件公开，也不属于本领域公知常识，现有技术整体上并不存在使本领域技术人员改进对比文件1以获得要求保护发明的启示，要求保护的发明技术方案相对于最接近的现有技术是非显而易见的，具备创造性。

授权原因：本案是将某个算法用在了机器人跌倒处理上，这个算法从来没有被应用到机器人跌倒处理上，即使这个算法是现有的，由于其并没有应用到机器人跌倒处理上，所以有创造性。当然，权利要求不能简单写成将某算法应用到机器人跌倒处理上，而是需要写具体是如何应用的，这样才能授权。

[例8]

基于合作协进化和多种群遗传算法的多机器人路径规划系统

申请内容概述

现有的多移动机器人运动规划控制结构通常采用集中式规划方法，该方法将多机器人系统视为一个具有多个自由度的复杂机器人，由系统中的一个规划器来统一完成对所有机器人的运动规划，其缺点在于计算时间较长，实用性不佳。发明专利申请提供了一种基于协作进化和多种群遗传算法的多机器人路径规划系统。机器人的每一条路径都采用一个染色体表示，将最短距离、平滑度、安全距离作为设计路径适应度函数的三个目标,通过Messy遗传算法对每个机器人的路径进行优化得到最佳路径。

申请的权利要求

一种基于合作协进化和多种群遗传算法的多机器人路径规划系统，其特征在于：

　　（1）机器人的一条路径采用一个染色体表示，染色体就表示成节点的链表形式，即[(x，y)，time]，(x，y，time∈R)，(x，y)表示机器人的位置坐标，time表示从前一个节点移动本节点需要的时间消耗，开始节点的time等于0，每个机器人个体的染色体除了初始节点的初始位置，结束节点的目标位置固定以外，中间节点和节点个数都是可变的；

　　（2）每个机器人Robot(i)的路径path(j)的适应度函数表示成φ(pi，j)：

　　||pi，j||＝Distance(pi，j)+ws×smooth(pi，j)+wt×Time(pi，j)

　　其中||pi，j||是距离、平滑度和时间消耗的线性组合，ws是平滑加权因子，wt是时间加权因子；Distance(pi，j)表示路径长度，smooth(pi，j)表示路径的平滑度，Time(pi，j)是路径pi，j的时间消耗；每个机器人采用所述适应度函数，通过Messy遗传算法优化得到最优路径。

分析及结论

对比文件1公开了一种基于合作协进化的多机器人路径规划方法，其中采用适应度函数，通过混沌遗传算法来获得最优路径。发明专利申请的解决方案与对比文件1的区别在于通过Messy遗传算法来实现多机器人路径规划。

在该解决方案中，采用Messy遗传算法优化后得到机器人的前进路径，该解决方案的算法特征与技术特征在功能上相互支持、存在相互作用关系，实现了对机器人前进路径的优化。相对于对比文件1，确定发明实际解决的技术问题为：如何基于特定的算法使机器人以最优路径前进。对比文件2已经公开了包括所述混沌遗传算法在内的多种遗传算法都可被用来进行路径优化，同时采用Messy遗传算法可以解决其他算法的弊端，从而获得更合理的优化结果。基于对比文件2给出的启示，本领域技术人员有动机将对比文件1与对比文件2结合得到发明专利申请的技术方案。因此，要求保护的发明技术方案相对于对比文件1和对比文件2的结合是显而易见的，不具备创造性。

驳回原因:本案是将某算法运用到机器人路径规划上，现有技术中有将该算法应用到路径规划上的技术，所以只是将其平移到机器人上是没有创造性的！

通过这两个例子可以看出，对于算法应用到某个领域的创造性问题：如果是该算法首次应用到该领域，则该案授权概率极高；如果之前就已经有过将该算法应用到该领域的现有技术，则该案驳回概率就上升了。

通过上述分析我们可以总结出如下结论：对于算法专利，一定要在权利要求里带具体应用场景，不能是纯算法。并且，应用场景要避开钱和情感情绪（不在权利要求里谈钱，不在权利要求里谈感情）。对于算法应用的专利，尽早申请，因为首次将算法应用到某个领域的申请容易获得授权，否则就困难！