A2.2考题20250121_在线真题试卷与模拟练习_A2.2考题20250121_考试宝

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

收藏

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 0 / 0

随机练习 自定义设置练习量

题型乱序 按导入顺序练习

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

下列哪项不属于专利法第二条第二款规定的客体？（2分）

以下哪种情况不属于专利法第二条第二款规定的客体？（2分）

如果一项权利要求包含算法特征，且该权利要求限定的解决方案属于专利法第二条第二款的技术方案，则该权利要求不可能涉及以下哪种情形？（2分）

以下权利要求中不属于专利法第二条第二款规定的技术方案的是：（2分）

如果权利要求的解决方案处理的是具体应用领域的大数据，利用分类、聚类、回归分析、神经网络等挖掘数据中（），据此解决如何提升具体应用领域大数据分析可靠性或精确性的技术问题，并获得相应的技术效果，则该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。（2分）

如果权利要求的解决方案涉及人工智能或大数据算法的改进，该算法与计算机系统的内部结构存在特定技术关联，能够解决如何提升硬件运算效率或执行效果的技术问题，包括（）等，从而获得符合自然规律的计算机系统内部性能改进的技术效果，则该权利要求限定的解决方案属于专利法第二条第二款所述的技术方案。以下选项正确的是：（3.75分）

在同时符合以下哪些情形时，该权利要求限定的解决方案属于专利法第二条第二款规定的技术方案：（3.75分）

以下属于专利法第二条第二款所述的技术方案的是：（3.75分）

下面哪项属于专利法第二条第二款规定的技术方案？（3.75分）

以下权利要求属于专利法第二条第二款规定的技术方案。一种业务数据分类预测方法，其特征在于，所述方法还包括：获取待处理业务数据；根据所述待处理业务数据的数据类型，确定与所述数据类型对应的目标分类预测模型；所述目标分类预测模型为对样本业务数据进行聚类处理，根据所述聚类处理之后的样本数据训练得到的；所述样本业务数据中阴性样本数据的数据量在所述样本业务数据中的占比大于预设阈值；将所述待处理业务数据输入至所述目标分类预测模型中，得到待处理业务数据的风险预测结果；所述风险预测结果用于表示所述待处理业务数据在业务办理中的风险量化值。（2分）

以下权利要求不属于专利法第二条第二款规定的技术方案。一种基于注意力及深度学习的光伏发电量预测系统，其特征在于，所述系统包括训练模块、数据预处理模块、transformer网络模块、CNN网络模块及应用模块；所述数据预处理模块对数据集进行预处理，并生成训练集；所述训练模块使用transformer网络模块、CNN网络模块进行训练和预测；所述transformer网络模块基于注意力机制提取时序特征，并预测下一时刻的值，生成时序预测结果；所述CNN网络模块对训练集的数据及时序预测结果进行训练，生成最终预测结果；所述应用模块通过训练好的模型，输出预测结果。（2分）

如果权利要求的解决方案涉及人工智能、大数据算法的改进，只要未限定算法的具体应用领域，该权利要求限定的解决方案就不属于专利法第二条第二款所述的技术方案。（2分）

如果权利要求的解决方案涉及深度学习、分类、聚类等人工智能、大数据算法的改进，由于其必然要通过计算机系统执行，因此属于专利法第二条第二款所述的技术方案。（2分）

根据专利法第二条第二款的规定，专利法所称的发明是指对产品、方法或者其改进所提出的新的技术方案。涉及计算机程序的发明专利申请只有构成技术方案才是专利保护的客体。（2分）

以下是否属于专利法第二条第二款规定的客体？权利要求：一种五子棋走位推理方法，其特征在于，包括以下步骤：图像获取：获取当前棋盘图片，所述棋盘图片呈现了棋盘上棋子的布局信息，根据布局信息提取图像特征并建立二值化数字矩阵；棋谱匹配与推理：获取二值化的棋谱，所述棋谱涵盖了各种经典棋局、大师对局以及不同开局、中局、残局的多种变化形式，将所述二值化棋谱与所述二值化数字矩阵输入棋谱推理模型，该棋谱推理模型将所述二值化棋谱与所述二值化数字矩阵进行比对和匹配，基于五子棋下棋规则，根据二值化棋谱中的历史走法和当前二值化数字矩阵所反映的局面进行五子棋下一步走位的推理分析；走位确定与输出：在棋谱推理模型推理得出基于下一步五子棋走位的棋局胜率大于预定阈值时，确定该走位为有效走位，输出该有效走位的坐标。说明书：图像获取的步骤中，获取当前棋盘图片，根据所述棋盘图片所呈现的棋子布局信息提取图像特征并建立二值化数字矩阵的步骤，具体为根据黑子和白子的位置，用 1 表示黑子，0 表示白子，将棋子布局信息转换为尺寸为 15∗15 以 1 或 0 的形式表示的二值化数字矩阵。（5分）

以下是否属于专利法第二条第二款规定的客体？权利要求： 1.一种神经网络模型的量化方法，其特征在于，包括：所述量化方法用于降低部署所述神经网络模型的设备的运算成本和/或存储成本，所述方法包括：确定神经网络模型中系数分布异常的目标卷积核；对所述目标卷积核进行拆分，得到多个子卷积核；对所述多个子卷积核分别进行量化以得到多个量化卷积核，并利用所述多个量化卷积核替代所述目标卷积核。说明书：深度神经网络的规模越来越大，进而导致大量的参数的存储和传输使得运算成本和功耗非常大。现有对神经网络模型的量化方案仍然不够完善，容易导致量化误差过大等问题，影响神经网络模型的运算效果。本申请通过对神经网络模型中异常的目标卷 17积核执行拆分，再分别进行量化以实现目标卷积核的定点化，从而减少了量化误差。（5分）

以下是否属于专利法第二条第二款规定的客体？权利要求：1.一种用于经由多个训练参与方来协同训练线性/逻辑回归模型的方法，所述线性/逻辑回归模型由第一数目个子模型组成，每个训练参与方具有一个子模型，所述第一数目等于所述训练参与方的数目，所述训练参与方包括训练发起方和至少一个训练协同方，所述方法由训练发起方执行，所述方法包括：执行下述迭代过程，直到满足预定条件：基于各个训练参与方的当前子模型以及所述训练发起方的特征样本集，使用无可信初始化方的秘密共享矩阵乘法来获得所述线性/逻辑回归模型针对所述特征样本集的当前预测值；确定所述特征样本集的当前预测值与对应的标记值之间的预测差值；将所确定出的预测差值分割为所述第一数目个部分预测差值，并且将第二数目个部分预测差值中的每个分别发送给对应的训练协同方，所述第二数目等于所述第一数目减一；以及基于所述训练发起方的当前子模型以及对应的部分预测差值与所述特征样本集之积来更新所述训练发起方的当前子模型，其中，在迭代过程未结束时，所述更新后的各个训练参与方的当前子模型被用作下一迭代过程的当前子模型。说明书：在很多情况下，多个模型训练参与方(例如，电子商务公司、快递公司和银行)各自拥有训练线性/逻辑回归模型所使用的特征样本的不同部分数据。该多个模型训练参与方通常想共同使用彼此的数据来统一训练线性/逻辑回归模型，但又不想把各自的数据提供给其它各个模型训练参与方以防止自己的数据被泄露。现有的能够保护数据安全的机器学习方法的模型训练效率较低。本申请提供了一种用于经由多个训练参与方协同训练线性/逻辑回归模型的方法，利用无可信初始化方的秘密共享矩阵乘法来经由多个训练参与方协同训练线性/逻辑回归模型，其能够在不泄漏该多个训练参与方的秘密数据的情况下训练得到线性/逻辑回归模型的模型参数，并且模型训练的工作量仅与训练所使用的特征样本的数量成线性关系，而不是指数关系，能够在保证多个训练参与方的各自数据安全的情况下提高模型训练的效率。（5分）

1