DE29923527U1 - Neuronales Netz zum rechnergestützten Wissensmanagement - Google Patents

Description

Neuronales Netz zum rechnergestützten Wissensmanagement

Die Erfindung bezeichnet ein neuronales Netz zum rechnergestützten Wissensmanagement, basierend auf einem durch einen Computer ausgebildeten neuronalen Netz, insbesondere zur Verwendung in einem über das Internet bedien baren dezentralemcomputergestützten Patentwesens im weiteren Sinne. Das neuronale Netz bildet ein System künstlicher Intelligenz (KI) aus, indem es sich über eine zugrundeliegende Wisseiisbank in Form von rechentechnisch lesbaren Daten erstreckt. Das neuronale Netz selbst ist vorteilhaft als eine spezielle Art eines vertikal strukturierten neuronalen Netzwerkes ähnlich der Harmonie-Theorie ausgebildet, bei welcher jedem Knoten bzw. Neuron eine Bedeutung zugeordnet ist. Jeder Knoten wird von mehreren gewichteten Verbindungen (Bezügen) zu verschiedenen hierarchisch höheren Knoten bestimmt.

Wissensmanagement beinhaltet im heutigen Sprachgebrauch die effiziente Verwaltung von Wissen aller Art im Dokumentenmanagement, anfangs von Planungsdaten, Wirtschaftsdaten, Kommunikationsdokiimenten und Publikationen in der Form von Textdaten, aberzunehmend über objektorientierte Technologien auch in multimedialer Form. Dazu wird das Wissen über geeignete Gemeinsamkeiten klassifiziert verwaltet mit dem Ziel, eine hohe Redundanz von Anfang an zu vermindern. Automatische Systeme zur Klassifizierung benötigen zumeist textbasierte Dokumente, um mit Hilfe von rechnergestützten Textsuchmaschinen, allgemein üblichen Textstruktuierungen zur Indizierung, hierarchisch klassifizierten Thesauren und linguistischen Gesetzmäßigkeiten auf deren Inhalt schließen zu können. Letztere bilden die Grundlage heute üblicher selbstklassifizierender Internetsuchmaschine. Die aufgefundenen Assoziationen zwischen den verschiedenen Dokumenten können als Eingabe- und Trainingsdaten für ein neuronales Netz verwendet werden.

Neuronale Netze als solche und speziell zur Klassifizierung von Wissen sind vorbekannt. Die Druckschrift 3411168C2 offenbart eine hierarchische assoziative Daten struktur, vorzugsweise zur Speicherung von Text. Die Druckschrift DE4108310C2 offenbart ein Verarbeitungssystem für eine Wissensbank in einem Expertensystem, bei welchem das von einem Benutzer eingegebene Wissen über den Grad des ursprünglichen Zusammenhangs gespeichert ist und das sich daraus ergebende Expertensystem rechnergestützt über ein Wissensbank-Verarbeitungssystem von einem Wissensingenieur modifiziert und somit gepflegt wird. Die Druckschrift DE412450IC2 offenbart eine assoziative Datenstruktur in Form eines neuronalen Netzes und ein zugeordnetes Verfahren, welches unter Benutzung einer Metrik zwischen einzelnen Netzknoten zu einer eindeutigen Klassifizierung führt. Die Druckschrift DE4400261C1 offenbart, speziell für das Verständnis von geschriebenen Texten, eine assoziative Datenstruktur, welche als künstliches neuronales Netz aufgebaut ist und eine Vielzahl von Netzknoten in aufeinanderfolgenden Schichten enthält, welche speziell ungewichtete Knoteneingänge enthält und deren Knoten in zwei Arten unterteilt sind, wodurch eine wesentliche Redundanzminderung erzielt wird.

Die DEl9737939AI offenbart eine selbstkonvergente Datenstruktur in Form eines neuronalen Netzes zur rechnergestützten Verwaltungen von Entwicklungen, welche mit den speziellen Beschreibungen der die Wissensmenge bestimmenden Merkmale als Abbildungen von Mitteln in Wirkungen und umgekehrt einen Hilbertraum ausbilden. Diese Datenstruktur eignet sich für die Verwaltung aller real existierenden Entwicklungen (im Weiteren kurz Entwicklungen), insbesondere auch für technische Entwicklungen, welche Gegenstand des Patentwesen im weiteren Sinne sind. Unter letzterem (im Weiteren kurz Patentwesen) ist das gesamte Wissensmanagement technischer Entwicklungen, angefangen vom Erfinder oder dem mit einem Problem beauftragten Entscheidungsträger, über die damit betrauten Dienstleister bis hin zu hoheitlichen Institutionen zu verstehen, welche in ihrer Tätigkeit im sachlichen Bereich rechentechnisch unterstützt werden sollen.

Die die reale Welt beschreibende erkannte Wissensmenge (im Weiteren kurz Wissensmenge) ist in diesem Sinne über Entwicklungen bestimmt. Das Wissensmanagement in dieser Erfindung bezieht sich auf derartige Wissensmeimen.

Es ist Aufgabe dieser Erfindung, ausgehend und in Weiterbildung des vorbekannten Standes der Technik zur Verwaltung von Dokumenten oder multimedialen Objekten statt diesen Wissensmengen rechentechnisch zu verwalten und gegeneinander zu analysieren. Diese Aufgabe wird durch die unabhängigen Patentansprüche gelöst. Vorteilhafte Ausgestaltungen der rechnergestützten neuronalen Netzstuktur bezüglich Speicherbedarf, Laufzeit oder Konvergenz, spezielle Analysewerkzeuge und verfahren sowie zum Einlesen und zur Ausgabe der Wissensmengen werden in den Weiterbildungen aufgezeigt.

Das Wesen der Erfindung baut auf einer Beschreibung von Wissensmengen in Form von aufeinander bezogenen Entwicklungen auf, die durch eine geeignete Beschreibung in Form eines Wechselwirkungspaares, vorteilhaft als < Quantität | Qualität >, ausgebildet wird, wobei die bezogene Entwicklung als Element eines neuronalen Netzes verwaltet wird und einen Hilbertraum ausbildet. Die damit als Punktmenge behandelbare Wissensmenge weist insbesondere günstige Konvergenzeigenschaften zur rechentechnischen Anwendung des RITZ'sehen Verfahrens auf und bildet einen Vektorraum aus. Im Übertragenen ist die Beschreibung realer Entwicklungen bzw. diese beschreibenden Wissensmengen an die Beschreibung quantenmechanischer Zustände angeleht.

Jede dieser bezogenen Entwicklungen zugeordneten Wissensmengen bzw. Wechselwirkungspaare ist durch genau einen Koordinatenvektor charakterisiert, welcher vorteilhaft diesen direkt zugeordnet und somit Teil des Elements ist. Die Wissensmengen bzw. Wechselwirkungspaare können rechentechnisch neben den Bezügen zueinander auch über ihre Koordinaten verwaltet werden, welche insbesondere die Grundlage für gegenseitige Analysen darstellen. Als Analysemethoden werden in der Vektorrechnung übliche Methoden (Prüfung ob innerhalb einer Kugel, innerhalb eines Raumwinkelbereiches, Projektion auf bestimmte Vektoren) angewandt, die insbesondere auf der Berechnung eines Skalarprodukts basieren. Die Berechnung von Vektoren bzw. Wissensmengen mit bestimmten Eigenschaften ist möglich bspvv. über die Orthogonalität mit Hilfe des SCHMIDT'schen Verfahrens. Vor der Berechnung können optional Filter bestimmte Elemente ausblenden oder umgevvichten. Dadurch sind insbesondere ähnliche Entwicklungen (Raumwinkel), naheliegende Entwicklungen (Kugel), Entwicklungsschwerpunkte (Häufungen), Entwicklungsfreiräume (Leerstellen), Entwicklungsumgehungen (Orthogonalisierungen), Trends ( mittlerer Raumwinkel der Folgeentwicklungen der Kugel um Häufungen) usw. über die Gesamtheit der Wissensbank oder über speziell gefilterte Teilmengen möglich, bspw. zur Konku rrenzanaly se.

Die wesentlichen Methoden zu der Verwaltung und Analyse von Wissensmengen beruhen auf deren Koordinaten, die sich durch die Bezüge der Entwicklungen sowie aus deren Bewertung ergeben. Für die Ein- und Ausgabe der Wissensmengen wird mit den bezogenen Entwicklungen und den Wechselwirkungspaaren operiert, zur Analyse und Verwaltung selbst im wesentlichen mit den zugeordneten Koordinaten. Demnach werden bei der Analyse und Verwaltung auch Wissensmengen berücksichtigt, die keine direkten Bezüge zueinander haben, wenn ihre Koordinaten den Analyse- bzw. Verwaltungsbedingungen genügen. Dadurch ist es rechnergestützt möglich, alle von dem neuronalen Netz erfaßten Wissensmengen gleichermaßen und eindeutig zu verwalten und zu analysieren.

Das neuronale Netz wird rechentechnisch über eine spezielle dynamisch verwaltete assoziative Datenstruktur im Speicher eines Computers realisiert, wozu eine sehr systemnahe Programmierung des diese Datenstruktur generierenden und verwaltenden Verfahrens notwendig ist, insbesondere muß der Zugriff auf einen linearen Speicherbereich ausreichender Größe, die Verwendung und Arithmetik von computerspezifischen Zeigern (im Weiteren kurz Zeiger) auf Teile dieses Speicherbereiches und ein für Rekursionen über die Datenstruktur ausreichend großer Stack gegeben sein. Dadurch ist es möglich, die Eingabe der notwendigen Elemente, Bezüge, Bewertungen usw. speicher- und rechenzeitoptimiert zur inkrementellen Erweiterung einer assoziativen Datenstruktur zu benutzen, deren Speicherplatzbedarf nur annähernd linear mit der Anzahl der Einträge ansteigt und vorzugsweise weniger als 1KB pro Eintrag beträgt. Dadurch ist es möglich, das Wissen eines sehr großen Gebietes, bspw. der Technik, insgesamt in den mit 32 BIT oder bei sehr großen Gebieten mit 64 BIT adressierbaren und mit ausgebauten handelsüblichen Servern realisierbaren Speicherbereichen zu erfassen und zu verwalten.

Die Ein- und Ausgabe des neuronalen Netzes zum Nutzer erfolgt über Kommunikationsverbindungen für Daten, insbesondere vorteilhaft einschließlich des Internets. Vorteilhaft wird das neuronale Netz selbst ausschließlich über die Eingabe eines standardisierten streng chronologischen Streams generiert, indem für jedes Element, welches vorteilhaft mit einem zugeordneten eindeutigen Zeitindex identifiziert wird, das zur Beschreibung dienende Wechselwirkungspaar < Quantität | Qualität > geeignet direkt oder indirekt über Zeiger gespeichert, die angegebenen Bezüge zu anderen Elementen gespeichert und generiert sowie vorteilhaft über Zeiger zeitlich rückwärts, optional auch zusätzlich zeitlich vorwärts, verwiesen werden. Jedes neu eingegebene Element ist mit einem anfangs normierten Gewicht bewertet. Günstig ist es, zur Definition eines Elements den Zeitindex, das Wechselwirkungspaar und die angegebenen Bezüge nutzerspezifisch gegen Manipulation zu signieren/Vorteilhaft können alle notwendigen Informationen zur Ausgabe wieder in den standardisierten streng chronologischen Stream überführt werden. Dadurch ist die Übertragung auf bzw. die Synchronisation von mehreren neuronalen Netzen über Kommunikationsverbindungen und die Datensicherheit gewährleistet. Insbesondere können halbseitig gespiegelte neuronale Netze diesen Stream zusätzlich zu ihren internen Streams einlesen.

Das Wechselwirkungspaar < Quantität | Qualität > definiert über die verbale Beschreibung die Entwicklung und damit genau die Wissensmenge, welche die Quantität auf die Qualität UND umgekehrt die Qualität auf die Quantität abbildet, also innerhalb der Kreuzmenge aller Quantitäten und aller Qualitäten eine Schnittmenge ausbildet. Im idealen Grenzfall ist diese Abbildung mathematisch eineindeutig. Diese dem ideal definierten Merkmal zugeordnete Wissensmenge ist notwendig maximal, da im anderen Fall nicht alle zur Gattung gehörenden Quantitäten oder Qualitäten obige Bedingung erfüllen.

Jeder mit dem neuronalen Netz kommunizierende Nutzer ordnet bei der Angabe oder bei der Bewertung von < Quantität | Qualität > auf Basis seines persönlichen W^Tissens eine konkrete Entwicklung dieser Wissensmenge zu oder nicht. Dadurch wird von dem neuronalen Netz über sehr viele Eingaben verschiedener Nutzer der beschriebene Wissensmenge statistisch unabhängig aufakkumuliert und .,rauschgemindert", indem die wiederholt gleichartig zugeordneten Entwicklungen diesen notwendig konkretisieren. Über gerichtete Bezüge auf bereits eingetragene Bezugsentwicklungen werden die diese definierenden Wissensmengen miteinander verknüpft und begrenzen somit die beschriebenen Wissensmengen der Entwicklung. Eine Konkretisierung der Wissensmenge der Bezugsentwicklungen führt dadurch auch zu einer Konkretisierung der anfänglich nur durch die Bezugsgattung begrenzten ■ Wissensmenge der Entwicklung selbst.

Da ein idealeres Wechselwirkungspaar notwendig eine höhere flächenhafte Wahrscheinlichkeit aufweist, daß eine konkrete Entwicklung innerhalb der Schnittmenge statt nur innerhalb einer der diese bildenden Mengen beinhaltet ist, wird dieses nach einer Akkumulation höher bewertet sein. Je konkreter eine Entwicklung definiert, bzw. eine Frage gestellt wurde, um so höher wird durchschnittlich deren Bewertung - auch für eine optional berechnete sachliche Erfindungshöhe wichtig - und die Qualität, bzw. der Aussagegehalt der Antwort sein. Neu eingetragene Entwicklungen befinden sich notwendig am Ende der assoziativen Datenstruktur bzw. auf dem Rand des Hilbertraumes. Durch die für Neueinträge oder Anfragen vorteilhafte und deshalb vom Nutzer angestrebte hohe Bewertung, welches einer funktionalen Zielfiinktion über dem Rand des Hilbertraumes entspricht, ist statistisch eine Konvergenz zu diesem Extremum gegeben. Entsprechend des RITZ'schen Verfahrens konvergiert die zugrundeliegende assoziative Datenstruktur als solche zu der notwendig existierenden idealen Klassifikation des Wissens. Deshalb eignet sich dieses neuronale Netz nebenbei als Basis eines sich stets dynamisch dem Wissenstand anpassenden automatischen Klassifizierungssystem, indem dieses aus den Hauptbezügen der Netzstruktur generiert wird.

Vorteilhaft wird die Entwicklung mit einem Kurztitel versehen. Es ist auch zur Verbesserung der Lesbarkeit für den Nutzer günstig, eine Kurzbeschreibung der konkret angedachten und in der Wissensmenge beinhalteten Entwicklung beizufügen. Ebenso ist es günstig, neue definierende Quantitäten bzw. Qualitäten auf der Basis der durch angegebene Bezüge vorbekannten Quantitäten bzw.

Qualitäten begrifflich festzulegen. Dadurch wird nebenbei vom neuronalen Netz automatisch je einen Thesaurus für Quantitäten bzw. Qualitäten generiert, welcher diese Begriffe hierarchisch strukturiert und entsprechend des Gewichts der sie verwendenden Elemente bewertet beinhaltet.

Des weiteren kann in diesen Beschreibungen und Definitionen, welche die Wissensbank des neuronalen Netzes darstellen, in üblicher Weise textorientiert und über linguistisch sinnvolle Verknüpfungen im Kontext nach Wörtern und Inhalten recherchiert werden. Dazu wird vorteilhaft je eine rechts- und linkgeordnete indizierte Liste mit Verweis auf den Zeitindex des Elements oder ein Zeiger auf diesen generiert. Ebenso ist es denkbar, basierend auf einer Analyse der Syntax und Semantik in den Definitionen jedes Wechselwirkungspaars, verbunden mit den beiden Thesauren für die Begriffe der Quantität bzw. der Qualität, diese verbalen Definitionen mit einer signifikant hohen Wahrscheinlichkeit in mathematisch logische Terme von Begriffen zu transformieren, welche schließlich rekursiv über die Bezugselemente rechentechnisch aufgelöst werden, um vereinfachte Definitionen zu erhalten oder Widersprüche zu selektieren.

Vorteilhaft werden alle Elemente dynamisch gespeichert und über eine über Zeiger verkettete Liste dynamisch verwaltet. Jedes Element besitzt ein eindeutig zugeordnetes NOT-Element, welches vorteilhaft durch einen Zeiger auf dasselbe Wechselwirkungspaar verwaltet wird. Das NOT-Element bezeichnet genau die von der Wissensmenge des zugeordneten Elements ausgeschlossene Wissensmenge, welche bspw. bei der Bildung von Elementen mit Alternativen unter Nutzung der DE MORGAN'schen Formeln oder bei Ausschließungselementen benötigt wird. Es ist günstig, bei der Generierung eines Elements sogleich das zugeordnete NOT-Element zu generieren. Dieses kann günstig über ein Flag, bspw. das LSB des Zeitindex vom zugeordneten Element unterschieden werden.

Die Generierung der Bezüge selbst erfolgt günstig über eine Intervallschachtelung zur Ermittlung des dem Zeitindex in der konkreten neuronalen Datenstruktur zugeordneten Speicherbereiches des Bezugselements und der ein bzw. wechselseitigen Verkettung dieser über Zeiger. Die jedem einzelnen Element zugeordneten Rückwärts- bzw. Vorwärtsbezüge selbst werden vorteilhaft wiederum über dynamische Listen verwaltet. Die Bezüge selbst wiederum werden vorteilhaft mit dynamisch gespeicherten Bewertungen versehen, welche wiederum über dynamisch verkettete Listen verwaltet werden. Die Bewertungen sind vorteilhaft nutzerspezifisch, wodurch günstig eine gleichartige Mehrfachbewertung vermieden wird. Eine binäre Bewertung ist speichertechnisch günstig über das LSB des eindeutigen Nutzerindex realisierbar. Ein mögliches Bewertungsgewicht kann optional über den Nutzerindex ermittelt und berücksichtigt werden.

Der Koordinatenvektor jedes Elements kann rekursiv über die Vektoraddition aller mit dem jeweiligen Gewicht bewerteten Koordinatenvektoren der Bezugselemente ermittelt werden. Es ist jedoch zur Optimierung von Rechenzeit vorteilhaft, diesen in einem temporären dynamischen Speicherbereich zu verwalten, auf dessen Beginn oder Ende ein Koordinatenzeiger des Elements verweist. Für den vorteilhaft wiederum als dynamisch verkettete Liste aufgebauten Koordinatenvektor ist es wiederum zur Minimierung des benötigten Speicherplatzes vorteilhaft, nur die jeweils notwendigen Koordinaten mit und geordnet nach ihrem Index abzuspeichern. Entsprechend der verwendeten Definition für eine Metrik, Norm und Skalarprodukt - es eignen sich bspw. die euklidischen für den n-dimensionalen Raum, wobei jede Entwicklung eine neue Dimension eröffnet - können diese für die Analyse und Verwaltung wichtigen Größen rechentechnisch einfach berechnet werden. Es ist günstig, die Norm jedes Elements mit diesem temporär zu speichern.

Da die Datenstruktur selbst durch den eingegebenen chronologischen Stream stets verändert wird ist es günstig, allen optionalen temporären Datenbereichen der verschiedenartigen Listenelemente den Zeitindex ihrer letzten Berechnung zuzuordnen. Dadurch muß die bei einer Änderung notwendig werdende rekursive Neuberechnung nur über die wirklich veränderten Bereiche der neuronalen Datenstruktur ausgeführt werden, was die benötigten Berechnungsschritte minimiert. Dazu wird der Berechnungszeitindex mit den jeweilig zugeordneten Zeitindizes dieser Datenbereiche verglichen. Es ist vorteilhaft, für einzelne, vom aktuellen Berechnungszeitindex abweichende Bcrechnungszeitindizes,

&bull; ·« · ■· t 1.1.

bspw. für spezielle Berechnungen in der Vergangenheit, die Benutzung der temporären Datenbereiche auszuschließen, also die gesamte Datenstruktur rekursiv zu berechnen.

Der zur Eingabe dienende chronologische Stream wird bei der Benutzung des neuronalen Netzes durch einen Nutzer generiert, indem dieser bspw. einzutragende Wissensmengen über die Eingabe von bezogenen Entwicklungen definiert, oder auf Entwicklungen bezogene Anfragen an das neuronale Netz stellt. Es ist vorteilhaft, den Nutzer bereits während der verbalen Formulierung des Wechselwirkungspaares des Eintrags bzw. der Anfrage mit Recherchenergebnissen aus der Wissensbank zu gerade eingetragenen Begriffen zu informieren, aufweiche der Nutzer anschließend gegebenenfalls Bezug nehmen wird. Dadurch wird die Datenstruktur stets etwas erweitert und das neuronale Netz trainiert. Letzteres wird günstigerweise über eine implizite positive Bewertung der Wissensmenge einer angegebenen Bezugsentwicklung realisiert, da eine Bezugnahme eine subjektiv positive Bewertung der durch das Wechselwirkungspaar beschriebenen Entwicklung darstellt. Des weiteren sind explizite Bewertungen, vorzugsweise binäre, und die Angabe weiterer Bezüge durch dritte Nutzer möglich und günstig für das Training des neuronalen Netzes. Bei besonderer Berechtigung, bspw. auf Grund einer Qualifikation oder hoheitlicher Berufung als Professor oder Prüfer, kann eine Bewertung mit einem prüferspezifisch höheren Bewertungsgewicht (im weiteren Prüfung) erfolgen. Zur Prüfung einer Entwicklung wird vorteilhaft die Gesamtheit der Bezugsentwicklungen daraufhin geprüft, ob nach subjektiver Wertung des Prüfers die Entwicklung in den einzelnen Wissensmengen der Bezugsentwicklungen enthalten ist, also von deren Lehren Gebrauch macht. Die Wirkung der Bewertungen spezieller Länder, Ämter, Prüfer, Nutzer usw. können optional nachträglich über spezielle Filter unterschiedlich umgewichtet werden.

Der zur Eingabe dienende Stream kann alternativ oder vorteilhaft ergänzend auch im Preprozessing aus Dokumenten generiert werden, in den Wissen von bezogenen Entwicklungen beinhaltet ist und welche durch ihre weitgehend einheitliche Strukturierung und spezifische Formulierung dieses Wissen mit einer hinreichenden Signifikanz über eine rechnergestützte automatische Projektion aus ihrem Kontext in das Format des Streams zu konvertieren ermöglichen. Als besonders geeignet sollten sich Patentdokumentationen im Textformat erweisen, wobei dem angegebenen Stand der Technik, der Aufgabe und dem Wesen der Erfindung bzw. dem kennzeichnenden Teil der Schutzansprüche mit ihren typischen Formulierungen, sowie deren anzahlmäßige Zuordnung zu insbesondere niedrigen Bezugsnummern eine besondere Bedeutung zukommt. Es ist vorteilhaft, bereits beim Preprozessing die gewöhnlichen Recherchenmöglichkeiten und den Thesauais über der Wissensbank des neuronalen Netzes zu benutzen, um die entsprechend signifikanten Textstellen herauszufiltern. Diese sollten bezüglich ihrer Begriffe stets ein hohes Konkretisierungsniveau aufweisen. Ebenso ist es günstig, derartiges Wissen mit einem Verweis auf das zugrundeliegende Dokument, bspw. die Patentnummer, zu versehen sowie den zuerkannten Zeitrang zu vermerken, was insbesondere bei Analysen im Patentwesen nützlich ist. Eine weitere Quelle zur automatischen Generierung von Streams sollten die Patentklassifikation und Fachlexika darstellen. Im weiterbildenden speziellen Anwendungsfall der Genanalyse werden Gensequenzen mit den zugeordneten erkannten biologische Funktionen eingelesen, in der Makroökonomie Produktbeschreibungen und zugeordnete Kundengruppenbeschreibungen.

Besonders für Anwendungen im Patentwesen ist es vorteilhaft, zur Problematik der Geheimhaltung eine entsprechende Verschlüsselung, Identifizierung des Berechtigten und Authentifizierung der Eingaben über implementierte kryptologische Verfahren sicherzustellen. Mit dem beim Eintrag angelegten eindeutigen Zeitindex und einem eindeutigen Nutzerindex kann vorteilhaft mit diesen beiden Indizes die Authentizität der Beschreibung und der Bezüge gewährleistet und diese optional verschlüsselt werden. Eine Offenlegungsschonfrist könnte über einen entsprechenden Zeitfilter bei der Ausgabe gewährleistet werden. Das Wissen eines Schutzrechts könnte als Kopie mit unveränderbaren abschließenden Bezügen mit einem besonderen Flag gekennzeichnet werden. Bezüglich eines derartigen Schutzrechtswissens ist zu einem gegebenen Zeitindex gegenüber der Datenstruktur optional eine rechentechnisch definierte sachliche Neuheit bezüglich des resultierenden logischen Terms der definierenden Begriffe der Gesamtheit der signifikanten Bezüge sowie eine rechentechnisch definierte sachliche Erfindungshöhe über Funktionale wie dem Skalarprodukt berechenbar, bspw. als orthogonaler Abstand vom Trend aller

logischen Terms der definierenden Begriffe der Gesamtheit der signifikanten Bezüge sowie eine rechentechnisch definierte sachliche Erfindungshöhe über Funktionale wie dem Skalarprodukt berechenbar, bspw. als orthogonaler Abstand vom Trend aller nächstliegenden Entwicklungen, ohne eine abschließende Aussage über diese Rechtsbegriffe zu treffen. Für Schutzrechtswissen wäre des Weiteren ein Verweis auf das zugeordnete amtliche Register mit dem Rechtsstand sinnvoll.

Anwendung findet dieses neuronale Netz zum Wissensmanagement insbesondere als zentraler Wissensserver, welcher für die Mehrzahl der Endkunden über das Internet kostenfrei oder optional über Einbindung eines sicheren e-Commerce Systems für Informations- und Finanzdienstleitungen kostenpflichtig zur Verfügung steht und entsprechende sachliche Einträge oder Anfragen zu Wissen bedient. Für Dienstleister sind erweiterter Analysmöglichkeiten und für größere Firmen separate neuronale Netze, die mit dem zentralen Netz über eine Kommunikationsverbindung verbunden und optional halbseitig gespiegelt sind, günstig. Hoheitliche Strukturen besitzen vorteilhaft neben der Prüfungsberechtigung spezielle, auf das jeweilige SpezialWissensgebiet zur Beschreibung der realen Welt angepaßte Systeme, bspw. für Patentwesen, Makroökonomie und Genanalyse.

Die folgenden Figuren versuchen, die Erfindung zu verdeutlichen, ohne daß diese dadurch beschränkt wird oder auf alle in der Beschreibung angegebenen wesentlichen Merkmale Bezug genommen werden kann und soll.

Nach Fig. 1 besteht ein neuronales Netz 1 zum rechnergestützten Wissensmanagement aus (üblicherweise als Neuronen bzw. Knoten bezeichneten) aufeinander bezogenen und gewichteten Elementen 2, welche durch ihre speziellen Eigenschaften einen Hilbertraum 3 ausbilden und denen vorzugsweise ein Koordinatenvektor 4 zugeordnet ist, welcher beim Wurzelelement vorteilhaft [0] gewählt wird.

Nach Fig. 2 ist jedem einzelnen Element 2 der entsprechenden Einzelheit in Fig. 1 ein Bedeutungsinhalt zugeordnet, welcher als spezielle Form der Beschreibung der Entwicklung als Wechselwirkungspaar 5 ausgebildet ist, und vorzugsweise eine Quantität 6 und eine Qualität 7 beschreibt, und damit über deren Schnittmenge genau die Wissensmenge 8 definiert, welche die Quantität 6 auf die Qualität 7 und die Qualität 7 auf die Quantität 6 abbildet. Über gerichtete Bezüge 9 auf bereits eingetragene Bezugsentwicklungen werden diese dort definierten Wissensmengen 8, 10 miteinander verknüpft und begrenzen somit die beschriebene Wissensmenge 11 der sich darauf beziehenden Entwicklung. Eine Konkretisierung der Wissensmengen 8, 10 der Bezugsentwicklungen führt dadurch auch zu einer Konkretisierung der anfänglich nur durch die Bezugsgattung 12 begrenzten Wissensmenge 11 der sich darauf beziehenden Entwicklung selbst.

Nach Fig. 3 dient der zur Eingabe benutzte Stream 13 in Form eines Datenstroms, welcher streng chronologisch die Beschreibung in Form eines Wechselwirkungspaares 5 und die Bezüge 9 auf bereits eingetragene Elemente 2 beinhaltet, zur inkrementellen Erweiterung des neuronalen Netzes, indem in die im linearen Speicherbereich 14 des Computers dynamisch über verkettete Listen 15 verwalteten assoziativen Datenstruktur neue Strukturelemente 16 eingefügt und über computerspezifische Zeiger 17 verknüpft werden. Vorteilhaft bilden ein Element 2 und ein NOT-Element 18 ein Paar 19, welches auf das Wechselwirkungspaar 5 zeigt und vorteilhaft eine Koordinatenliste 20 beinhaltet, welche die Koordinaten des Elements 2 beinhaltet, die invertiert den Koordinaten des NOT-Elements entsprechen. Jedem Element 2 und jedem NOT-Element 18 ist vorteilhaft eine Rückbezugs liste 21 und eine Vorwärzbezugsliste 22 zugeordnet, wobei den Bezugslisten 21, 22 vorteilhaft Bewertungslisten 23 zugeordnet sind.

Claims (6)

1. Neuronales Netz zum rechnergestützten Wissensmanagement, wobei das neuronale Netz (1) aus aufeinander bezogenen und gewichteten Elementen (2) besteht, welche rechentechnisch als assoziative Datenstruktur dynamisch im Speicher des Rechners angelegt ist, und den einzelnen Elementen (2) ein Bedeutungsinhalt zugeordnet ist, dadurch gekennzeichnet,
daß als Bedeutungsinhalt jedem Element (2) eine Beschreibung einer bezogenen Entwicklung zugeordnet ist oder diese direkt beinhaltet,
daß diese Beschreibung in Form eines Wechselwirkungspaares (5) ausgebildet ist und
daß die Elemente (2) einen Hilbertraum (3) ausbilden.

2. Neuronales Netz zum rechnergestützten Wissensmanagement nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß das Wechselwirkungspaar (5) <Quantität (6)|Qualität (7)> jedes Elements (2) über die verbale Beschreibung die bezogene Entwicklung und damit genau die Wissensmenge (8) definiert, welche die Quantität (6) auf die Qualität (7) und die Qualität (7) auf die Quantität (6) abbildet und daß jedes Element (2) durch das Wechselwirkungspaar (5) eine Schnittmenge ausbildet.

3. Neuronales Netz zum rechnergestützten Wissensmanagement nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
daß den Elementen (5) genau ein Koordinatenvektor (4) zugeordnet ist oder diesen direkt beinhaltet, welcher optional über Rekursionen im neuronalen Netz (1) berechnet wird,
daß dieser Koordinatenvektor (4) optional als dynamisch verkettete Liste (15) ausgebildet ist und daß dieser Koordinatenvektor (4) optional nur die notwendigen Koordinaten mit und nach ihrem Zeitindex geordnet beinhaltet.

4. Neuronales Netz zum rechnergestützten Wissensmanagement nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
daß jedes Element (2) beim Eintrag einen eindeutigen Zeitindex und einen eindeutigen Nutzerindex beinhaltet,
daß optional mit Hilfe dieser beiden Indizes die Authentizität der Beschreibung und der Bezüge (9) gewährleistet und diese optional verschlüsselt sind,
daß optional über einen temporären Datenbereich der verschiedenartigen Listenelemente der Berechnungszeitindex ihrer letzten Berechnung zugeordnet ist, wobei dieser Berechnungszeitindex optional vor Ausführung der Berechnung mit dem aktuellen Berechnungszeitindex verglichen wird.

5. Neuronales Netz zum rechnergestützten Wissensmanagement nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
daß es als zentraler Wissensserver verwendet wird,
daß es optional über das Internet und optional über Einbindung eines sicheren e-Commerce Systems mit dem Nutzer verbunden ist,
daß optional separate neuronale Netze (1) mit dem zentralen Netz über eine Kommunikationsverbindung verbunden und optional halbseitig gespiegelt sind,
daß optional speziell angepaßte Systeme für Patentwesen, Makroökonomie oder Genanalyse realisiert sind.

6. Neuronales Netz zum rechnergestützten Wissensmanagement nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
daß für eine Anwendung im Patentwesen eine Verschlüsselung, Identifizierung des Berechtigten und Authentifizierung der Eingaben über implementierte kryptologische Verfahren sichergestellt ist,
daß optional über einen entsprechenden Zeitfilter bei der Ausgabe eine Offenlegungsschonfrist realisiert ist,
daß optional das Wissen eines Schutzrechts als Kopie mit unveränderbaren abschließenden Bezügen und mit einem besonderen Flag gekennzeichnet ist,
daß optional eines derartigen Schutzrechtswissens ist zu einem gegebenen Zeitindex gegenüber der Datenstruktur optional eine rechentechnisch definierte sachliche Neuheit bezüglich der Gesamtheit der signifikanten Bezüge sowie eine rechentechnisch definierte sachliche Erfindungshöhe über Funktionale berechenbar ist,
daß optional ein Verweis auf das zugeordnete amtliche Register mit dem Rechtsstand beinhaltet ist.