Tracing the technological development trajectory in post-lithium-ionbattery technologies

本文主要是介绍Tracing the technological development trajectory in post-lithium-ionbattery technologies，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

摘要：

首先，根据客观数据，我们确定了后锂离子电池技术目前的研究趋势和前景，帮助研发规划者确定其进一步的研发方向。对后锂离子电池技术发展轨迹的探索，可以为相关研究人员更好地了解动态和战略调整提供参考，对清洁能源和绿色化学的发展具有深远的意义。

其次，它发现了交互知识领域的动态，这表明技术收敛的趋势增加。在锂空气和锂硫电池的情况下，观察到有关核心电池组件（电池配置和电解质)的知识领域与应用驱动的知识领域(电动汽车和电话）之间存在显著的相互作用。在钠离子电技术的情况下这些相互作用的强度相当弱。因此，研究人员需要寻找他们传统知识边界之外的新知识，以加速后锂离子电池的商业突破。特别是，与电动汽车相关的知识领域在所有被检查的电池技术中都获得了重要意义，这反映了生产高能电池系统的驱动力。

第三，通过比较不同机器学习算法的预测能力，它预测了那些在未来研究中可能获得更多相关性的知识领域。

数据：

我们从德温特创新指数(DII)中收集了专利数据，该指数是最全面的国际专利信息数据库之一，涵盖了自1963年以来来自全球 52个专利颁发机构的7000万项专利。

算法：

在选择最优机器学习算法方面，我们测试了三种不同的分类器(支持向量机(SVM)、高斯朴素贝叶斯和决策树分类器)，比较了它们的性能，并使用机器预测模型预测了最佳的预测性能。

input：

Train：

随机抽样，80%的特征向量用于训练所选的分类器，而测试使用剩下的20%。通过计算精度、精度和召回度量，验证了分类器模型的性能。

时间划分：

本研究主要分析自2008年起被审查的专利数据，以描述专利活动中最新的知识互动趋势。将纳入的年份分为三个不同的时间间隔(2008-2010；2011-2013；2014-2016)，以捕捉每种电池技术的进化动态。我们使用了四位数的专利分类方案。组级信息)，以获得知识区域如何相互关联的更细粒度的图像，并将网络可视化的复杂性保持在一定的范围内。