专利信息直接反映技术装置的相关信息，因此，通过产品的技术装置与功能间的对应关系、IPC下各技术装置的相关专利数量、各IPC所属的技术研究区域的不同，通过加权求和的方式最终计算出各功能相关的虚拟专利数量，进而通过对比识别出产品的非主流功能。

NDI的各技术研究面域，各面域所涉及的IPC分类及所包括的技术装置分析结果如图4.2所示。由于不同的IPC分类包括相同的技术装置，而相同的技术装置对应于同一项功能，由于TM41与TM31为同一技术装置，两者对应于子功能F1，在表格中使用“√”在行与列的交叉位置标示出；同理，根据技术装置与功能间对应关系，在技术装置与功能的交叉位置进行标记。

通过筛选有效专利并提取技术信息，对各IPC分类所包括的各技术装置所对应的专利数量进行统计，结果分别为NTM31，…，NTMm，如表4.3中最后一列数据所示。针对各技术装置所属的技术区域及其所对应的有效专利数量，分别以加权求和的方式计算各子功能的相关研究密度，进而优选出非主流功能。例如，TM32、TM6、TM72为同一技术装置，对应于相同的功能F2，因此为获取功能F2的相关研究密度，需将三者相关的专利研究数量进行求和。由于三者分别位于IPC3、IPC6、IPC7下，IPC3属于技术区域A2，IPC6与IPC7属于技术区域A3，而A2与A3的面域影响系数不同（根据Ai面域的影响系数ΨAi=1+0.5×（k-i）计算），因此进行加权求和：功能F2的相关研究密度为（ΨA2×NTM32+ΨA3×（NTM6+NTM72）。依次计算各项功能的相关研究密度，结果如表4.3中最后一行结果所示。(www.daowen.com)

表4.3　功能相关研究密集度分析

功能相关研究密度计算结果为与此功能相关的虚拟专利数量值，反映了功能的相关研究密集程度。数值越大，表示产品子功能受关注程度越高。根据产品子功能受关注程度的不同，将子功能划分为两类：主流功能与非主流功能。假设此行数据中的数值，ΨA2×NTM42与ΨA2×NTM5明显小于该行中的其他数据，表明其所对应的功能F3与F5的相关研究密集程度较低，受关注程度较低，为此产品的非主流功能。