对比文件名称：2001-05-15_US6233230B_发明授权_US06233230B1 Neural network IS-95 rate determination
目标专利名称：711通信系统中的端到端学习CN111566673B
本次调用的模型名称：未提供（根据指令，此处仅作说明，实际回答中无需体现）
---
### 特征比对表格
| 技术特征描述及公开性判断 | 对比文件原文引用 | 公开性论述 |
| **技术特征A**：包括：将多个发射器神经网络和多个接收器神经网络组织成多个发射器接收器神经网络对，<br>《未公开》 | 对比文件整体涉及一种在CDMA系统中使用神经网络进行速率确定的装置和方法。其核心组件是一个神经网络（36），该神经网络接收从解交织符号帧计算出的多个输出特征值，并产生多个输出速率确定值。对比文件中仅存在一个神经网络，用于分类任务，并未提及任何“发射器神经网络”或“接收器神经网络”，更没有将它们组织成“发射器接收器神经网络对”的概念。例如，在“SUMMARY OF THE INVENTION”部分提到：“a neural network for processing the plurality of output feature values according to a predetermined set of weights to produce a plurality of output rate determination values”。 | 对比文件描述的系统架构是传统的通信接收器设计，其神经网络仅作为接收端的一个分类器组件，用于确定接收信号的速率，然后控制维特比解码器。目标专利权利要求1的技术特征A要求将多个发射器神经网络和多个接收器神经网络组织成多个发射器接收器神经网络对。对比文件中不存在发射器神经网络，也不存在成对的组织结构。本领域技术人员无法从对比文件中毫无疑义地得出该技术方案，也无法通过推理直接、隐含地得出该特征。 |
| **技术特征B**：其中发射器接收器神经网络对针对多载波传输系统的多个子载波频带中的每个子载波频带而被定义<br>《未公开》 | 对比文件全文未提及“多载波传输系统”、“子载波频带”、“正交频分复用（OFDM）”等概念。其技术背景和应用场景明确限定为“spread spectrum, code division, multiple access (CDMA) communication system”（扩频码分多址通信系统），这是一种单载波扩频技术。例如，在“Field of the Invention”部分指出：“This invention relates to decoding in a spread spectrum, code division, multiple access (CDMA) communication system...”。 | 目标专利技术特征B限定了神经网络对是针对多载波系统的每个子载波频带定义的。对比文件的技术方案完全基于CDMA系统，没有多载波或子载波的概念，因此不存在针对子载波频带定义神经网络对的基础。本领域技术人员无法从对比文件中直接或隐含地获得该特征。 |
| **技术特征C**：将所述多载波传输系统的多个符号布置成多个传输块<br>《未公开》 | 对比文件涉及对“a frame of deinterleaved symbols”（一帧解交织符号）的处理，如“SUMMARY OF THE INVENTION”中所述：“a deinterleaver for deinterleaving the recorded, encoded signal and outputting a frame of deinterleaved symbols”。其处理单元是“帧”，并未提及将符号进一步“布置成多个传输块”的操作。 | 目标专利技术特征C要求将符号组织成传输块，这是后续映射到不同神经网络对的基础。对比文件仅以整个帧为单位进行处理，没有对帧内符号进行分块的操作或教导。因此，该特征未被公开。 |
| **技术特征D**：将所述传输块中的每个传输块映射到所述发射器接收器神经网络对中的一个发射器接收器神经网络对<br>《未公开》 | 对比文件中仅有一个神经网络用于速率确定，不存在多个神经网络对，因此不存在“映射”传输块到不同神经网络对的过程。其处理流程是将整个帧的特征值输入到同一个神经网络中。例如，图2显示特征计算电路（34）的输出直接提供给神经网络（36）。 | 目标专利的映射操作是实现自适应编码和调制的关键，依赖于存在多个可选的神经网络对。对比文件缺乏多个神经网络对这一前提，因此无法实现或教导这种映射操作。本领域技术人员无法从对比文件中得出该特征。 |
| **技术特征E**：使用所映射的所述发射器接收器神经网络对来传输每个符号<br>《未公开》 | 对比文件的神经网络仅用于接收端的速率判决，不参与信号的“传输”过程。对比文件关注的是如何解码已接收的信号，其神经网络的作用是处理接收到的特征值以控制解码器。例如，“SUMMARY OF THE INVENTION”中指出神经网络输出用于选择速率，然后“The selected rate...is supplied to a viterbi decoder”。整个过程中没有用神经网络来传输符号。 | 目标专利技术特征E明确使用神经网络对来执行符号的传输，即将神经网络作为发射机的一部分。对比文件中的神经网络是纯粹的接收端分析工具，不具备发射功能。两者在技术方案和作用上完全不同，该特征未被公开。 |
| **技术特征F**：针对每个发射器接收器神经网络对，使用损失函数来训练发射神经网络和接收神经网络的至少一些权重。<br>《隐含公开》 | 对比文件明确描述了对其神经网络权重的训练过程，并使用了损失函数。在“DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENT”部分提到：“The weights of the neural network 36 are computed (or “trained”) to minimize the classification error.”（神经网络36的权重被计算（或“训练”）以使分类误差最小化。）训练过程使用了反向传播算法：“The neural network weights were calculated by online backpropagation training using 42,000 patterns.”（神经网络权重通过使用42,000个模式的在线反向传播训练来计算。） | 目标专利特征F的核心是使用损失函数训练神经网络权重。对比文件公开了使用“最小化分类误差”这一损失函数，并通过反向传播（随机梯度下降的一种形式）来训练其神经网络的权重。虽然对比文件中的神经网络不是发射-接收对的结构，但其公开了在通信系统中使用损失函数训练一个神经网络权重的完整技术方案。本领域技术人员在面对训练“发射器接收器神经网络对”的任务时，可以合理地从对比文件中推断出，同样可以采用损失函数（如分类误差）来训练每一对中的发射和接收神经网络的权重。因此，该特征被隐含公开。 |
| **技术特征G**：还包括映射在所述多个接收器神经网络处接收的每个符号，以生成对传输的所述符号的估计。<br>《隐含公开》 | 对比文件的神经网络输出多个速率确定值，并通过比较选出最大值对应的速率，这本质上是一个从接收信号特征到离散速率类别的映射，并作出了“估计”或“判决”。其判决结果用于控制维特比解码器生成最终的符号估计。在“SUMMARY OF THE INVENTION”中描述：“A rate detection circuit compares the plurality of output rate determination values...and selects a rate...”。其Matlab代码实现部分也展示了寻找最大输出值作为判决结果的过程。 | 目标专利特征G描述了接收端神经网络对接收符号的处理，以生成对传输符号的估计。对比文件中的神经网络接收从接收符号计算出的特征值，并输出对传输速率（与传输符号的编码方式直接相关）的估计。虽然对比文件不是直接输出符号，但其处理过程是“映射接收到的信息（特征值）以生成对传输状态（速率）的估计”。考虑到隐含公开判断标准非常宽松，本领域技术人员可以推断，将类似的神经网络映射结构用于直接生成对传输符号的估计是可能的。因此，该特征被隐含公开。 |
| **技术特征H**：其中所述发射神经网络和接收神经网络的所述至少一些权重使用随机梯度下降而被训练。<br>《隐含公开》 | 对比文件明确记载了其神经网络的训练方法：“The neural network weights were calculated by online backpropagation training using 42,000 patterns.”（神经网络权重通过使用42,000个模式的在线反向传播训练来计算。）“在线反向传播训练”是随机梯度下降（SGD）的一种经典实现形式，它基于单个或小批量样本更新权重。 | 目标专利特征H指定了使用随机梯度下降（SGD）进行训练。对比文件公开了使用“在线反向传播训练”，这在本领域中与SGD是同义的或紧密相关的技术。本领域技术人员能够毫无疑义地认识到，对比文件中训练其神经网络的方法就是随机梯度下降。因此，可以推断将该训练方法应用于发射和接收神经网络的权重训练是显而易见的。该特征被隐含公开。 |
| **技术特征I**：其中所述损失函数与块错误率有关。<br>《隐含公开》 | 对比文件中的损失函数是“分类误差”（classification error）。该神经网络的目标是正确地对接收到的帧（一个“块”）的数据速率进行分类。速率判决错误即导致整个块的解码错误，这与“块错误率”（Block Error Rate）的概念直接相关。文中提到：“The weights...are computed (or “trained”) to minimize the classification error.” | 目标专利特征I指出损失函数与块错误率有关。对比文件中的“分类误差”直接反映了对传输块（帧）的速率判决的正确与否，一个错误的速率判决会导致整个块解码失败，因此最小化该分类误差等价于最小化块错误率。本领域技术人员可以合理推断出，这种与块级别性能相关的损失函数可以应用于端到端学习系统中。该特征被隐含公开。 |
| **技术特征J**：其中每个符号经由信道从所映射的所述发射器接收器神经网络对的所述发射器神经网络被传输到所述接收器神经网络。<br>《未公开》 | 对比文件中没有发射器神经网络，信号传输是通过传统的CDMA发射、信道和RAKE接收机完成的。神经网络仅位于接收端，不参与信号从发射端到接收端的传输过程。 | 目标专利特征J描述了符号从发射神经网络经过信道到达接收神经网络的完整传输链路。对比文件完全缺失了发射神经网络这一环节，其信道是传统通信信道，连接的是传统发射机和接收机。该技术方案与目标专利的端到端神经网络传输系统有本质区别，未被公开。 |
| **技术特征K**：其中所述信道对于所述多个发射器和接收器神经网络对中的每个发射器和接收器神经网络对是公共的。<br>《未公开》 | 对比文件中不存在多个神经网络对，因此不存在“公共信道”的概念。其系统只有一个物理信道供所有用户共享，但这与目标专利中多个神经网络对共享一个信道模型的概念不同。 | 目标专利特征K是基于存在多个神经网络对的前提，并指出它们共享同一个信道。对比文件既没有多个神经网络对，也没有将它们通过一个公共信道连接的教导。该特征未被公开。 |
| **技术特征L**：其中所述信道是包括一个或多个计算层的模型。<br>《未公开》 | 对比文件中的信道是真实的物理信道，其影响是通过添加高斯白噪声来模拟的。例如，在描述训练数据生成时提到：“Gaussian white noise was added so that the ratio of energy per symbol to noise (E<sub>s</sub>/N<sub>o</sub>) varied uniformly...”（添加高斯白噪声...）。这只是一个简单的噪声模型，并非一个“包括一个或多个计算层的模型”。 | 目标专利特征L将信道明确定义为一个具有多个计算层的神经网络模型，用于模拟复杂的硬件效应和传播现象。对比文件仅使用简单的加性噪声模型，没有提及或暗示使用多层计算网络来对信道建模。该特征未被公开。 |
| **技术特征M**：还包括优化所述传输块中的每个传输块到所述发射器接收器神经网络对的所述映射。<br>《未公开》 | 对比文件不涉及传输块到神经网络对的映射，因此也不存在对该映射的优化。其处理流程是固定的：解交织后的帧 -> 特征计算 -> 神经网络 -> 速率判决。 | 目标专利特征M要求对映射关系进行优化。由于对比文件不存在这种映射，自然没有优化映射的步骤或动机。该特征未被公开。 |
| **技术特征N**：其中所述传输块中的每个传输块的所述映射使用增强学习而被优化。<br>《未公开》 | 对比文件未提及任何与“增强学习”相关的内容。其神经网络训练使用的是监督学习中的反向传播算法。 | 目标专利特征N具体限定了使用“增强学习”作为优化映射的方法。对比文件中完全没有增强学习的概念或应用。本领域技术人员无法从对比文件中得出该特征。 |
| **技术特征O**：还包括跨不同符号的数据比特的交织。<br>《未公开》 | 对比文件中提到了“deinterleaver”（解交织器），这是对发射端交织操作的逆操作。例如，图2中组件30即为解交织器。这暗示了在发射端存在交织操作，但其交织是为了抵抗信道衰落，并非目标专利中为了实现“跨不同符号的数据比特的交织”以增加分集。 | 目标专利特征O的交织是在将消息比特映射到传输块的过程中进行的，目的是为了增加多样性。对比文件中的交织/解交织是传统CDMA物理层处理的一部分，其上下文和作用与目标专利中的交织不同。尽管都存在“交织”一词，但其在各自系统中的角色和目的不同。本领域技术人员无法将对比文件中的传统交织直接对应到目标专利中特定的交织操作。该特征未被公开。 |
| **技术特征P**：还包括使用载波频率偏移神经网络模块来校正载波频率偏移。<br>《未公开》 | 对比文件通篇未提及载波频率偏移（CFO）及其校正问题，也未使用任何神经网络模块来处理CFO。 | 目标专利特征P是一个高度特定的技术特征，要求使用一个专门的神经网络模块来校正CFO。对比文件中完全没有关于CFO或相关神经网络模块的记载。该特征未被公开。 |
| **技术特征Q**：还包括使用信道均衡神经网络模块来执行信道均衡。<br>《未公开》 | 对比文件中的接收机使用RAKE接收机来对抗多径效应，这是一种传统的信道均衡技术，而非神经网络模块。文中提到了“RAKE receiver”，但未将其与神经网络结合或使用神经网络进行均衡。 | 目标专利特征Q要求使用神经网络模块来执行信道均衡。对比文件采用的是传统RAKE接收机技术，没有使用神经网络进行信道均衡的教导或暗示。该特征未被公开。 |
| **技术特征R**：其中所述多载波传输系统是正交频分复用系统。<br>《未公开》 | 对比文件明确指出其应用领域是CDMA系统，而非正交频分复用（OFDM）系统。例如，“Field of the Invention”中写明了“spread spectrum, code division, multiple access (CDMA) communication system”。 | 目标专利特征R将其技术方案限定在OFDM系统中。对比文件的技术方案完全基于CDMA系统，两者是不同的无线接入技术。本领域技术人员无法从CDMA系统的描述中得出OFDM系统的特征。该特征未被公开。 |
| **技术特征S**：其上存储有计算机可读指令，当所述计算机可读指令由计算装置执行时使所述计算装置执行根据权利要求1至13中任一项所述的方法。<br>《隐含公开》 | 对比文件在“DETAILED DESCRIPTION”部分提供了完整的Matlab代码实现，用于执行其速率确定方法。这本质上就是存储在计算机可读介质上的计算机可读指令。例如，代码以“function rate = nnClassifyRateSimpleV(inputs)”开始，并给出了完整的算法逻辑。 | 目标专利特征S要求一种存储有计算机可读指令的介质，当指令被执行时，实现前述方法。对比文件虽然实现的是其自身的速率确定方法，而非目标专利权利要求1-13的方法，但它明确公开了将神经网络算法以计算机程序代码（Matlab代码）的形式体现，并隐含地可存储于任何计算机可读介质中。考虑到隐含公开判断标准极为宽松，本领域技术人员可以推断，将任何神经网络方法（包括目标专利的方法）实现为存储在介质上的计算机可读指令是常规做法。因此，该特征被隐含公开。 |
<<<f>>><<<g>>><<<h>>><<<i>>><<<s>>>