对比文件名称：2015-09-03_US2015249554A_发明申请_US20150249554A1 ADAPTIVE DEMODULATION METHOD AND APPARATUS USING AN ARTIFICIAL NEURAL NETWORK TO IMPROVE DATA RECOVERY IN HIGH SPEED CHANNELS
目标专利名称：711通信系统中的端到端学习CN111566673B
模型名称：Claude-4.5-Haiku
### 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。 **《未公开》** | 无明确引用。 | 对比文件整体涉及一种基于人工神经网络的解调器，其核心是利用单个神经网络在接收端同时处理I/Q不平衡和符号间干扰（ISI）。对比文件的摘要、[0009]、[0029]、[0057]段均指出，该发明是一个集成的解调器，用于同时补偿I/Q不平衡和均衡ISI。对比文件并未提及将发射器端和接收器端的神经网络配对使用，更没有描述将多个发射器神经网络和多个接收器神经网络组织成“对”的概念。对比文件的神经网络仅位于接收端，作为解调器的一部分。因此，该特征既未被直接公开，也未被隐含公开。 |
| **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。 **《未公开》** | 无明确引用。 | 对比文件提到了OFDM系统（[0004]），但仅将其作为背景技术中多载波系统的一个例子进行描述。在对比文件所提出的发明中，其神经网络解调器是作为一个整体来处理接收信号的，并未针对OFDM系统中的每个子载波频带定义独立的、成对的发射器和接收器神经网络。对比文件的神经网络结构（如图3所示）是一个通用的两层级联网络，其输入是接收到的I和Q数据，输出是恢复的符号，没有对应子载波的特定结构。因此，该特征未被公开。 |
| **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。 **《未公开》** | 无明确引用。 | 对比文件的整个技术方案集中于接收端解调器的设计，即如何利用神经网络处理已经接收到的、受到损伤的信号。对比文件没有涉及发射端如何组织或准备待传输的数据，没有提及将多个符号布置成“传输块”这一操作步骤。其输入数据流是连续的或基于符号的，但没有被组织成具有特定大小和映射关系的“块”。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。 **《未公开》** | 无明确引用。 | 如前所述，对比文件中不存在“发射器接收器神经网络对”的概念，因此也就不存在将传输块映射到这些“对”的操作。对比文件的接收端只有一个集成的神经网络解调器，所有接收到的数据（无论来自哪个载波或时隙）都由这同一个网络处理。不存在根据不同传输块选择不同神经网络对的动态映射机制。因此，该特征未被公开。 |
| **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。 **《未公开》** | 无明确引用。 | 对比文件的神经网络仅用于接收端的解调、均衡和I/Q补偿，完全不涉及发射端的传输过程。对比文件的图1和图3明确显示神经网络位于接收器侧。对比文件没有描述使用神经网络来生成或处理用于传输的符号。其“传输”步骤是由传统的发射器（TXSRF）完成的，与神经网络无关。因此，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。 **《未公开》** | 无明确引用。 | 对比文件确实描述了使用损失函数（均方误差，见公式(5)）来训练神经网络（[0075]），但其训练对象仅是接收端的神经网络解调器。对比文件的训练过程旨在确定权重(w1, b1, w2, b2)，以便最小化恢复的符号xr与发送的符号xt之间的均方误差。这个训练过程不涉及对任何发射器神经网络的权重进行训练，也不存在针对多个“发射器接收器对”的分别训练。因此，该特征未被公开。 |
| **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。 **《隐含公开》** | [0076] “The neural network input is the vector concatenation of the received I & Q data, i.e. P=[y′I; y′Q] ... xr=A2[xIr]+j A2[xQr]” | 对比文件明确描述了其神经网络解调器的功能：接收损伤的I/Q数据作为输入，经过网络各层的计算，最终输出xr，即对原始发送符号xt的估计（[0075]）。在对比文件的语境中，这个神经网络解调器本身就充当了接收器神经网络的角色。虽然对比文件没有明确提及“映射”操作，但其神经网络将接收到的信号向量（P）通过一系列计算（公式7-10）最终“映射”为对发送符号的估计（xr），这一过程实质上是特征G所述的功能。然而，对比文件使用的是单个接收器神经网络，而非“多个接收器神经网络”，因此只能认为是部分公开，属于隐含公开。 |
| **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。 **《隐含公开》** | [0075] “...the neural network training process determines the coefficients... such that the mean squared error... is minimized.” | 对比文件在[0075]段描述了神经网络的训练过程，其目标是确定系数（权重和偏置）以最小化均方误差。尽管对比文件全文未明确出现“随机梯度下降”（Stochastic Gradient Descent）这一术语，但它指出了一个迭代优化问题（argmin公式(5)）。对于本领域技术人员而言，在训练神经网络以最小化损失函数时，随机梯度下降（SGD）及其变体是最常用和最基本的方法。特别是考虑到对比文件[0080]中提到其输入向量长度可变以加速收敛，这与SGD中随机采样训练样本的思想相契合。因此，本领域技术人员可以从对比文件的训练过程中合理推断出使用SGD的可能性，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。 **《未公开》** | 无明确引用。 | 对比文件在[0075]段明确定义了其训练神经网络所使用的损失函数是“均方误差”（mean squared error），即最小化恢复符号与发送符号之间差值的平方的期望。均方误差是一种符号级或样本级的误差度量，与“块错误率”（Block Error Rate, BLER）这种衡量整个数据块是否被正确解码的度量方式完全不同。对比文件全文没有提及或暗示其损失函数与块错误率有任何关联。因此，该特征未被公开。 |
| **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。 **《未公开》** | 无明确引用。 | 如对特征E的分析，对比文件的神经网络仅存在于接收端。信号的传输过程是由传统发射器（TXSRF）通过信道到达接收器（RXSRF），然后再输入到神经网络解调器的（如图1所示）。对比文件中不存在从“发射器神经网络”经由信道到“接收器神经网络”的传输路径。信道位于传统发射器和传统接收器前端之间，而非两个神经网络之间。因此，该特征未被公开。 |
| **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。 **《未公开》** | 无明确引用。 | 由于对比文件中不存在“多个发射器和接收器神经网络对”这一概念，因此自然也不存在关于它们之间信道是否为公共的描述。对比文件考虑的是一个单一的信道，信号通过该信道后由单个神经网络解调器处理。因此，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。 **《未公开》** | 无明确引用。 | 对比文件中的信道是物理传输媒介，其在公式(2)和(3)中被建模为一个复信道矩阵H，并叠加了噪声n。对比文件描述的是如何在接收端处理通过这个未知物理信道后的信号。对比文件完全没有提及将信道本身作为一个“包括一个或多个计算层的模型”来实现，更没有将其作为端到端训练的一部分。因此，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。 **《未公开》** | 无明确引用。 | 该特征涉及优化传输块到神经网络对的映射关系。由于对比文件中既不存在“传输块”的概念，也不存在“发射器接收器神经网络对”，因此完全不存在对这种映射进行优化的基础。对比文件的处理流程是固定的：接收信号 -> RXSRF -> 神经网络解调器 -> 输出。没有任何动态映射或优化映射的步骤。因此，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。 **《未公开》** | 无明确引用。 | 对比文件全文未提及“增强学习”（Reinforcement Learning）这一概念。其神经网络的训练方法基于监督学习，即利用已知的发送符号xt和接收符号来计算均方误差损失，并据此更新网络权重。这与增强学习通过与环境交互、基于奖励信号来学习最优策略的范式完全不同。因此，该特征未被公开。 |
| **技术特征O**：还包括跨不同符号的数据比特的交织。 **《未公开》** | 无明确引用。 | 对比文件的核心是接收端解调器的设计，专注于I/Q不平衡补偿和ISI均衡。全文没有提及任何关于在发射端对比特进行“交织”的操作。交织是一种常见的前向纠错技术，用于对抗突发错误，但对比文件的技术问题和技术方案均不涉及此内容。因此，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。 **《未公开》** | 无明确引用。 | 对比文件主要处理两种信道损伤：符号间干扰（ISI）和由相位失准引起的I/Q不平衡。对比文件明确指出了其解决的问题是“I/Q imbalance”和“ISI”（[0006], [0029]），其神经网络解调器也是为此设计的。载波频率偏移（CFO）是与I/Q不平衡不同的另一种硬件损伤，对比文件全文未提及CFO，更未提及使用一个专门的“载波频率偏移神经网络模块”来校正它。因此，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。 **《隐含公开》** | [0029] “...neural network based demodulator... functions to simultaneously compensate for the I/Q imbalance and to equalize the Inter Symbol Interference...” 以及 [0057] “The demodulator is a combined I/Q balancer and equalizer i.e. it has the capability of handling both interference and ISI cancellation.” | 对比文件通篇都在强调其发明的核心——基于神经网络的解调器——是一个集成了I/Q平衡器和“均衡器”的装置。对比文件的发明名称、摘要、[0029]、[0057]等多个部分均明确指出，该神经网络的功能之一就是执行信道均衡以处理ISI。尽管在对比文件中，这个“信道均衡神经网络模块”与I/Q平衡模块是同一个集成的神经网络，但其确实使用了神经网络来执行信道均衡功能。这与目标专利中使用神经网络模块执行信道均衡的技术构思本质上是相同的。因此，该特征被隐含公开。 |
| **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。 **《直接公开》** | [0004] “An example of a closely spaced narrow band multiple carrier system is the Orthogonal Frequency Division Multiplexing (OFDM) system...” | 对比文件在[0004]段明确提到了“正交频分复用（OFDM）系统”作为一种多载波系统。虽然对比文件的优选实施例可能不是OFDM，但它明确地将OFDM作为其技术背景和应用场景之一进行了讨论，并指出了OFDM系统中存在的ISI和I/Q泄漏问题。这表明对比文件的技术方案可以应用于OFDM系统。因此，该特征被直接公开。 |
| **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。 **《未公开》** | 无明确引用。 | 对比文件描述了一种装置（神经网络解调器）和方法，但并未涉及存储有计算机可读指令的计算机可读介质。对比文件没有提及将执行其方法的指令存储在诸如存储器、光盘等任何形式的介质上。因此，该特征未被公开。 |
<<<R>>>
<<<g>>>
<<<h>>>
<<<q>>>