对比文件名称：2006-04-26_CN1765097A_发明公开_CN1765097A 传输信号,方法和设备
目标专利名称：711通信系统中的端到端学习CN111566673B
本次调用模型名称：N/A
### 特征比对表格
| 技术特征描述及公开性判断结果 | 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 | 对比文件涉及OFDM通信系统中的信道估计，其中使用了多个发射天线和接收天线，但并未提及神经网络。对比文件中的发射机和接收机是传统的OFDM发射机和接收机，不涉及神经网络，因此没有公开将发射器神经网络和接收器神经网络组织成对的技术方案。本领域技术人员无法从对比文件中得出使用神经网络进行通信的启示。因此，技术特征A未被公开。 |
| 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 | 对比文件公开了MIMO OFDM系统，该系统使用多个子载波，但并未将子载波划分成多个子载波频带并为每个频带定义发射器接收器神经网络对。对比文件中的训练序列设计是针对所有子载波或考虑空子载波，没有针对子载波频带进行划分。因此，技术特征B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 | 对比文件中提到了数据块（例如图7中的“一块输入数据402b[n,k]”），但并未明确描述将多个符号布置成多个传输块，并将每个块映射到不同的发射器接收器对。对比文件的数据传输是连续的，没有划分成独立的传输块并分配给不同的处理单元。因此，技术特征C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 | 由于对比文件没有公开传输块和发射器接收器神经网络对的概念，因此也没有公开将传输块映射到发射器接收器神经网络对的特征。因此，技术特征D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 | 对比文件使用发射天线传输符号，但没有发射器接收器神经网络对，因此没有公开使用神经网络对传输符号的特征。因此，技术特征E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 | 对比文件没有涉及神经网络的训练，也没有使用损失函数。其信道估计是通过传统的自适应滤波或最小二乘算法实现的，不涉及损失函数和权重训练。因此，技术特征F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。 (未公开) | 无 | 对比文件中的接收机确实会处理接收信号并生成符号估计（例如通过解调、解码），但该接收机不是神经网络。目标专利的映射是在神经网络上下文中，而对比文件没有公开接收器神经网络。因此，技术特征G未被公开。 |
| 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。 (未公开) | 无 | 对比文件没有神经网络训练，更没有使用随机梯度下降。因此，技术特征H未被公开。 |
| 技术特征I：其中所述损失函数与块错误率有关。 (未公开) | 无 | 对比文件没有损失函数，因此未公开损失函数与块错误率有关的特征。因此，技术特征I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 | 对比文件中有信道（如信道118），信号从发射天线经过信道到接收天线，但未涉及发射器接收器神经网络对。因此，技术特征J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 | 对比文件中，对于MIMO系统，不同发射天线和接收天线之间的信道响应可能不同，没有明确说明信道是公共的。而且，对比文件没有多个神经网络对的概念。因此，技术特征K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 | 对比文件中的信道被表示为“信道118”，但没有明确说明它是包括一个或多个计算层的模型。对比文件主要关注物理信道和信道估计，没有将信道建模为计算层。因此，技术特征L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 | 对比文件没有传输块到神经网络对的映射，因此也没有优化该映射的特征。因此，技术特征M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 | 对比文件没有增强学习，因此未公开该特征。因此，技术特征N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。 (直接公开) | 对比文件在描述图2时指出：“源102向基带映射单元104提供数据，基带映射单元102可以可选地提供前向纠错编码和交织，并且输出诸如QAM符号之类调制符号。”（参见具体实施方式部分，图2相关描述） | 对比文件明确提到了在OFDM系统中可选地包括交织。在OFDM系统中，交织通常是在多个子载波和多个OFDM符号上进行的，即跨符号的交织。因此，对比文件直接公开了跨不同符号的数据比特的交织。本领域技术人员能够毫无疑义地确定对比文件中的交织包括跨符号的交织。因此，技术特征O被直接公开。 |
| 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 | 对比文件没有提及载波频率偏移校正，更没有使用神经网络模块进行校正。因此，技术特征P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。 (未公开) | 无 | 对比文件公开了信道估计和补偿（例如图5的信道估计过程），但使用的是传统自适应滤波器，而不是神经网络模块。因此，技术特征Q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。 (直接公开) | 对比文件技术领域第一句：“本发明涉及OFDM(正交频分复用)通信系统中用于信道估计的设备，方法，处理器控制代码和信号。”（参见技术领域部分） | 对比文件明确涉及OFDM（正交频分复用）通信系统，因此直接公开了多载波传输系统是正交频分复用系统。因此，技术特征R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 | 对比文件提到了处理器控制代码可在数据载体上提供（例如段落[0057]），但该代码用于实现对比文件自身的信道估计方法，而不是目标专利权利要求1-13中任一项所述的方法。目标专利的方法涉及神经网络端到端学习，对比文件未公开该方法，因此也未公开存储有执行该方法的计算机可读指令的介质。因此，技术特征S未被公开。 |
<<<O>>><<<R>>>