对比文件名称：2006-02-08_CN1731779A_发明公开_CN1731779A 基于神经网络均衡器的小波包多载波扩频系统及控制方法
目标专利名称：通信系统中的端到端学习CN111566673B
调用模型名称：gemini-3-pro
### 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》** | 对比文件公开了一种基于神经网络均衡器的小波包多载波扩频系统。其发射端主要由正交幅度调制器QAM、扩频及小波包调制模块构成；接收端主要由复径向神经网络均衡器CRBF、解扩及小波包解调模块、最大似然检测器ML、正交幅度解调器QAM构成。 | 对比文件公开的系统在接收端使用了神经网络（复径向基函数神经网络CRBF）作为均衡器，但其发射端并未使用神经网络。对比文件全文没有提及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的技术方案。目标专利中的发射器和接收器均由神经网络构成并成对组织，这与对比文件仅将神经网络用于接收端均衡器的架构完全不同。因此，对比文件未公开该技术特征。 |
| 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》** | 参见对技术特征A的引用。对比文件指出：“本发明在发射端利用新型的逆离散小波包变换IDWPT代替在正交频分复用技术OFDM中传统的快速傅立叶逆变换IFFT...在接收端则利用离散小波包变换DWPT代替在OFDM中传统的快速傅立叶变换FFT...”。 | 对比文件公开的是基于小波包变换的多载波系统，其子载波由小波包函数生成。然而，由于对比文件并未公开“发射器接收器神经网络对”这一概念（参见技术特征A），自然也就没有公开针对每个子载波频带定义这样的神经网络对。对比文件的神经网络（均衡器）作用于接收端的所有子载波信号，而不是针对每个子载波频带定义独立的发射-接收神经网络对。因此，该技术特征未被公开。 |
| 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，<br>**《未公开》** | 对比文件描述了其信号处理过程：“首先，将单个数据码元复制成M支路；其次，这些码元与扩频码WH对应相乘。最后，利用逆离散小波包变换IDWPT将扩频码片映射到每个子载波上。” | 对比文件描述的是将单个数据码元经过复制和扩频后，映射到由小波包变换产生的多个子载波上。这是一个典型的扩频多载波调制过程。目标专利中的“传输块”是由帧内的多个符号（可能跨越不同子载波和OFDM符号）组成的集合，其划分和映射是动态且可优化的。对比文件没有公开将多个符号灵活地布置成多个用于后续映射的“传输块”的概念，其处理单元是单个经过扩频的码元，而非由多个符号组成的块。因此，该技术特征未被公开。 |
| 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》** | 参见对技术特征A和C的引用。 | 由于对比文件既没有公开“传输块”的概念（技术特征C），也没有公开“发射器接收器神经网络对”的概念（技术特征A），自然也就没有公开将传输块映射到发射器接收器神经网络对的技术方案。对比文件中，经过扩频调制的信号直接通过信道传输，不存在这种映射步骤。因此，该技术特征未被公开。 |
| 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，<br>**《未公开》** | 参见对技术特征A和D的引用。对比文件的信号传输过程是：“发射端输出的信息码元通过多径衰落信道和附加高斯白噪声到达接收端。接收端利用已训练好的复径向基函数神经网络均衡器CRBF抑制由多径衰落信道引起的码间干扰”。 | 对比文件描述的传输过程是：发射端进行传统的小波包多载波调制，信号经信道传输后，在接收端由神经网络均衡器处理。目标专利的特征E是指使用由发射和接收神经网络组成的“对”来传输符号，即符号的发射和接收处理均由神经网络对完成。对比文件中，发射端没有使用神经网络，因此不存在使用“发射器接收器神经网络对”来传输符号的过程。因此，该技术特征未被公开。 |
| 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>**《未公开》** | 对比文件公开了使用最小均方算法LMS训练复径向基函数神经网络均衡器权值的过程：“[1]从训练序列输出训练码元的d(k)...[2]不断用dk-τ与f((rk))进行比较，得到传输码元dk-τ与复径向基函数神经网络均衡器输出f((rk))之间的误差ek；...用误差ek不断输入复径向神经网络均衡器，不断更新其权值ωi，k”。 | 对比文件公开的训练过程是针对接收端的神经网络均衡器（CRBF）进行的，其目的是最小化均衡器输出与期望信号之间的误差（损失）。而目标专利的特征F是训练“发射器接收器神经网络对”中发射和接收神经网络的权重，以实现端到端的联合优化。对比文件没有发射端神经网络，更没有对发射和接收神经网络进行联合训练。因此，该技术特征未被公开。 |
| 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。<br>**《未公开》** | 对比文件公开了接收端的处理过程：“接收端利用已训练好的复径向基函数神经网络均衡器CRBF抑制...码间干扰；再通过离散小波包变换DWPT解调...并且利用与发射端相同的扩频码WH对解调输出的码元进行解扩；然后通过最大似然检测算法ML对解扩输出的码元进行判决”。 | 目标专利的特征G是指在多个接收器神经网络处接收符号，并通过映射生成对原始传输符号的估计。对比文件虽然也有生成符号估计的过程（通过均衡、解扩、判决），但这是在一个单一的接收链路（一个均衡器）中完成的，而不是在“多个接收器神经网络”处分别接收并映射。对比文件没有多个接收器神经网络的结构。因此，该技术特征未被公开。 |
| 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。<br>**《未公开》** | 对比文件公开了使用最小均方算法LMS更新复径向基函数神经网络均衡器权值：“ωi，k＝ωi，k-1+ηωekβi(‖rk一μi‖)”。 | 最小均方算法LMS是一种随机梯度下降算法。然而，该算法在对比文件中仅用于训练接收端的神经网络均衡器。目标专利的特征H明确限定了使用随机梯度下降训练的是“发射神经网络和接收神经网络”的权重。由于对比文件没有发射神经网络，因此其公开的LMS训练过程无法等同于目标专利中对发射和接收神经网络权重的训练。因此，该技术特征未被公开。 |
| 技术特征I：其中所述损失函数与块错误率有关。<br>**《未公开》** | 对比文件中训练的目标是使均衡器输出f((rk))与期望信号dk-τ之间的误差ek最小化，即ek＝dk-τ-f((rk))。 | 对比文件使用的损失函数本质上是均方误差，其目的是最小化单个码元的估计误差。目标专利中损失函数与“块错误率”有关，意味着损失函数是基于由多个符号组成的“传输块”的整体错误率来计算的。对比文件没有“传输块”的概念，其训练是基于逐个码元的误差，而不是基于块错误率。因此，该技术特征未被公开。 |
| 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。<br>**《未公开》** | 参见对技术特征A、D和E的引用。 | 该特征描述了符号在神经网络对之间的传输路径。由于对比文件没有“发射器接收器神经网络对”（技术特征A），也没有将符号映射到这些对上（技术特征D），因此符号从发射器神经网络传输到接收器神经网络的路径是不存在的。对比文件中，符号从传统调制器（非神经网络）发出，经信道到达神经网络均衡器。因此，该技术特征未被公开。 |
| 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。<br>**《未公开》** | 参见对技术特征A的引用。对比文件指出：“发射端输出的信息码元通过多径衰落信道和附加高斯白噪声到达接收端”。 | 对比文件描述的是一个多载波系统，所有子载波上的信号都经过同一个物理多径衰落信道进行传输。从这个意义上说，信道是公共的。然而，目标专利的技术特征K是针对其特有的“多个发射器和接收器神经网络对”而言的，指每个神经网络对都通过同一个公共信道传输。由于对比文件没有“多个发射器和接收器神经网络对”这一结构，因此该特征中关于信道对多个神经网络对是公共的限定无法在对比文件中找到对应。因此，该技术特征在目标专利的特定语境下未被公开。 |
| 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》** | 对比文件描述了其仿真实验条件：“本发明采用的信道模型A和B来源于文献...”。对比文件提到了多径衰落信道和附加高斯白噪声（AWGN）。 | 对比文件在仿真中使用了信道模型，但并未明确将该信道模型描述为“包括一个或多个计算层的模型”。对比文件中的信道由多径衰落和加性噪声组成，虽然可以被视为模型，但对比文件未将其表述为具有“计算层”结构的神经网络式的模型。目标专利中的信道模型是作为整个神经网络端到端学习框架的一部分，由计算层构成。对比文件未公开这一特定表述和结构。因此，该技术特征未被公开。 |
| 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》** | 参见对技术特征A、C和D的引用。 | 该技术特征描述了优化传输块到神经网络对映射的过程。由于对比文件根本没有“传输块”、“发射器接收器神经网络对”以及它们之间的“映射”（技术特征C、A、D），因此自然不存在对这种映射进行优化的过程。因此，该技术特征未被公开。 |
| 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》** | 参见对技术特征M的引用。 | 该技术特征是对技术特征M中优化方法的进一步限定，即使用“增强学习”。由于对比文件未公开技术特征M，更未提及使用增强学习来优化任何映射关系。对比文件中系统的配置（如调制方式、扩频码）是固定的。因此，该技术特征未被公开。 |
| 技术特征O：还包括跨不同符号的数据比特的交织。<br>**《未公开》** | 对比文件全文未提及数据比特的交织操作。 | 经查阅对比文件全文，其描述了扩频、小波包调制/解调、神经网络均衡和最大似然检测等过程，但没有任何关于跨不同符号进行数据比特交织的描述或暗示。因此，该技术特征未被公开。 |
| 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》** | 对比文件指出小波包多载波调制可以克服OFDM的缺点：“可以克服在正交频分复用技术OFDM中存在的对频偏和相位噪声比较敏感...等缺点”。 | 对比文件虽然提到了载波频率偏移（频偏），但其技术方案是通过采用小波包多载波调制本身来克服对频偏的敏感性，而不是使用一个额外的“载波频率偏移神经网络模块”来进行校正。对比文件全文未公开任何专门用于校正载波频率偏移的神经网络模块。因此，该技术特征未被公开。 |
| 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>**《直接公开》** | 对比文件的发明名称即为“基于神经网络均衡器的小波包多载波扩频系统及控制方法”。其说明书明确记载：“本发明采用具有强大非线性映射能力的径向基函数RBF神经网络均衡技术作为基于小波包的多载波扩频系统的均衡器，用来抑制多径信道引起的码间干扰”。 | 对比文件的核心技术方案之一就是在接收端使用一个复径向基函数（CRBF）神经网络模块作为信道均衡器，其目的和作用与目标专利中的“使用信道均衡神经网络模块来执行信道均衡”完全相同，都是利用神经网络来对抗信道引起的失真和干扰。因此，对比文件直接公开了该技术特征。 |
| 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技术是基于小波包的多载波调制系统，并将其与OFDM系统进行比较：“基于小波包的多载波调制技术的带宽效率要高于正交频分复用技术OFDM的带宽效率”。 | 对比文件公开的多载波传输系统是基于小波包变换的，而非基于正交频分复用（OFDM）。尽管两者都是多载波技术，但它们是不同的技术方案。因此，该技术特征未被公开。 |
| 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>**《未公开》** | 对比文件未涉及计算机可读介质或计算机程序产品。 | 对比文件公开了一种通信系统和控制方法，但并未提及将指令存储在计算机可读介质上，以使计算装置执行特定方法。因此，该技术特征未被公开。 |
<<<Q>>>