对比文件名称：2015-05-13_CN104618291A_发明公开_CN104618291A 基于余量自适应准则的资源分配方法及装置
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：DeepSeek-V3.1
### 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》** | 对比文件公开了一种基于余量自适应准则的资源分配方法，其核心是利用噪声混沌神经网络（NCNN）的能量函数收敛过程来寻找最优的子载波分配矩阵，以最小化系统总发射功率。对比文件中仅涉及一个用于求解优化问题的神经网络（NCNN），并未提及任何“发射器神经网络”或“接收器神经网络”，更未公开将两者“组织成对”的技术方案。因此，该特征未被公开。 | |||
| **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》** | 对比文件涉及OFDMA系统中的子载波分配，但其方案是为每个用户分配子载波，而非为每个子载波频带定义一个“发射器接收器神经网络对”。对比文件中不存在“发射器接收器神经网络对”这一概念，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》** | 对比文件公开了将子载波分配给用户，并确定每个子载波上的每符号比特数，但其并未将多个符号“布置成多个传输块”。对比文件中的资源分配是以子载波和用户为粒度进行的，不存在目标专利中所述的“传输块（Bl）”的概念。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》** | 对比文件中不存在“传输块”和“发射器接收器神经网络对”的概念，因此也就不存在将前者映射到后者的技术方案。对比文件的核心是将子载波映射给用户，而非将传输块映射给神经网络对。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》** | 对比文件使用传统OFDMA方式进行符号传输，其过程中并未使用任何“发射器接收器神经网络对”来执行传输操作。对比文件中的神经网络（NCNN）仅用于求解资源分配的最优解，不参与通信过程中的符号传输。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》** | 对比文件公开了使用NCNN的能量函数进行迭代以寻找最优解，其能量函数（17）包含优化目标项和多个约束项（如同频干扰约束E1、子载波需求约束E2等）。然而，该能量函数并非用于“训练发射神经网络和接收神经网络的权重”的损失函数。对比文件中的神经网络权重更新（公式22-25）是为了求解一个资源分配优化问题，而非目标专利中为了实现端到端通信系统而进行的联合训练。两者作用和技术目的完全不同。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。 **《未公开》** | 对比文件中不存在“接收器神经网络”，因此其接收过程不涉及使用神经网络来映射接收符号并生成估计。对比文件的接收端是传统的OFDMA接收处理。因此，该特征未被公开。 | |||
| **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。 **《未公开》** | 对比文件中未提及使用“随机梯度下降（SGD）”来训练任何神经网络。其NCNN的迭代过程是基于动力矩阵和能量函数的更新，并非SGD方法。因此，该特征未被公开。 | |||
| **技术特征I**：其中所述损失函数与块错误率有关。 **《未公开》** | 对比文件中的能量函数（公式17）旨在最小化系统总发射功率，其约束条件涉及用户数据速率、误比特率（Pe）和子载波分配规则，但该能量函数本身并非“与块错误率有关”的损失函数。目标专利的损失函数（如分类交叉熵）直接衡量传输块的错误率，两者目的和计算方式不同。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》** | 对比文件描述了信号通过无线信道传输，但其传输过程不涉及“发射器神经网络”和“接收器神经网络”。信号是在基站和用户之间的传统空口上传输的，而非在神经网络对之间传输。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》** | 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，因此也就不存在一个对它们而言是“公共的”信道这一技术特征。对比文件中多个用户共享同一个无线信道，但这与目标专利中多个神经网络对共享一个计算信道模型的含义不同。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》** | 对比文件中的信道是真实的无线传播环境，如公式（1）、（2）、（8）所示，通过信道增益`\ | Hk,n\ | ^2`和加性高斯白噪声`N0`来建模，但并未将其实现为“包括一个或多个计算层的模型”，也未将其作为神经网络训练图的一部分。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》** | 对比文件的核心是优化子载波到用户的映射（即子载波分配矩阵`Vk,n`），以最小化总功率。由于不存在“传输块”和“发射器接收器神经网络对”的概念，也就不存在优化两者之间映射的技术方案。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》** | 对比文件中未提及任何与“增强学习”相关的内容。其优化过程使用的是基于NCNN能量函数的迭代方法。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》** | 对比文件全文未提及“交织”技术。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》** | 对比文件全文未提及“载波频率偏移（CFO）”及其校正方法，更未公开使用神经网络模块来校正CFO。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。 **《未公开》** | 对比文件全文未提及使用“信道均衡神经网络模块”来执行信道均衡。其信道均衡是通过传统的信道估计和接收算法隐含在过程中，并未作为一个独立的神经网络模块提出。因此，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。 **《直接公开》** | [0002] “应用于正交频分多址系统(Orthogonal Frequency Division Multiple Access，简称OFDMA)的动态资源分配问题已经备受关注。” | 对比文件的背景技术和具体实施方式均明确其应用场景为正交频分多址（OFDMA）系统。OFDMA是基于正交频分复用（OFDM）的多址接入技术，其本质是一种多载波传输系统。对于本领域技术人员而言，对比文件公开的OFDMA系统可以毫无疑义地确定为一种正交频分复用（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》** | [0172] “本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。” | 对比文件该段内容仅一般性地指出其自身实施例的方法可以通过存储在计算机可读介质上的程序指令来实现。它并未存储或公开能够使计算装置执行目标专利权利要求1至13中任一项所述方法的计算机可读指令。因此，该特征未被公开。 |
<<<R>>>