**对比文件名称**：2013-01-30_CN102906767A_发明公开_CN102906767A 用于时空联合存储器的标准尖峰神经网络
**目标专利名称**：208动态空间目标选择CN106796667B
**本次调用的模型名称**：GPT-4
以下是根据您的要求创建的特征比对表格及公开性判断。
### **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**《直接公开》 | “图1示出了根据本发明一个实施例的用于时空联合存储器的系统的图示；系统10包括激发的尖峰电子神经元的两个层E1和E2...E1层用作输入层...” (说明书第[0026]段) “给定包含时空模式的输入数据流，系统学习检测模式的存在，并在无需提前提供与要被检测的图像相关的任何信息的情况下提取和存储模式。” (说明书第[0024]段) | 根据目标专利说明书，特征A涉及将多个目标映射到目标地图中的不同位置。对比文件公开了其系统接收包含“时空模式”的输入数据流，这些模式由输入层E1中的神经元活动表示。每个不同的时空模式或其组成部分（可视为“目标”）会激活E1层中特定位置或组合的神经元，实质上是将不同的模式/目标映射到了神经网络（E1层）的不同空间位置（神经元位置）上。这构成了直接公开。 |
| **技术特征B**《未公开》 | 无对应内容。 | 根据目标专利说明书第[0108]段，目标地图是“相对于该对象的当前位置和方向的表示（即，自我中心式参考系）”。特征B明确要求地图位置是“相对于机器人设备的位置”。对比文件的系统处理抽象的“时空模式”输入，并未提及任何移动实体（如机器人），也未描述其输入坐标系是相对于某个移动主体的自我中心坐标系。因此，该特征未被公开。 |
| **技术特征C**《直接公开》 | “E1层用作输入层...输入数据流中的时空模式的存在产生了层E1中的电子神经元12中的活动的对应时空尖峰图像。” (说明书第[0029]段) | 根据目标专利说明书，特征C要求每个位置由人工神经网络中的神经元表示。对比文件明确公开了输入时空模式会触发E1层中特定电子神经元的活动，形成“时空尖峰图像”。这意味着输入信息中的空间位置（模式组成部分）是由E1层中的具体神经元来表示的。这构成了直接公开。 |
| **技术特征D**《未公开》 | “层I2实现了如在下文中相关于图3描述的赢家通吃(WTA)机制。” (说明书第[0026]段) “这继而将强壮的抑制信号发送回E2层，从而在步骤26中，在短暂的时间间隔内抑制进一步的E2层活动。” (说明书第[0031]段) | 根据目标专利说明书第[0103]-[0105]段，特征D的核心在于“动态地修改”选择函数以使机器人“偏向或偏离候选目标地移动”。对比文件确实公开了通过I2层的侧抑制实现“赢家通吃”（WTA）的选择机制，即选择最活跃的模式/神经元。然而，这种选择机制是基于固定的网络结构和STDP学习规则的静态竞争，其目的是为了模式识别和去噪，并未公开为了引导机器人移动而“动态地修改”选择函数本身（例如，改变选择偏好），也没有提及任何与机器人移动控制相关的功能。因此，该特征未被公开。 |
| **技术特征E**《未公开》 | “如果E1层神经元在E2层神经元之前激励，这导致增强突触来形成联合性。如果E2层神经元在E1层神经元之前激励，这导致突触减弱，以导致清除噪声。” (说明书第[0040]段) | 根据目标专利说明书第[0105]段，特征E中的“偏置准则”是用于使选择函数动态偏向或偏离特定目标的外部或高级准则（如目标价值、访问历史等）。对比文件中连接权重的调整（增强或减弱）严格遵循STDP或反-STDP规则（见关系式(4)(5)），该规则完全基于神经元尖峰的相对定时，是一种局部、自组织的学习规则，目的是增强因果关系、抑制噪声，并非基于一个外部的、用于引导机器人移动的“偏置准则”。因此，该特征未被公开。 |
| **技术特征F**《隐含公开》 | “E2层用作处理层...一旦(由一个或多个E1层电子神经元12)已经触发了E2层电子神经元14...” (说明书第[0026], [0031]段) “在被呈现有时空模式的版本时，系统获取所存储的时空模式。” (说明书第[0024]段) | 根据目标专利说明书，特征F要求神经元代表与候选目标相对应的位置。对比文件中，E2层神经元通过学习，能够代表并响应特定的时空模式（见说明书第[0024]段“提取和存储模式”）。当输入一个模式（可视为一个“候选目标”）时，会触发特定的E2神经元。因此，本领域技术人员可以合理地推断，被触发的E2神经元代表了该输入模式，即对应于一个“候选目标”。这构成了隐含公开。 |
| **技术特征G**《未公开》 | “层I2实现了如在下文中相关于图3描述的赢家通吃(WTA)机制。” (说明书第[0026]段) “触发的E2层电子神经元14触发一个或多个I2层电子神经元16的活动。这继而将强壮的抑制信号发送回E2层...” (说明书第[0031]段) | 根据目标专利说明书第[0105]-[0106]、[0119]段，特征G是目标专利实现动态修改选择函数的核心手段，明确要求连接中包含“中间神经元”，并通过动态修改该中间神经元的可兴奋性或突触功效来达成目的。对比文件中的I2层抑制神经元确实在E2层神经元之间起到“中间”抑制的作用，类似于中间神经元。然而，对比文件仅描述了I2神经元固定的侧抑制功能（实现WTA），并未公开为了“动态地修改选择函数”而主动地、受控地去“修改I2神经元的可兴奋性”或“修改I2神经元与E2神经元之间突触权重的功效”。I2神经元的活动是其输入的被动结果，而非一个可被独立调节以改变选择偏好的控制参数。因此，该特征未被公开。 |
| **技术特征H**《未公开》 | 无对应内容。 | 根据目标专利说明书第[0119]段，特征H明确提到用“外部输入”来动态修改选择函数。对比文件的整个系统运作基于输入数据流和内部STDP规则，没有提及任何用于动态调整选择函数或网络参数的外部控制输入。因此，该特征未被公开。 |
| **技术特征I**《未公开》 | “每个电子神经元与其他电子神经元进行固定数量M的出发连接。” (说明书第[0046]段) “通过公式(1)来控制该构造中的所有神经元，因此所述所有神经元如果面临相同的输入，则具有相同的行为。” (说明书第[0049]段) | 根据目标专利说明书第[0119]段，特征I与特征G类似，是动态修改选择函数的具体方式，包括修改神经元的可兴奋性或突触权重的功效。对比文件中神经元的模型（如公式(1)）有其固有的动力学，但并未公开为了改变目标选择行为而主动、受控地修改某个神经元的“可兴奋性”参数。虽然突触权重通过STDP可改变，但这是基于局部学习规则的适应性变化，目的是存储模式，并非是为了动态调整一个全局的“选择函数”而进行的受控修改。因此，该特征未被公开。 |
| **技术特征J**《直接公开》 | “Wjα和Wjk分别是表示...突触的强度的非负量” (说明书第[0053]段，关系式(3)) “...突触的强度是时间相关的(即服从可塑性)...” (说明书第[0055]段) | 根据目标专利说明书，特征J限定了突触权重的应用对象。对比文件明确公开了神经元之间存在具有强度（权重）的突触连接（如Wjα, Wjk），这些权重针对的是神经元之间的连接，并且是可塑的。这完全覆盖了特征J的描述。因此，该特征被直接公开。 |
| **技术特征K**《未公开》 | 无对应内容。 | 根据目标专利说明书第[0117]段，特征K定义了目标选择函数可以基于一系列高级的、任务相关的准则，如“回报的抑制”、“行为状态”、“所指派的任务”等。对比文件中的选择（WTA机制）完全基于当前输入模式的神经活动强度和固定的侧抑制网络，是一种自组织的、模式驱动的选择，没有涉及任何所述的高级认知或任务层面的准则。因此，该特征未被公开。 |
| **技术特征L**《未公开》 | 无对应内容。 | 根据目标专利说明书第[0133]段，特征L涉及多任务场景，其中不同任务对应不同（静态或动态）网络。对比文件描述的是一个单一的、用于时空模式识别的神经网络架构，没有提及多任务、任务切换或为不同任务配置不同网络的概念。因此，该特征未被公开。 |
| **技术特征M**《隐含公开》 | “如果E1层神经元在E2层神经元之前激励，这导致增强突触来形成联合性。如果E2层神经元在E1层神经元之前激励，这导致突触减弱...” (说明书第[0040]段) “突触的强度是时间相关的(即服从可塑性)” (说明书第[0055]段) | 根据目标专利说明书，特征M要求基于对神经网络的输入或输出来控制失衡量。对比文件中，突触连接强度（可视为一种“失衡量”）的增强或减弱，直接由前突触神经元（输入）和后突触神经元（输出）的尖峰相对定时（即输入和输出的关系）所决定，遵循STDP规则。本领域技术人员可以合理推断，通过控制输入（尖峰模式）和观察输出（尖峰响应），可以间接影响并控制网络中连接的权重（失衡量）。因此，该特征被隐含公开。 |
<<<A>>><<<C>>><<<J>>><<<f>>><<<m>>>