**对比文件名称**：2013-03-21_US2013073501A_发明申请_US20130073501A1 METHOD AND APPARATUS FOR STRUCTURAL DELAY PLASTICITY IN SPIKING NEURAL NETWORKS
**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**：未指定
### 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| 技术特征A：包括：将多个目标中的每个目标映射到目标地图中的不同位置，《未公开》 | 对比文件中未提及目标、目标地图或映射目标到位置。 | 对比文件涉及尖峰神经网络中突触延迟的结构可塑性调整，其主题是神经网络内部的学习机制，未涉及空间目标选择、目标地图或任何将目标映射到位置的技术方案。因此，技术特征A未被公开。 |
| 技术特征B：所述目标地图包括空间环境中相对于机器人设备的位置的多个位置，《未公开》 | 对比文件中未提及空间环境、机器人设备或相对于机器人设备的位置。 | 对比文件讨论的是神经网络突触延迟的适应，不涉及外部空间环境、机器人设备或自我中心式坐标表示。因此，技术特征B未被公开。 |
| 技术特征C：每个位置由所述人工神经网络中的神经元表示，《未公开》 | 对比文件提到了神经元和神经网络，但未提及神经元用于表示空间位置。例如，第[0025]-[0029]段描述了神经元接收输入信号并生成输出尖峰，但未将其与空间位置关联。 | 对比文件中的神经元作为处理单元，用于处理尖峰信号和调整突触延迟，并非用于表示空间位置或目标位置。因此，技术特征C未被公开。 |
| 技术特征D：以及通过控制至所述人工神经网络的神经元的失衡量来动态地修改目标选择函数以使所述机器人设备偏向或偏离候选目标地移动，《未公开》 | 对比文件中未提及目标选择函数、机器人设备移动、或偏向/偏离候选目标。 | 对比文件的核心是通过调整突触延迟来优化神经网络的学习和模式识别，而非用于控制机器人设备移动的动态目标选择函数。因此，技术特征D未被公开。 |
| 技术特征E：所述失衡量基于偏置准则来激励至所述神经元的连接或抑制至所述神经元的连接，《未公开》 | 对比文件中提到了突触权重的调整（例如STDP），但未提及基于偏置准则来激励或抑制连接以用于目标选择。例如，第[0044]段描述尖峰定时依赖可塑性（STDP）基于突触前后尖峰时间差调整权重。 | 对比文件中的权重调整是为了学习输入的重要性，而非为了在空间目标选择中实现偏向或偏离的偏置准则。因此，技术特征E未被公开。 |
| 技术特征F：所述神经元代表与所述候选目标相对应的位置。《未公开》 | 对比文件中未提及候选目标或神经元代表位置。 | 对比文件中的神经元代表神经处理单元，并非对应于空间候选目标的位置。因此，技术特征F未被公开。 |
| 技术特征G：其特征在于，所述连接包括耦合在每一对输入和输出神经元之间的中间神经元，并且所述动态地修改包括以下至少一者：动态地修改所述中间神经元的可兴奋性、动态地修改所述中间神经元与相应的输入和输出神经元对之间的突触权重的功效、或其组合。《未公开》 | 对比文件中未提及中间神经元用于连接输入和输出神经元，也未提及修改中间神经元的可兴奋性或突触权重的功效以动态修改选择函数。 | 对比文件主要关注突触延迟和权重的直接调整，未引入中间神经元作为连接的一部分，也未涉及通过修改中间神经元属性来动态修改功能。因此，技术特征G未被公开。 |
| 技术特征H：其特征在于，所述动态地修改包括用外部输入来动态地修改。《未公开》 | 对比文件中未提及使用外部输入来动态修改选择函数或类似功能。 | 对比文件中的延迟调整是基于突触前后尖峰的时间差（内部网络事件），未提及通过外部输入进行动态修改。因此，技术特征H未被公开。 |
| 技术特征I：其特征在于，所述动态地修改包括以下至少一者：动态地修改所述神经元的可兴奋性、动态地修改突触权重的功效、或其组合。《隐含公开》 | 第[0031]段：“Synapse types may comprise non-plastic synapses (no changes of weight and delay), plastic synapses (weight may change), structural delay plastic synapses (weight and delay may change), fully plastic synapses (weight, delay and input may change), and variations thereupon.” 第[0044]段开始详细讨论结构延迟可塑性，涉及权重和延迟的调整。 | 对比文件明确公开了突触权重的调整（可塑性）和延迟的调整，这可以视为动态修改突触权重的功效。虽然未明确提及修改神经元可兴奋性，但调整突触权重和延迟会影响神经元的兴奋性。根据隐含公开的宽松标准，本领域技术人员可以从对比文件中合理推断出动态修改突触权重的功效。因此，技术特征I被隐含公开。 |
| 技术特征J：其特征在于，所述突触权重是至少针对输入突触、神经元之间的连接、或其组合的。《直接公开》 | 第[0031]段：“Synapse types may comprise ... plastic synapses (weight may change), structural delay plastic synapses (weight and delay may change) ...”。 | 对比文件明确公开了突触权重的改变，这些权重是针对突触连接的，即输入突触或神经元之间的连接。因此，技术特征J被直接公开。 |
| 技术特征K：其特征在于，所述目标选择函数基于以下至少一者：回报的抑制、选择了所述目标的对象的行为状态、时间段、所指派的任务、时间复用函数、从与多个人工神经网络相对应的多个任务中选择任务的事件、或其组合。《未公开》 | 对比文件中未提及目标选择函数，更不用说基于回报抑制、行为状态、时间段、任务等。 | 对比文件涉及神经网络内部的学习机制（如STDP），不涉及高层级的目标选择函数或任务选择。因此，技术特征K未被公开。 |
| 技术特征L：其特征在于，每个任务对应于所述多个人工神经网络中的一个，并且每个人工神经网络是静态网络或动态网络。《未公开》 | 对比文件中未提及任务或多个人工神经网络对应于任务。 | 对比文件讨论的是单一神经网络中的延迟可塑性，未涉及多个网络或任务对应关系。因此，技术特征L未被公开。 |
| 技术特征M：其特征在于，进一步包括基于对所述人工神经网络的输入、来自所述人工神经网络的输出、或其组合中的至少一者来控制所述人工神经网络中的失衡量。《隐含公开》 | 第[0044]段：“With spike timing dependent plasticity, learning (adaptation) effects typically occur based on the timing relation between pre-synaptic (neuron's input) and post-synaptic events (neuron's output) (spikes).” 第[0066]段提到延迟调整作为权重调整的函数。 | 对比文件公开了基于突触前输入尖峰和突触后输出尖峰的时间差来调整延迟和权重，这相当于基于神经网络的输入和输出来控制连接属性（如延迟或权重）。虽然目标专利的“失衡量”特指激励或抑制连接的权重，而对比文件中调整的包括延迟，但权重调整（STDP）也隐含了基于输入/输出控制激励或抑制连接。根据隐含公开的宽松标准，本领域技术人员有可能从对比文件中推理出基于输入/输出控制连接属性（包括权重）。因此，技术特征M被隐含公开。 |
<<<J>>><<<i>>><<<m>>>