对比文件名称：2007-11-06_US7293001B_发明授权_US07293001B1 Hybrid neural network and support vector machine method for optimization
目标专利名称：208动态空间目标选择CN106796667B
模型名称：gpt-4o
## 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：将多个目标中的每个目标映射到目标地图中的不同位置。 | 对比文件未公开将“目标”映射到“目标地图”的内容。 | 目标专利中的“目标”指空间环境中机器人设备可能选择的对象（如物体或区域），并将其映射到基于机器人位置的“目标地图”。对比文件涉及空气动力学设计优化，其“目标”是最小化的目标函数（如压力分布误差），其“映射”是将设计参数（如机翼形状参数）映射到高维特征空间以构建响应面。两者在技术领域、目的和具体映射对象上均不相同。本领域技术人员无法从对比文件毫无疑义地得出或合理推断出将空间目标映射到目标地图的技术方案。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。 | 对比文件未提及“机器人设备”、“空间环境”或“相对于机器人设备的位置”。 | 目标专利的“目标地图”是自我中心式的，其位置坐标相对于机器人设备。对比文件全篇涉及空气动力学形状优化，其“位置”是设计参数空间或特征空间中的坐标，与物理空间环境及机器人无关。本领域技术人员无法从对比文件中推理出与机器人相关的空间环境地图。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。 | 对比文件第[0025]段：“Each node 25-n of the hidden layer is associated with a nonlinear activation function... of a weighted sum of the parameter values pm...”。 第[0042]段：“The NN component of the system will provide appropriate combinations of the parameter space coordinates as new coordinates in a feature space for the SVM...”。 | 在对比文件中，神经网络的隐藏层节点（神经元）用于生成特征空间的新坐标，这些坐标代表设计参数的组合。然而，目标专利中的“神经元”代表的是物理空间环境中一个具体的位置（候选目标的位置）。两者虽然都使用了神经元作为表示单元，但所表示的实体根本不同：一个是抽象的数学参数组合，另一个是具体的物理空间位置。作用完全不同。本领域技术人员无法从对比文件中毫无疑义地得出或合理推断出用神经元表示物理空间位置的技术方案。因此，技术特征C未被公开。 |
| 技术特征D：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。 | 对比文件第[0041]段：“...if the training error is too large, change at least one connection weight...”。 第[0044]段：“...the hybrid NN/SVM system relies on the following broadly stated actions: ...(5) if the training error is too large, change at least one connection weight...”。 | 对比文件确实涉及通过改变连接权重（可视为一种“失衡量”）来动态修改模型（响应面），其目的是最小化目标函数（如压力误差），即优化设计。目标专利中的“动态修改目标选择函数”是为了使机器人设备在移动时对候选目标产生偏向或偏离，这是行为控制问题。两者修改的对象（选择函数 vs 拟合模型）、目的（引导机器人移动 vs 优化设计形状）和技术领域完全不同。本领域技术人员无法从对比文件的权重调整中推理出用于机器人目标选择的动态偏向功能。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。 | 对比文件未提及基于“偏置准则”来“激励”或“抑制”连接。权重的调整是基于训练误差的优化算法（如梯度下降）。 | 目标专利中的“偏置准则”是用于空间目标选择的具体规则（如回报、行为状态等），并明确区分激励和抑制连接。对比文件中权重的改变是数值优化过程的结果，目的是使模型输出更接近期望值，没有“激励”或“抑制”这种基于特定行为准则的定向调节概念。作用不同。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。 | 参见技术特征C的引用。神经元代表特征空间坐标或设计参数组合。 | 如特征C所述，对比文件中的神经元不代表物理空间中的候选目标位置。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。 | 对比文件图3及第[0037]段描述了包含输入层、隐藏层（中间神经元）和SVM的系统。第[0041]段提到改变连接权重以减小训练误差。 | 对比文件的神经网络确实包含隐藏层节点，这些节点可被视为“中间神经元”。训练过程中会修改输入层到隐藏层、以及隐藏层到SVM的连接权重，这可以视为“动态地修改突触权重的功效”。然而，目标专利中设置中间神经元的目的是为了在目标选择网络中实现“交叉抑制”，动态修改其可兴奋性或权重功效是为了“动态地修改选择函数”以使选择偏向或偏离。对比文件中修改权重是为了让神经网络更好地构建特征空间以供SVM进行回归或分类拟合，两者作用截然不同。尽管结构上有相似之处（都有中间层），但所实现的功能和解决的技术问题不同。本领域技术人员无法从对比文件的模型训练中推理出用于空间目标选择交叉抑制的特定动态修改机制。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。 | 对比文件第[0037]段：“Optionally, the SVM 37 receives one or more user-specified augmented inner product or kernel prescriptions... from an augmentation source 38.” | 对比文件中，用户可以通过“augmentation source 38”向SVM指定额外的内核函数或特征组合。这可以看作是一种“外部输入”，用于修改或增强模型。然而，目标专利中的“用外部输入来动态地修改”指的是用外部输入（如聚焦地图）来动态修改目标选择函数本身。虽然两者都涉及外部输入，但输入作用的对象和目的不同：对比文件是增强SVM的特征空间，目标专利是直接修改选择函数的参数。本领域技术人员有可能通过推理认为“外部输入可以影响模型/函数”，但具体应用到目标选择函数这一特定对象上，并非能从对比文件直接得出的技术方案。从宽松的隐含公开标准判断，存在推理的可能性。因此，技术特征H被判断为《隐含公开》。 |
| 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。 | 对比文件第[0041]段：“...if the training error is too large, change at least one connection weight...” | 对比文件在训练过程中改变连接权重，这属于“动态地修改突触权重的功效”。目标专利中该修改的目的是为了改变目标选择函数，而对比文件中是为了减小模型拟合误差。尽管目的不同，但“动态修改突触权重的功效”这一技术手段本身在对比文件中被公开。本领域技术人员可以从对比文件公开的“改变连接权重”这一操作，合理推断出“动态修改突触权重的功效”这一更上位的技术特征。因此，按照宽松的隐含公开标准，技术特征I被判断为《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。 | 对比文件第[0025]段：“...where Cnm is a connection weight, which can be positive, negative or zero, linking an input node 23-m with a hidden layer node 25-n.” 以及 “r = Σ Dn·qn.”， 其中Dn是隐藏层到输出层的权重。 | 对比文件明确公开了连接权重Cnm（针对输入节点到隐藏层节点的连接，即输入突触）和系数Dn（针对隐藏层节点到输出节点的连接，即神经元之间的连接）。这直接对应于技术特征J中的“输入突触”和“神经元之间的连接”。本领域技术人员能够毫无疑义地从对比文件中得出该技术方案。因此，技术特征J被判断为《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。 | 对比文件未提及任何与“回报的抑制”、“行为状态”、“时间段”、“任务”、“时间复用函数”或“任务选择事件”相关的内容。其目标函数是基于压力分布等物理量的误差。 | 目标专利的选择函数基于一系列与机器人行为、任务调度相关的特定准则。对比文件的目标函数是完全不同的工程优化目标（如空气动力学性能）。两者毫无关联。本领域技术人员无法从对比文件推理出这些特定的行为学或任务调度准则。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。 | 对比文件未提及“多个任务”与“多个人工神经网络”的对应关系。 | 对比文件仅使用一个混合NN/SVM网络进行单次设计优化。没有公开多个网络对应多个任务的概念。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。 | 对比文件第[0041]段：“In step 45, the NN connection weights and the Lagrange multiplier coefficients are incorporated and used to compute a training error associated with this choice of values within the NN/SVM. In step 46, the system determines if the training error is no greater than a specified threshold level. If the answer... is ‘no’, the system changes at least one connection weight...” | 对比文件的核心训练过程是：根据当前权重计算输出，得到训练误差（基于期望输出和实际输出），然后基于该误差（即输入和输出的函数）来调整连接权重（失衡量）。这明确公开了“基于来自人工神经网络的输出（误差）来控制人工神经网络中的失衡量（权重）”。本领域技术人员能够从该训练流程中合理推断出基于输入和输出来控制失衡量的技术方案。因此，技术特征M被判断为《隐含公开》。 |
<<<J>>><<<i>>><<<h>>><<<m>>>