**对比文件名称：** 2008-01-29_US7324979B_发明授权_US07324979B2 Genetically adaptive neural network classification systems and methods
**目标专利名称：** 208动态空间目标选择CN106796667B
**本次调用模型名称：** gpt-4
根据目标专利说明书，该专利涉及一种用于动态空间目标选择的系统和方法，特别是在神经网络中通过控制神经元之间连接的失衡量来动态修改目标选择函数，从而使得机器人设备能够偏向或偏离特定的候选目标进行移动。其核心在于将空间目标映射到神经网络表示的地图中，并通过动态调整连接的权重或神经元的兴奋性来影响选择。
经过深度分析对比文件，创建特征比对表格如下：
### 特征比对表格
| 技术特征描述及公开性判断结果 | 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》 | 对比文件涉及声纳信号分类，未提及将目标映射到空间地图的概念。其输入是信号特征向量，而非空间位置。例如，说明书[0018]段描述：“Neural networks may be subjected to a training process in which known inputs produce known outputs to adjust the links and weights.” 这里的输入是特征向量，用于分类，而非空间地图中的位置。 | 目标专利中的“目标地图”是将物理空间环境中的位置与神经网络中的表示进行映射，用于空间导航和选择。对比文件处理的是信号波形特征的分类（如目标回声与杂波回声），输入是多维特征向量（f1-f8，见[0021]段），这些特征代表信号的时域或频域特性，而非空间环境中的位置。本领域技术人员无法从对比文件中毫无疑义地得出或将信号特征向量解释为“空间目标地图中的位置”。因此，该特征未被直接公开，也未隐含公开。 |
| **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》 | 对比文件未提及机器人设备、空间环境或自我中心式（ego-centric）坐标。其应用场景是水下声纳目标检测（见[0003], [0017]段），处理的是接收到的声学信号，而非机器人本体在空间中的相对位置关系。 | 目标专利明确要求目标地图包含“相对于机器人设备的位置”，这是自我中心式空间表示的核心。对比文件完全没有涉及任何移动实体（如机器人）的视角或位置参考系。其整个系统是静态的信号处理器，用于区分目标与杂波，不涉及基于主体位置的空间映射。因此，该特征未被直接或隐含公开。 |
| **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》 | 对比文件确实使用人工神经网络，并且输入特征由输入层的神经元接收（见图1，节点101-108）。例如，[0021]段：“feature vectors f1-f8... enter the network via input layer 110”。 | 虽然对比文件中神经元的输入是特征向量，但目标专利中神经元表示的是“空间环境中的一个位置”。这是根本不同的映射关系。对比文件中的神经元表示的是信号的一个特征维度（如某个频率的能量），而不是一个空间坐标。作用完全不同：一个是特征提取与分类，一个是空间位置表征。因此，尽管都使用了神经元，但所表示的内容和所起的作用截然不同，不能认为该特征被公开。 |
| **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》 | 对比文件通过遗传算法动态调整神经网络的权重（即“失衡量”），以优化分类性能。例如，[0032]段：“Genetic algorithms can be described as global search algorithms... may be applied to neural network training.” 以及图4-5所示的系统通过选择、交叉、变异等操作修改权重向量种群。 | 目标专利中“动态修改目标选择函数”的**目的**是“使机器人设备偏向或偏离候选目标地移动”，即为了影响空间导航决策。对比文件中动态修改权重（失衡量）的**目的**是提高信号分类（目标vs杂波）的准确性，其输出是分类标签（见输出层节点121-122，图1），而非用于控制机器人移动的空间选择函数。两者目的和作用完全不同。虽然“动态修改权重”这一手段相似，但应用场景、所要解决的问题和最终目的均无关联，本领域技术人员无法从对比文件的信号分类中推理出用于机器人空间目标选择的动态偏置机制。因此，该特征未被公开。 |
| **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》 | 对比文件中权重的调整基于遗传算法的适应度函数，该函数评估权重向量在分类任务上的性能（如公式(5)基于均方误差）。[0041]段：“Fitness evaluator 450 calculates MSE values for each candidate weight vector.” | 目标专利的“偏置准则”是为了在空间选择中引入偏向（如偏向高价值区域或避开最近访问区域）。对比文件的“准则”（适应度函数）是为了评估分类准确性，其目标是全局误差最小化，而非在竞争性选项中引入特定的、可变的偏向。两者准则的根本目的和内容不同。对比文件未公开基于空间偏置准则来专门激励或抑制特定连接。 |
| **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》 | 同特征C的论述。对比文件的神经元代表输入特征，用于分类判断是否为“目标”（如潜艇），但此“目标”是分类类别，不是空间中的一个“位置”。[0021]段：“data classes include clutter and target echoes”。 | 目标专利中“神经元代表...位置”是核心的空间编码概念。对比文件中，代表“目标”这一类别信息的是输出层的神经元（如节点121可能表示“是目标”），或者是由整个网络的推理结果决定，而非单个输入神经元直接对应一个候选目标的空间位置。概念和作用层面均不相同。 |
| **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》 | 对比文件未提及“中间神经元”的结构。其神经网络是标准的前馈网络（图1），包含输入层、隐藏层和输出层。隐藏层节点（111-115）是计算节点，并非用于在“每对输入和输出神经元之间”仲裁抑制或兴奋的专门中间神经元。权重的修改是通过遗传算法改变权重值本身，而不是通过修改某个中间元件的“可兴奋性”或“突触权重的功效”来实现。 | 目标专利的该特征描述了实现交叉抑制失衡的具体神经网络结构（引入中间神经元）和调节机制（修改可兴奋性或突触功效）。对比文件的网络结构不同，且其权重调整是直接替换权重向量的数值，没有涉及通过中间神经元的特性来动态调节连接强度的概念。这是两种不同的神经网络调节机制。因此，该特征未被公开。 |
| **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》 | 对比文件中权重的修改完全由内部的遗传算法流程驱动（学习监督器、适应度评估器、遗传算子，见图4），依赖于训练数据池（426）。没有提及接收额外的“外部输入”来实时地、动态地修改选择函数或权重。 | 目标专利说明书中提到“聚焦地图和/或外部输入被指定以动态地修改该选择函数”（见[0149]段）。这意味着存在独立于主要感觉输入（目标地图）的控制信号。对比文件没有这样的机制，其所有修改都基于对同一组训练数据的迭代优化。因此，该特征未被公开。 |
| **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。《未公开》 | 对比文件通过遗传算法动态修改“突触权重的数值”（见[0036]段关于染色体表示权重，以及[0045]-[0050]段的遗传操作）。未提及修改神经元本身的“可兴奋性”（如阈值θ的变化）。图2模型中阈值θ是固定的。 | 目标专利的动态修改手段包括修改神经元可兴奋性，这是一个与直接修改权重不同的生物可塑性机制。对比文件仅公开了修改权重数值这一种手段。因此，该特征未被完全公开。虽然“修改突触权重”这一点重叠，但作为“以下至少一者”的组合选项，对比文件未公开另一选项“修改神经元可兴奋性”，故整体技术特征未被公开。 |
| **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。《直接公开》 | 对比文件明确描述了神经网络中的权重。图1展示了神经元之间的连接权重。[0029]段：“A neural network acquires knowledge through iterative training that involves adjustments applied to its weights and thresholds.” 图2模型中的wk,i即为输入Fi的权重。 | 对比文件完整公开了神经网络具有突触权重，这些权重针对输入到神经元的连接（输入突触）以及神经元层之间的连接。这与目标专利该特征的定义完全一致。本领域技术人员可以毫无疑义地从对比文件得出该技术方案。 |
| **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》 | 对比文件中与“函数”相关的概念是遗传算法的“适应度函数”（fitness function）或“停止准则”（stopping criterion）。停止准则基于种群的平均适应度（分类误差），例如[0043]段：“the stopping criterion may be based on the average fitness of the population of weight vectors”。 | 目标专利的选择函数基于一系列与**任务、历史、状态和时间相关**的特定准则，用于在空间选择中引入动态偏置。对比文件的停止准则是用于**终止神经网络训练过程**的优化目标，其内容（如平均分类误差）与空间选择、机器人行为状态、任务切换等毫无关系。两者虽然都称为“准则”或与函数相关，但实质内容和应用场景完全不同。因此，该特征未被公开。 |
| **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》 | 对比文件仅涉及单个神经网络（440）的训练和使用（见图4，信号分类系统401）。没有提及多个任务、多个人工神经网络，或网络在静态与动态之间的区分。 | 目标专利该特征涉及多任务系统和神经网络的复用/切换架构。对比文件专注于为单一分类任务（声纳目标检测）训练一个最优的神经网络。未公开任何多网络、多任务或网络类型（静态/动态）的概念。 |
| **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》 | 对比文件中，遗传算法调整权重（失衡量）的过程严重依赖于神经网络的输入（训练数据）和输出（分类结果）。[0041]段：适应度评估器450通过计算神经网络在训练数据（输入）上的输出误差（MSE）来评估每个权重向量的适应度。[0044]段：学习监督器430根据此适应度（基于输入和输出）决定是否继续修改权重。图5流程也体现了基于输入（训练数据）和网络输出（误差）的循环反馈来控制权重调整。 | 对比文件虽然没有明确使用“基于输入输出来控制失衡量”这样的概括性语句，但其整个训练机制的本质就是：根据神经网络对给定输入数据产生的输出结果（与期望输出的误差），通过遗传算法来控制和修改网络中的权重（失衡量）。这是一个完整的“输入-处理-输出-评估-调整权重（失衡量）”的闭环反馈控制过程。本领域技术人员阅读对比文件后，完全能够合理推断出“神经网络的失衡量是基于其输入和/或输出来控制的”这一技术方案。尽管具体应用场景（信号分类训练 vs. 空间目标选择）不同，但该控制逻辑是相通的。因此，该特征被对比文件隐含公开。 |
<<<J>>><<<m>>>