**对比文件名称**：2016-01-20_CN102906767B_发明授权_CN102906767B 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
**本次调用模型名称**：特征比对与公开性判断模型
| 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**：将多个目标中的每个目标映射到目标地图中的不同位置。 **(隐含公开)** | [0006] “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。”<br>[0007] “包括时空模式和噪声输入的输入流被馈入到E1层，在此处触发E1层中的电子神经元12的尖峰活动。” | 目标专利中的“目标地图”本质上是空间位置到神经元的映射关系。对比文件公开了将输入数据流（可包含时空模式）馈入到E1层神经元，并触发了E1层神经元中“活动的对应时空尖峰图像”。这意味着输入信息（可视为包含“目标”）的不同部分会激活E1层中不同位置的神经元，从而将输入模式的各个部分（相当于“多个目标”）映射到了E1层神经网络（相当于“目标地图”）中的不同神经元位置。虽然对比文件未明确使用“目标地图”和“映射”一词，但其技术实质是：外部输入模式被表示为神经网络中特定神经元的活动，这隐含了将输入信息映射到神经网络中不同位置的技术方案。因此，本领域技术人员能够合理推断出该特征。 |
| **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。 **(隐含公开)** | [0006] “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。”<br>[0074] “空间尺度确定特定系列的时空事件是否构成模式。” | 目标专利强调“目标地图”是“空间环境中相对于机器人设备的位置”。对比文件处理的是“时空模式”，其输入流包含空间信息（参见[0074]），并且这些空间信息会导致E1层神经元产生“时空尖峰图像”，即空间信息被编码在神经元的活动模式中。虽然对比文件没有明确提及“机器人设备”这一具体应用场景，但其神经网络处理具有空间维度的输入信息（时空模式）是公开的。本领域技术人员知晓，为机器人导航等应用构建环境地图时，核心步骤之一就是将环境的空间信息编码到神经网络中。因此，从对比文件公开的“处理时空输入模式并形成神经元活动图像”这一技术手段，可以合理推断出，该神经网络能够用于表示包含“相对于某个参考点（如机器人）的多个位置”的空间环境信息。 |
| **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。 **(直接公开)** | [0006] “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。”<br>[0074] “空间尺度确定特定系列的时空事件是否构成模式。” | 对比文件明确公开了：时空输入模式会导致E1层中特定电子神经元（12）产生尖峰活动。这意味着输入模式中的不同时空位置/特征，由E1层中不同的神经元（或神经元群）的活动来表示。这直接公开了“每个位置由人工神经网络中的神经元表示”这一技术特征。神经元的活动（尖峰图像）即是对其所代表的空间位置或模式特征的编码。 |
| **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。 **(未公开)** | [0023] “基于学习规则，多个电子神经元存储时空模式，并且在被呈现有时空模式的版本时，获取所存储的时空模式。”<br>[0031] “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，在步骤24，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。在步骤25中，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(例如大约10ms)内抑制进一步的E2层活动。” | 目标专利的核心在于“动态修改目标选择函数”以控制“机器人设备”的移动偏向。对比文件的核心功能是“存储和获取时空模式”（见[0023]），其网络中的抑制机制（如I2层抑制E2层）是为了实现“赢家通吃”（WTA），以在模式识别过程中选择出主导的模式表征（见[0031]），而非为了动态地修改一个用于控制物理设备（机器人）移动路径的“选择函数”。对比文件既未提及“目标选择函数”、“机器人设备”，也未公开任何为了“使机器人设备偏向或偏离候选目标地移动”而进行的动态控制逻辑。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)** | [0031] “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...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(例如大约10ms)内抑制进一步的E2层活动。”<br>[0040] “I2层确保E2层中的活动被限制为非常小的数量。” | 目标专利中的“失衡量”是用于使选择函数偏向或偏离特定目标的控制量，其“偏置准则”可以是目标价值、历史访问记录等。对比文件中的抑制（如I2层对E2层的抑制）是网络固有的、用于实现模式识别过程中竞争（WTA）的机制，其“准则”是神经元活动的相对强弱和时序（STDP规则），目的是为了选择出最匹配输入的模式表征，而非基于外部或高级的“偏置准则”来主动激励或抑制连接以引导一个选择函数的输出。两者作用不同。该特征未被公开。 |
| **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。 **(隐含公开)** | [0006] “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。”<br>[0089] “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。” | 目标专利中，神经元代表“候选目标”的位置。在对比文件中，E2层的神经元通过学习，能够代表（存储）特定的时空模式（见[0089]）。当输入一个模式（或部分模式）时，某个E2神经元会被激活，代表它识别出了该模式。在目标选择的上下文中，一个“候选目标”可以视为一个待识别的模式（例如，空间中的一个特定位置模式）。因此，对比文件中代表特定时空模式的E2神经元，可以被认为隐含地“代表与候选目标相对应的位置”。虽然应用场景（模式识别 vs. 目标选择）表述不同，但从神经元代表特定输入模式这一技术实质上看，本领域技术人员可以合理推断出该特征。 |
| **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。 **(隐含公开)** | [0001] “系统10包括激发的尖峰电子神经元的两个层E1和E2、以及抑制的尖峰电子神经元的层I2。”<br>[0031] “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。在步骤25中，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(例如大约10ms)内抑制进一步的E2层活动。”<br>[0040] “I2层确保E2层中的活动被限制为非常小的数量。” | 目标专利通过“中间神经元”实现交叉抑制的动态调节。对比文件中，I2层的抑制神经元位于E2层（输出层）的侧向，接收E2神经元的输入并反馈抑制给E2神经元。这实质上构成了在E2神经元对之间起调节作用的“中间神经元”。虽然对比文件未明确描述“动态修改I2神经元的可兴奋性”，但其整个网络通过STDP等学习规则动态修改所有突触权重（包括E2到I2、I2到E2的权重），这实现了对抑制回路功效的动态修改。此外，I2神经元的活动水平（可视为其可兴奋性的表现）会随着E2层的输入而动态变化，从而动态地调节对E2层的抑制效果。因此，本领域技术人员可以从对比文件的网络结构和学习机制中，合理推断出使用中间神经元（I2）并动态影响其连接功效以实现调节作用的技术方案。 |
| **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)** | [0007] “包括时空模式和噪声输入的输入流被馈入到E1层。” | 目标专利中“用外部输入来动态地修改”指的是利用额外的控制信号（如聚焦地图）来主动调节选择函数。对比文件中的“外部输入”是指待识别的基本数据流（时空模式），是网络处理的对象本身，而非用于动态修改网络内部选择机制或权重的控制信号。对比文件没有公开使用独立于主要数据流的额外“外部输入”来实时、主动地修改网络连接权重或神经元兴奋性以改变其选择行为。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。 **(隐含公开)** | [0023] “基于学习规则，多个电子神经元存储时空模式...”<br>[0030]-[0032] 描述了基于尖峰时序（STDP）增强或减弱E1与E2神经元之间的连接（突触权重）。<br>[0046] “和突触的强度是时间相关的(即服从可塑性)”。 | 目标专利中动态修改选择函数的手段包括修改神经元可兴奋性或突触权重。对比文件明确公开了基于STDP规则动态修改突触权重（功效）（见[0030]-[0032], [0046]），这是其实现模式学习与存储的核心机制。虽然“动态修改神经元可兴奋性”未被对比文件文字明确描述，但神经元模型（如Izhikevich模型）本身具有状态变量（如膜电位v），其动态变化直接影响神经元发放尖峰的难易程度（即可兴奋性）。在对比文件描述的网络运行过程中，神经元的输入电流I(t)（见关系式3）会动态变化，这必然导致神经元状态（即可兴奋性）的动态变化。因此，本领域技术人员能够从对比文件公开的神经网络动态运行中，合理推断出“动态修改神经元的可兴奋性”是网络实现其功能的隐含组成部分。 |
| **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)** | [0046] “和突触的强度是时间相关的(即服从可塑性)”。<br>[0055] “对E2神经元的输入采用了与关系式(3)相同的形式...”。关系式(3)中包含来自其他神经元的突触输入项。 | 对比文件明确公开了突触权重（强度）是可塑的，并且这些权重应用于神经元之间的连接。例如， 和 的权重分别连接E1到E2、E2到E1的神经元（见[0046]）。关系式(3)也清晰地显示了神经元接收来自其他神经元的、带有权重的突触输入。这直接公开了突触权重针对“神经元之间的连接”。同时，从E1层接收外部输入流的连接，也属于“输入突触”。因此，该特征被直接公开。 |
| **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)** | [0023] “基于学习规则，多个电子神经元存储时空模式，并且在被呈现有时空模式的版本时，获取所存储的时空模式。” | 目标专利中的目标选择函数基于一系列高级的、与应用场景紧密相关的准则，如“回报的抑制”、“行为状态”、“所指派的任务”等。对比文件中的网络行为完全基于输入模式的统计特性以及STDP等固有学习规则，其“选择”行为（即哪个E2神经元激活）仅取决于输入模式与存储模式的匹配程度，不涉及任何外部的、基于任务或回报的决策逻辑。对比文件没有公开任何这些高级准则。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)** | [0001] “神经系统10的网络架构”<br>[0096] “模块化框架构造包括以层级方式来堆栈基本的两层模块”。 | 对比文件描述了一个统一的神经系统架构（10或30），用于完成时空模式识别这一核心任务。虽然提到了“模块化框架”和堆叠模块的可能性（见[0096]），但这指的是通过复制相同的基本架构来处理更复杂或分层的模式，而非为多个不同的“任务”配置多个独立的人工神经网络，并在它们之间进行切换。目标专利中“每个任务对应一个人工神经网络”的架构未被公开。该特征未被公开。 |
| **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。 **(直接公开)** | [0030]-[0032] 描述了E1神经元活动（输入）触发E2神经元活动（输出），然后根据两者尖峰的相对时序（即输入和输出的组合）来增强或减弱它们之间的连接权重（失衡量）。<br>[0046] “和突触的强度是时间相关的(即服从可塑性)”。 | 对比文件的核心学习机制——STDP规则，正是基于突触前神经元（输入）和突触后神经元（输出）的尖峰时序（即输入和输出的组合）来控制突触连接权重（相当于“失衡量”）的变化。例如，E1神经元（输入）尖峰后E2神经元（输出）尖峰，则增强连接；顺序相反则减弱。这直接、明确地公开了“基于对人工神经网络的输入、来自人工神经网络的输出、或其组合中的至少一者来控制人工神经网络中的失衡量”。 |
<<<C>>><<<J>>><<<M>>><<<a>>><<<b>>><<<f>>><<<g>>><<<i>>>