**对比文件名称**：2014-03-20_发明申请_US20140081895A1 SPIKING NEURON NETWORK ADAPTIVE CONTROL APPARATUS AND METHODS
**目标专利名称**：神经元形态模型开发的上下文实时反馈CN106104586B
**本次调用模型名称**：专利创造性评估模型
### 特征比对表格
| 技术特征描述与公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A**：《未公开》<br>生成神经元形态模型的上下文反馈 | 无直接对应内容。 | **直接公开判断**：对比文件未直接描述“生成神经元形态模型的上下文反馈”。对比文件（如第[0096]-[0101]段、图4）的核心内容是描述一个用于机器人控制的自适应脉冲神经网络（SNN），其“学习块”（learning block）根据性能函数和梯度调整网络参数（如突触权重），以实现强化学习。这是一个控制系统的在线学习过程，而非在模型“开发期间”提供用于辅助编程、调试的“上下文反馈”。因此，本领域技术人员无法毫无疑义地从中得出与技术特征A相同的方案。<br><br>**隐含公开判断**：对比文件描述了网络参数的调整过程（如第[019]式），这可以视为一种内部反馈机制以优化控制性能。然而，这种反馈是控制系统闭环操作的一部分，其目的、作用场景（实时控制 vs. 模型开发）和技术实质（参数优化 vs. 为开发者提供可视化信息）均不同于目标专利中旨在辅助模型开发的“上下文反馈”。本领域技术人员无法从对比文件关于控制与学习的内容中，合理推断出在神经元形态模型集成开发环境（IDE）中生成开发阶段上下文反馈的技术方案。因此，技术特征A未被隐含公开。 |
| **技术特征B**：《未公开》<br>神经元形态模型包括在所述神经元形态模型的开发期间被监视的资产 | 无直接对应内容。 | **直接公开判断**：对比文件未提及“模型开发”阶段，也未提及在该阶段被“监视”的“资产”。对比文件描述的脉冲神经网络及其组件（神经元、突触）是控制系统运行时操作和学习的对象，而非在独立于运行之外的“开发期间”被特别监视的实体。因此，未被直接公开。<br><br>**隐含公开判断**：对比文件详细描述了神经网络的构成，例如神经元（第[0073]段）、突触连接及其权重（第[0084]段）。这些是网络的组成部分。虽然本领域技术人员可以理解在构建（即开发）这样一个网络时，需要定义这些组件，但对比文件自始至终在描述一个已经构建完成并处于运行和学习状态的系统。文件没有揭示在开发阶段将这些组件作为“资产”进行监视的概念、方法或目的。因此，无法合理推断出此技术特征。 |
| **技术特征C**：《隐含公开》<br>所述资产包括神经元、突触或神经元网络中的至少一者 | 第[0073]段：“As used herein, the terms “node”, “neuron”, and “neuronal node” are meant to refer, without limitation, to a network unit (e.g., a spiking neuron and a set of synapses configured to provide input signals to the neuron) having parameters that are subject to adaptation...”<br>第[0083]-[0084]段及图2描述了包含神经元和突触连接的脉冲神经网络。 | **直接公开判断**：对比文件明确公开了“神经元”（neuron）、“突触”（synapses）以及由它们组成的“网络”（network），例如第[0073]段对“神经元”的定义和图2所示的网络结构。因此，从构成要素上看，对比文件公开了“神经元、突触或神经元网络”。<br><br>**隐含公开判断**：虽然对比文件并未将这些要素明确表述为在“开发期间”被监视的“资产”，但其作为网络的基本组成部分是固有存在的。本领域技术人员在阅读对比文件后，必然知晓构建一个脉冲神经网络需要包含这些要素。当考虑“开发”一个类似网络时，这些要素自然成为定义和操作的对象。因此，可以合理推断出“资产包括神经元、突触或神经元网络中的至少一者”这一技术方案。技术特征C被隐含公开。 |
| **技术特征D**：《未公开》<br>显示互动上下文面板以便至少部分地基于在所述神经元形态模型的开发期间的所述上下文反馈来示出表示 | 无直接对应内容。 | **直接公开判断**：对比文件全文未提及“上下文面板”（contextual panel）、“显示”（display）、“互动”（interactive）或任何类似的用户界面元素。其内容集中于网络内部的控制、学习算法和硬件实现，不涉及面向开发者的图形用户界面（GUI）。因此，未被直接公开。<br><br>**隐含公开判断**：对比文件描述的是一个自动运行的控制器及其学习机制，没有提供任何关于需要通过可视化界面与模型开发过程进行交互的启示。本领域技术人员无法从对比文件中关于控制信号、强化学习、编码器等内容，推理出存在一个用于显示基于开发阶段反馈的“互动上下文面板”。该特征涉及开发工具的人机交互方式，与对比文件的技术领域和解决的技术问题有本质区别。因此，未被隐含公开。 |
| **技术特征E**：《未公开》<br>使用所述互动上下文面板来修改所述神经元形态模型的输入曲线 | 无直接对应内容。 | **直接公开判断**：对比文件未提及任何形式的“输入曲线”（input curve），更不用说通过“互动上下文面板”来修改它。对比文件中讨论的“输入”是来自传感器或环境的实时信号（如第[0122]段），其修改是通过学习算法调整网络权重间接实现的，而非通过图形界面直接操纵输入波形。因此，未被直接公开。<br><br>**隐含公开判断**：对比文件第[0211]段及图7A描述了“核展开”（Kernel Expansion）编码技术，将连续输入信号转换为脉冲。这涉及输入信号的表示，但并未将其概念化为可由用户交互式修改的“曲线”。目标专利中“修改输入曲线”是开发阶段的一种互动调试手段。对比文件没有为此提供任何基础或启示。因此，无法合理推断出此技术特征。 |
| **技术特征F**：《未公开》<br>基于执行所述模型来更新所述互动上下文面板 | 无直接对应内容。 | **直接公开判断**：由于对比文件未公开“互动上下文面板”（特征D），因此基于模型执行来更新该面板的特征自然也未被直接公开。<br><br>**隐含公开判断**：对比文件描述了网络在执行过程中其内部状态（如膜电位）和参数（如权重）的动态变化（例如第[0063]-[0065]式）。然而，这些变化是网络自身的计算过程，并非用于更新一个面向开发者的显示面板。本领域技术人员无法从网络状态的内部更新，推断出需要将这种更新反映到一个外部的、用于辅助开发的互动面板上。因此，未被隐含公开。 |
| **技术特征G**：《隐含公开》<br>所述表示实时地发生 | 第[0216]段：“As the controller comprises a network of spiking neurons communicating via spikes, the input signals need to be converted (encoded) into spikes and neuron output needs to be converted from spikes into real-world continuous signal.”<br>整个文件描述的系统（如图5的控制器520）旨在进行实时控制。 | **直接公开判断**：对比文件没有明确表述“表示实时地发生”这一特征。其描述的“实时”主要指控制系统对输入信号的实时处理、实时产生控制输出（如第[0216]段），而非特指一个“表示”的实时更新。<br><br>**隐含公开判断**：对比文件所描述的脉冲神经网络控制器被设计用于实时控制应用，例如机器人控制（第[0096]段）、无人机稳定（图5）。这意味着系统的输入、处理和输出都是在连续或短时间内完成的，具有“实时”特性。本领域技术人员可以理解，在这样的实时系统中，任何基于系统状态产生的信息或“表示”（如果存在的话）也必然具有实时性。因此，可以合理推断出，如果存在某种表示（尽管对比文件中没有），它会是实时发生的。技术特征G被隐含公开。 |
| **技术特征H**：《未公开》<br>操纵所述互动上下文面板以便更新所述神经元形态模型的代码 | 无直接对应内容。 | **直接公开判断**：对比文件未提及“代码”（code）更新，也未提及通过操纵面板来更新代码。文件涉及的是通过数学规则（如STDP、强化学习规则）更新网络参数，而非直接编辑程序源代码。因此，未被直接公开。<br><br>**隐含公开判断**：对比文件的技术方案集中在运行时的参数自适应上，其“学习”是网络权重的调整。这完全不同于在开发环境中通过图形界面操作来反向生成或修改描述模型的程序代码（即目标专利所说的双向互动）。没有任何内容暗示这种从GUI到源代码的映射关系。因此，无法合理推断出此技术特征。 |
| **技术特征I**：《未公开》<br>更新所述神经元形态模型的代码以便更新所述互动上下文面板 | 无直接对应内容。 | **直接公开判断**：同特征H，对比文件未涉及“代码”更新与“互动上下文面板”更新的关联。因此，未被直接公开。<br><br>**隐含公开判断**：对比文件没有描述模型的“代码”表示形式。其模型是通过网络结构、神经元类型、连接权重等参数定义的，这些可以在运行时被调整。但不存在“更新代码以更新面板”这种从源代码到GUI的同步逻辑。本领域技术人员无法从对比文件的内容中推理出这种开发工具特有的双向同步机制。因此，未被隐含公开。 |
| **技术特征J**：《隐含公开》<br>所述互动上下文面板示出与所述神经元形态模型的动态相关的参数的上下文信息 | 第[0063]-[0065]式描述了神经元膜电压v(t)的动态方程。<br>第[0090]-[0092]式描述了神经元内部状态变量（v, u）的闭合形式解。 | **直接公开判断**：对比文件未公开“互动上下文面板”，因此也未公开该面板示出何种信息。但是，对比文件明确、详细地公开了“与神经元形态模型的动态相关的参数”，例如神经元膜电位v、恢复变量u等状态变量（第[0063]-[0065]式）。这些参数正是模型动态的核心。<br><br>**隐含公开判断**：虽然对比文件没有提及将这些参数显示在面板上，但它确实定义了这些关键的动态参数。在模型开发、调试或分析过程中，监视这些动态参数的值是常见且必要的步骤。本领域技术人员在构建或分析如对比文件所述的神经元模型时，为了理解其行为，完全有可能（甚至是必须）查看这些动态参数。因此，可以合理推断出，在一种提供开发反馈的工具中，示出这些与模型动态相关的参数（如膜电位）作为上下文信息，是隐含在对比文件所公开模型内容之中的。技术特征J被隐含公开。 |
| **技术特征K**：《未公开》<br>所述表示包括所述神经元形态模型中的一个或多个神经元的布局或所述神经元形态模型中的神经元的连通性中的至少一者的视觉显示 | 无直接对应内容。 | **直接公开判断**：对比文件未提及任何关于神经元“布局”（layout）或“连通性”（connectivity）的“视觉显示”。图2、图4等是示意性的框图，用于说明信息流和组件关系，并非可交互的、用于展示空间布局或详细连接关系的可视化工具。因此，未被直接公开。<br><br>**隐含公开判断**：对比文件描述了网络的连通性（如第[0083]段“前一层神经元通过突触连接网络连接到另一层神经元”），但这是文本描述和数学定义。文件没有给出任何将这种连通性或神经元位置进行可视化显示的启示，特别是用于开发调试的互动视觉显示。这与目标专利中图10B的连通性地图1058等功能有本质不同。因此，无法合理推断出此技术特征。 |
| **技术特征L**：《隐含公开》<br>所述上下文反馈包括相对于所述神经元形态模型的硬件布局的信息 | 第[0041]段：“...using smaller memristor elements... may significantly reduce area of neuron circuits and synapses, which may enable implementing large-scale nervous system hardware implementation more feasible.”<br>第[0208]段：“...the network (or a portion thereof) may be reconfigured... Processing resources, which may become available due to network reconfiguration, may be retargeted at other applications and/or powered off to save energy.” | **直接公开判断**：对比文件未提及在模型开发阶段提供关于“硬件布局”的“上下文反馈”。因此，未被直接公开。<br><br>**隐含公开判断**：对比文件在讨论硬件实现时，提到了对硬件资源的考虑，例如使用忆阻器以减少面积（第[0041]段），以及根据学习阶段动态重新配置处理资源以节省能耗（第[0208]段）。这表明在实现所述神经网络模型时，硬件布局和资源分配是需要考虑的因素。本领域技术人员可以理解，在将神经元模型映射到特定硬件平台进行开发时，关于硬件布局（如资源占用、功耗估计）的信息可能是有用的反馈。虽然对比文件没有明确将其作为“开发反馈”提出，但其中关于硬件实现的讨论为在开发工具中提供此类信息提供了技术启示和可能性。因此，可以合理推断出技术特征L被隐含公开。 |
| **技术特征M**：《隐含公开》<br>所述信息包括功耗或计算负荷中的至少一者 | 第[0207]段：“High stochasticity may cause higher spike rates... Such extraneous spiking activity may cause excessive energy use by the network processing apparatus, cause additional processing load...”<br>第[0208]段：“...may be retargeted at other applications and/or powered off to save energy.” | **直接公开判断**：对比文件未提及在模型开发反馈中 explicitly 包含“功耗”或“计算负荷”信息。因此，未被直接公开。<br><br>**隐含公开判断**：对比文件明确讨论了网络随机性水平对“能量使用”（energy use）和“处理负荷”（processing load）的影响（第[0207]段），并提到了为“节省能源”（save energy）而重新配置资源（第[0208]段）。这表明“功耗”和“计算负荷”是评估和优化所述神经网络实现的重要指标。本领域技术人员在开发一个需要考虑硬件效率的模型时，会意识到监控和优化这些指标的必要性。因此，可以合理推断出，在提供与硬件相关的开发反馈时（如特征L所隐含的），包含“功耗或计算负荷中的至少一者”作为具体信息内容是合乎逻辑的延伸。技术特征M被隐含公开。 |
<<<c>>><<<g>>><<<j>>><<<l>>><<<m>>>