好的，作为一名专利创造性评估经验丰富的资深专利代理师，我将严格遵循您的要求，对对比文件是否公开目标专利权利要求的各技术特征进行严谨、深入的评估。
首先，明确本次评估的相关信息：
- **对比文件名称**: 2009-04-24_CA2651256A_发明专利_CA2651256A1 METHOD TO CONTROL ERROR FLOOR IN ANALOG NEURAL LDPC DECODER
- **目标专利名称**: 1075信道解码中的数据处理CN113273085B
- **本次调用的模型名称**: 由于本次交互未指定，暂记为“资深专利代理师分析模型”。
以下为根据您的要求创建的特征比对表格。对于技术特征的理解，将紧密结合目标专利说明书原文进行解释。
### 特征比对表格
| 技术特征及公开性判断 | 对比文件引用内容（翻译成中文） | 公开性论述 | |||||
| **技术特征A**：包括至少一个处理器<br><br>《未公开》 | 对比文件通篇描述的是基于模拟神经网络（MLP）的LDPC解码器，其核心是模拟电路实现的“处理器”或“处理单元”，例如提及“Intel's chip 8017NW ETANN (Electrically Trainable Analogue Neural Network)”或“Malcolm Stagg's dynamic analog concurrently-processed adaptive chip”。但其未明确公开或教导采用数字逻辑意义上的“至少一个处理器”来执行后续的数据处理方法。 | 对比文件的技术方案立足于模拟电路领域，构建专用的模拟神经网络芯片（如ETANN或Stagg chip）来执行和积运算的映射功能。其说明书并未描述使用通用或专用的数字处理器（如CPU、DSP、微控制器）并通过执行计算机程序代码来实现相关功能。本领域技术人员从对比文件中无法毫无疑义地得出其包括“至少一个处理器”这一特征，也无法合理推断出其必然包含。 | |||||
| **技术特征B**：包括计算机程序代码的至少一个存储器<br><br>《未公开》 | 对比文件全文未提及“计算机程序代码”或“存储器”用于存储程序代码。对比文件提及的查找表（look-up table）[22]是作为现有技术中的一种函数近似技术被引述，并非其本身技术方案的组成部分。其核心是基于神经网络的训练权重进行模拟计算，而非执行程序代码。 | 对比文件的技术方案基于模拟电路，其功能由电路的物理连接和模拟信号处理实现，而非由处理器执行存储在存储器中的计算机程序代码来实现。虽然神经网络有“权重”和“偏置”等参数，但这些是模拟电路中的物理量（如电压、电流），并非存储在存储器中的“计算机程序代码”。因此，该技术特征未被对比文件公开。 | |||||
| **技术特征C**：所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述设备至少：从信道解码过程中获得第一输入和第二输入，将对所述第一输入和第二输入执行和积运算，所述和积运算包括一个或多个子运算<br><br>《隐含公开》 | 对比文件摘要部分提及：“Analog decoder for (16,4) Hamming code is simulated with neural design of the check nodes...”。<br><br>第4页“3. Decoding algorithms and their mapping functions.”部分明确描述了和积算法（sum-product algorithm）：<br>“Message passing involving summation of the messages at the variable nodes and calculations (3.2) - (3.4) is called sum-product algorithm. Equation (3.2) can be resolved for L(rji) to yield the following mapping function for check nodes: <br>L(rji) = 2 arctanh{ ∏ tanh [(1/2) L(qij)] } ... (3.5)”<br><br>该算法需要获得来自变量节点的消息作为输入（即第一输入和第二输入），并在校验节点处执行和积运算。 | 尽管对比文件的技术方案基于模拟神经网络，而非“处理器+存储器+程序代码”的数字架构，但其核心确系从信道解码过程中获得输入（变量节点消息），并对其执行和积运算。该和积运算由一系列子运算组成（如公式3.5所示的乘法和tanh、arctanh运算）。本领域技术人员可以合理推断，要实现该算法，任何实现方式（无论是数字还是模拟）都需要获取这些输入并执行运算。因此，该技术特征被对比文件隐含公开。 | |||||
| **技术特征D**：其中所述第一输入指示第一接收比特被解码为第一值的第一可能性和第一接收比特被解码为第二值的第二可能性之间的第一比率；并且中所述第二输入指示第二接收比特被解码为所述第一值的第三可能性和所述第二接收比特被解码为所述第二值的第四可能性之间的第二比率<br><br>《直接公开》 | 对比文件第5页定义了对数似然比（LLR）：<br>“Pr(ci=0 I y) <br>L(ci) = log ( --------------- ) , ... (3.1)”<br>其中`Pr(ci=0 | y)`和`Pr(ci=1 | y)`分别代表接收到的比特ci为0和1的后验概率。该LLR正是目标专利中定义的“第一比率”或“第二比率”。<br><br>第6页进一步阐释：<br>“L(qij)=log[qij(0)/qij(1)] ... (3.4)”<br>和<br>“L(rij)=log[rij(0)/rij(1)] ... (3.3)”<br>明确将消息`qij`和`rij`定义为概率比值的对数。 | 对比文件明确给出了对数似然比（LLR）的定义，即某比特为0的概率与为1的概率之比的对数。这完全对应于目标专利中“第一输入指示第一接收比特被解码为第一值（如0）的第一可能性和...第二可能性（如为1）之间的第一比率”。本领域技术人员可以毫无疑义地确认，对比文件中用于和积运算的输入变量正是这种形式的比率。因此，该技术特征被直接公开。 | |||
| **技术特征E**：其中所述和积运算执行对数域中的以下运算：<br>其中A和B分别表示所述第一输入和所述第二输入<br><br>《直接公开》 | 对比文件第5页公式(3.5)给出了校验节点更新公式，这是和积运算在对数域的核心表达：<br>“L(rji) = 2 arctanh{ ∏ tanh [(1/2) L(qij)] } ... (3.5)”<br>其中`L(qij)`是来自变量节点的消息（可视为第一输入A和第二输入B），`L(rji)`是输出到变量节点的消息。这个公式与目标专利的公式(1)在数学上是等价的，都是对数域中的和积运算。 | 对比文件明确描述了和积运算在对数域中的执行方式，并给出了其核心运算公式。该公式将两个输入（来自变量节点的LLR）转换为一个输出。虽然目标专利公式(1)是公式(3.5)对两个输入情况的简化形式，但两者本质相同，均是对数域中的和积运算。本领域技术人员可以毫无疑义地确定这一点。因此，该技术特征被直接公开。 | |||||
| **技术特征F**：确定映射关系集，以用于对所述一个或多个子运算中的至少一个子运算进行近似<br><br>《直接公开》 | 对比文件的核心思想就是利用神经网络（MLP）作为函数映射器（mapper）来近似和积运算。摘要指出：“Error floor is shown to be a function of the error distribution in the check nodes. Control of the error floor via optimization of the error distribution in the check node's mappers is demonstrated...”。<br><br>第6页“Selection of the mapping function for MLP.”部分明确指出：<br>“...the preferred option is chosen to be (3.5) mapping as the one, which provides full implementation of check node functionality.”<br><br>第7页图7及其描述阐述了神经网络训练的概念，即通过调整网络权重来逼近理想函数，这实质上就是确定一个映射关系集来近似子运算。 | 对比文件明确提出了用神经网络（MLP）来近似和积算法中的校验节点运算。MLP通过训练，学习得到一个从输入到输出的非线性映射关系，这正是对“至少一个子运算进行近似”。该映射关系由一组网络权重和偏置表征，构成了一个“映射关系集”。因此，该技术特征被直接公开。 | |||||
| **技术特征G**：基于所述第一输入、所述第二输入和所述映射关系集，来确定对所述第一输入和所述第二输入执行的所述和积运算的第一结果<br><br>《直接公开》 | 对比文件第7页图7“The concept of the function-approximation training of the neural network.”描述了神经网络的使用流程。在训练完成后，神经网络（包含映射关系集）根据输入产生输出。<br><br>第5.1节“Results of 3-D neural mapping for sum-product algorithm.”给出了具体的仿真过程：输入训练数据`Xtr, Ytr`，通过训练好的MLP（映射关系集）计算得到输出`Ztr`，该`Ztr`即为对理想和积运算结果的近似。 | 对比文件详细描述了如何使用训练好的神经网络（其权重和偏置即为映射关系集）来处理输入（第一输入和第二输入），并生成输出。该输出即为对理想和积运算结果的近似，对应于目标专利中的“第一结果”。这是神经网络作为函数近似器的基本应用。因此，该技术特征被直接公开。 | |||||
| **技术特征H**：基于所述第一结果来继续所述信道解码过程<br><br>《直接公开》 | 对比文件第5.3节“Results of analog neural decoder simulation.”描述了将训练好的4-D映射器集成到迭代解码器中，作为校验节点。解码过程就是基于校验节点的输出（第一结果）传递给变量节点，进行后续的迭代。图22展示了这些解码器的性能。 | 对比文件明确将神经网络映射器的输出（第一结果）用于后续的迭代解码过程。整个LDPC解码器就是基于校验节点产生的消息（第一结果）和变量节点产生的消息进行迭代，直至解码完成。因此，该技术特征被直接公开。 | |||||
| **技术特征I**：其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述设备：基于所述第一输入、所述第二输入和所述映射关系集，来确定所述一个或多个子运算的第二结果<br><br>《隐含公开》 | 对比文件第5页公式(3.11)将和积运算分解，其中绝对值部分`I L(rji) I`的计算可以视为一个子运算，而符号部分`sign[L(rji)]`是另一个子运算。MLP映射器的作用是近似整个映射函数，但通过训练，它本质上学习到了对各个子运算的组合结果进行逼近。 | 虽然目标专利明确将整个和积运算分为第一项（最小和）和g项（第二结果），而对比文件中的MLP是直接对完整和积结果进行近似。然而，本领域技术人员可以理解，任何近似的最终目标都是为了得到最终结果。对比文件中的神经网络映射器作为一个整体，其输出可以视为是对包含第二结果在内的整个运算结果的确定。因此，可以合理推断出，该映射器在确定最终结果的过程中，隐含地确定了与目标专利中“第二结果”作用相同的校正量。该技术特征被隐含公开。 | |||||
| **技术特征J**：至少基于所述第二结果来确定所述第一结果<br><br>《隐含公开》 | 对比文件第5.3节图22中，标记为#3的decoder使用的是No.35 mapper，其误差分布均匀，性能最优。这表明，对比文件中的映射器（近似结果）与理想和积（第一结果）之间存在差值，而这个差值正是由MLP的近似特性决定的，其作用类似于目标专利中的“第二结果”。 | 同上，对比文件中的MLP映射器的输出本身就是一个近似结果，可以被视为目标专利中的“第一结果”。该第一结果是通过一个逼近过程确定的，这个逼近过程本质上就包含了确定近似误差或校正量（即第二结果）的过程。尽管对比文件未明确划分“第一结果”和“第二结果”，但基于其逼近的本质，可以合理推断出“第一结果”的确定隐含依赖于一个近似的校正项。因此，该技术特征被隐含公开。 | |||||
| **技术特征K**：确定所述第一输入和所述第二输入之和的第一绝对值 | 《未公开》 | 对比文件虽然给出了和积运算的各种表达式，但并未公开通过计算输入之和的绝对值作为中间步骤来确定结果的算法。其核心方法是利用MLP对多维空间进行直接的函数映射。 | 对比文件的方案是使用MLP直接学习输入（如X, Y）到输出Z的映射，而不需要显式地计算输入的和、差、绝对值等中间统计量。MLP的隐藏层会进行加权求和和非线性变换，但这与显式地确定“第一输入和第二输入之和的第一绝对值”是不同的概念和步骤。本领域技术人员无法从对比文件中直接得出或合理推断出该计算步骤。 | ||||
| **技术特征L**：基于所述第一绝对值和所述映射关系集，来确定所述一个或多个子运算的第一候选结果 | 《未公开》 | 对比文件全文未提及“第一候选结果”或类似表述。其映射关系集（MLP）直接作用于原始输入（X, Y），而非作用于“和的第一绝对值”。 | 对比文件的映射器直接对原始输入变量进行映射。虽然其输入在训练和测试时是具体的数值，但从未提及将“和的第一绝对值”作为映射器的输入。因此，不存在基于该绝对值确定候选结果的概念。 | ||||
| **技术特征M**：确定所述第一输入和所述第二输入之间的差的第二绝对值 | 《未公开》 | 对比文件全文未提及“差的第二绝对值”或类似表述。 | 同技术特征K的分析。对比文件未采用基于输入和与差的算法结构。 | ||||
| **技术特征N**：基于所述第二绝对值和所述映射关系集，来确定所述一个或多个子运算的第二候选结果 | 《未公开》 | 对比文件全文未提及“第二候选结果”或类似表述。 | 同技术特征L的分析。 | ||||
| **技术特征O**：通过对所述第一绝对值和第二绝对值进行比较，来选择所述第一候选结果、所述第二候选结果以及预定值中的一项作为所述第二结果 | 《未公开》 | 对比文件全文未提及通过比较和与差的绝对值来选择结果的机制。其映射器是“前馈”（feed-forward）的，即输入经过神经网络计算直接得到输出，没有这种选择逻辑。 | 目标专利通过比较` | A+B | `和` | A-B | `来决定使用哪个候选结果或0作为第二结果，这是一个特定的、非线性的选择逻辑。对比文件中的MLP实现的是一个连续的非线性函数映射，其内部处理机制（加权求和、激活函数）与目标专利的这种显式比较选择逻辑完全不同。本领域技术人员无法从对比文件中得出该技术特征。 |
| **技术特征P**：其中所述映射关系集被存储为存储器中的查找表，并且其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述设备：从所述存储器中获得表示所述映射关系集的所述查找表 | 《未公开》 | 对比文件第2.1节末尾提及现有技术中的“a ROM based look-up table as a function approximation technique, to be used with an LDPC decoder.”[22]。此引用仅作为背景技术，并非其本方案。<br><br>对比文件本身的方案是将映射关系集（MLP的权重和偏置）以模拟电路的形式实现，如第4节所述“Prototype of the hardware implementation of the simulated structure can be Intel's chip 8017NW ETANN”。 | 目标专利明确将映射关系集存储为“查找表”，并通过“从存储器中获得”该表来实现近似。而对比文件的核心创新在于利用模拟神经网络，其映射关系（权重）是固化在电路中的物理参数，而非以数字查找表形式存储在存储器中。虽然训练好的权重可以被数字化，但对比文件并未公开或教导将其作为查找表从存储器中获取并使用。因此，该技术特征未被公开。 | ||||
| **技术特征Q**：其中所述信道解码过程被用于对低密度奇偶校验(LDPC)码进行解码 | 《直接公开》 | 对比文件标题即为“METHOD TO CONTROL ERROR FLOOR IN ANALOG NEURAL LDPC DECODER”。全文通篇以LDPC码为例进行说明，例如摘要、第1节、第5.3节等。各章节均围绕LDPC解码器的设计、仿真和性能分析展开。 | 毫无疑问，对比文件的技术方案直接应用于对LDPC码进行信道解码。这是对比文件的核心应用场景。因此，该技术特征被直接公开。 | ||||
| **技术特征R**：其中所述信道解码过程被用于对极化码和/或雷德密勒码进行解码 | 《未公开》 | 对比文件全文未提及“极化码（polar code）”或“雷德密勒码（Reed-Muller code）”。其应用场景完全集中于LDPC码（以及作为测试示例的(16,4)汉明码）。 | 对比文件明确限定其解码器用于LDPC码（和汉明码）。虽然其方法（基于MLP近似和积运算）在理论上可能具有通用性，但对比文件本身并未公开或暗示其可以用于极化码或雷德密勒码的解码。本领域技术人员无法从对比文件中直接得出或合理推断出其可用于这两种特定码型的解码。因此，该技术特征未被公开。 |
---
基于以上详细的分析，本次评估的结论代码为：
<<<D>>>
<<<E>>>
<<<F>>>
<<<G>>>
<<<H>>>
<<<Q>>>
<<<c>>>
<<<i>>>
<<<j>>>