本次调用的模型名称：**GPT-4**
**对比文件名称**：2012-05-03_US2012109863A_发明申请_US20120109863A1 CANONICAL SPIKING NEURON NETWORK FOR SPATIOTEMPORAL ASSOCIATIVE MEMORY
**目标专利名称**：264用于空间目标选择的失衡式交叉抑制性机制CN106030621B
### **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：至少部分地基于目标选择准则从所述多个目标中为机器人设备选择目标，<br>**公开性判断**：**未被公开** | 对比文件第[0026]段：“The plurality of electronic neurons are configured to detect the presence of a spatiotemporal pattern in a data stream, and extract the spatiotemporal pattern. Based on learning rules, the plurality of electronic neurons store the spatiotemporal pattern, and upon being presented with a version of the spatiotemporal pattern, retrieve the stored spatiotemporal pattern.” <br>第[0035]段：“The outcome of the construction just described is that the system 10 develops a facility for enhancing associations between causal events, and suppressing acausal events.” <br>第[0036]段：“The I2 layer ensures that the activity in the E2 layer is limited to a very small number.” | **论述**：目标专利的技术特征A涉及“为机器人设备选择目标”这一具体应用目的，其核心是为控制机器人移动而做出决策。对比文件公开的是一种用于“时空联想记忆”的尖峰神经元网络，其功能是检测、提取、存储和检索时空模式（见[0026]），并通过抑制机制（如I2层限制E2层活动，见[0036]）来增强因果事件关联、抑制非因果事件（见[0035]）。虽然对比文件中的系统也涉及某种“选择”（例如，通过抑制机制使特定的神经元群活动胜出），但这种选择是用于**模式识别、记忆存储和检索**的认知计算过程，而非用于**为机器人设备选择移动目标**的执行决策过程。两者目的和所解决的技术问题不同。本领域技术人员从对比文件中无法毫无疑义地得出或合理推断出其为机器人设备选择目标的技术方案。因此，技术特征A未被对比文件公开。 |
| **技术特征B**：所述多个目标中的每个目标对应于包括相对于所述机器人设备的位置的多个位置的目标地图中的不同位置，<br>**公开性判断**：**未被公开** | 对比文件第[0038]段：“The E1 layer receives spatio-temporal inputs (e.g., images of circles or squares with temporal variations in appearance), wherein input patterns presented to the E1 layer lead to compressed representations on the E2 layer.” <br>第[0041]段：“Connections between layers are made from each neuron (An) in a source layer S to a point, target neuron Bn, in the target layer T that corresponds topographically with the location of the source An in the source layer.” | **论述**：目标专利的技术特征B明确了“目标地图”的概念，且该地图中的位置是“相对于机器人设备的位置”，这是一种以自我为中心的（egocentric）空间表示，直接服务于机器人的导航与决策。对比文件确实公开了E1层接收“时空输入”（如具有时间变化的图像，见[0038]），并且神经元在层间具有地形对应的连接关系（见[0041]），这表明输入具有空间属性，神经元排列可对应空间位置。然而，对比文件始终描述的是系统对外部输入**模式**的感知、学习和回忆，其“位置”是输入模式固有的、客观的空间特征，并未提及或隐含这些位置是**相对于一个可移动的机器人设备**而言的，也没有构建服务于机器人导航的“目标地图”。两者在空间表示的参考系和用途上存在本质区别。因此，技术特征B未被对比文件公开。 |
| **技术特征C**：并且每个位置对应于人工神经网络中的神经元<br>**公开性判断**：**直接公开** | 对比文件第[0041]段：“Connections between layers are made from each neuron (An) in a source layer S to a point, target neuron Bn, in the target layer T that corresponds topographically with the location of the source An in the source layer.” | **论述**：目标专利的技术特征C表明目标地图中的每个位置对应一个人工神经网络中的神经元。对比文件明确公开了层间的神经元连接是“地形对应”的（topographically），即源层中神经元An的位置对应于目标层中目标神经元Bn的位置（见[0041]）。这清晰地揭示了在对比文件的神经网络中，空间位置（由输入模式或神经元在层内的排列所定义）与特定的神经元之间存在对应关系。这与目标专利中“位置对应神经元”的技术特征相同。因此，技术特征C被对比文件直接公开。<<<C>>> |
| **技术特征D**：通过经由从对应于所选目标的目标神经元至不对应于所选目标的非目标神经元的连接输出抑制性权重来设置失衡<br>**公开性判断**：**直接公开** | 对比文件第[0024]-[0026]段：“In step 24 the triggered E2 layer electronic neuron 14 triggers the activity of one or more I2 layer electronic neurons 16. In step 25, this in turn sends a strong inhibitory signal back to the E2 layer, thereby in step 26 suppressing further E2 layer activity for a brief time interval...” <br>第[0036]段：“The I2 layer ensures that the activity in the E2 layer is limited to a very small number.” | **论述**：目标专利的技术特征D的核心在于“通过输出抑制性权重来设置失衡”，即通过特定的抑制连接，使某些神经元（目标神经元）相对于其他神经元（非目标神经元）获得优势。对比文件详细公开了其网络中的交叉抑制机制：被触发的E2层神经元会激活I2层抑制性神经元（见[0024]），随后I2层神经元向E2层发送强抑制信号，从而抑制E2层中其他的神经元活动（见[0025][0026]）。这种机制使得最初被触发（可类比为“被选中”）的E2神经元能够抑制其他E2神经元，实现了活动水平的“失衡”。这与目标专利中“从目标神经元至非目标神经元输出抑制性权重以设置失衡”的技术手段在原理和效果上完全相同。因此，技术特征D被对比文件直接公开。<<<D>>> |
| **技术特征E**：以及至少部分地基于所述失衡来修改所述目标神经元与所述非目标神经元之间的相对激活，以使得在所述目标神经元的活跃量大于所述非目标神经元的活跃量时所述机器人设备移动至所述目标地图中与所选目标相关联的位置。<br>**公开性判断**：**未被公开** | 对比文件第[0024]-[0026]段（内容同特征D引用）。<br>第[0035]段：“The outcome of the construction just described is that the system 10 develops a facility for enhancing associations between causal events, and suppressing acausal events.” | **论述**：目标专利的技术特征E不仅要求修改神经元间的相对激活，更明确了其最终目的是**控制机器人设备移动至选定目标的位置**。这是一个完整的“感知-决策-执行”控制回路。对比文件公开的抑制机制确实修改了神经元间的相对激活（使一个E2神经元群的活动胜出），但其目的是实现“赢者全得”（WTA），以**增强因果关联、抑制噪声、完成模式检索**（见[0035]），属于信息处理和记忆范畴。对比文件全文未提及任何机器人设备、机器人移动、或为空间导航而做出的目标选择决策。本领域技术人员无法从对比文件关于联想记忆和模式处理的描述中，毫无疑义地得出或合理推断出将其用于控制机器人空间移动的技术方案。因此，技术特征E未被对比文件公开。 |
| **技术特征F**：其特征在于，每个目标是空间目标。<br>**公开性判断**：**未被公开** | 对比文件第[0026]段：“...detect the presence of a spatiotemporal pattern in a data stream, and extract the spatiotemporal pattern.” <br>第[0038]段：“The E1 layer receives spatio-temporal inputs (e.g., images of circles or squares with temporal variations in appearance)...” | **论述**：目标专利将目标限定为“空间目标”，强调了其应用场景是空间中的位置选择。对比文件处理的对象是“时空模式”（spatiotemporal pattern），这些模式可能包含空间成分（如图像，见[0038]），但“时空模式”是一个更宽泛的概念，它强调的是模式在空间和时间上的分布与变化，用于联想记忆。对比文件并未将这些模式具体定义为等待被选择的“空间目标”。两者的技术焦点不同：一个是针对空间实体的选择，另一个是针对抽象时空模式的存储与回忆。因此，技术特征F未被对比文件公开。 |
| **技术特征G**：其特征在于，所述目标选择准则至少部分地基于每个目标的活跃量概率。<br>**公开性判断**：**未被公开** | 对比文件未提及基于“活跃量概率”的选择准则。其选择机制基于神经元活动的强弱和抑制性反馈，是确定性的“赢者全得”（WTA）过程。 | **论述**：目标专利的技术特征G引入了基于“活跃量概率”的选择准则，这暗示了一种可能带有随机性或概率分布的选择策略。对比文件公开的选择机制是通过I2层的侧向抑制实现的确定性“赢者全得”（WTA）机制（例如第[0036]段），其结果是使最活跃的神经元群胜出，并未涉及任何基于概率的计算或决策过程。本领域技术人员从对比文件中无法得出或推断出基于概率的选择准则。因此，技术特征G未被对比文件公开。 |
| **技术特征H**：其特征在于，所述选择目标选择准则至少部分地基于所述目标与所述机器人设备之间的空间距离。<br>**公开性判断**：**未被公开** | 对比文件全文未提及任何利用“空间距离”作为选择偏置或准则的内容。 | **论述**：目标专利的技术特征H明确将“目标与机器人设备之间的空间距离”作为选择准则的核心，这是实现空间目标选择（如选择最近目标）的关键。对比文件处理的虽然是时空输入，但其网络内部的连接权重变化遵循STDP/aSTDP规则，这些规则依赖于神经元发放的**相对时间差**，而非目标与观察者之间的**空间距离**。对比文件完全没有公开或暗示任何根据空间距离来设置连接权重失衡（如目标专利说明书[0103]式15所述）或影响选择过程的机制。因此，技术特征H未被对比文件公开。 |
| **技术特征I**：其特征在于，所述连接是第一输入层连接、神经元输入、侧向连接、或其组合中的至少一者。<br>**公开性判断**：**直接公开** | 对比文件第[0027]段：“The electronic neurons are interconnected as follows. FIG. 2 shows a more detailed diagram of the neural system 10, illustrating populations of electronic neurons 12 (i.e., NE1 in the layer E1 connected to electronic neurons 14 (i.e., NE2) in the layer E2, and the electronic neurons 14 connected to the electronic neurons 12.” <br>第[0036]段：“The I2 layer ensures that the activity in the E2 layer is limited to a very small number.” （结合图2、5、6可知I2对E2的抑制属于层间反馈/侧向抑制） | **论述**：目标专利的技术特征I限定了实现抑制性权重输出的“连接”类型。对比文件公开的神经网络具有分层的体系结构（E1, E2, I1, I2）。其中，E1层作为输入层，其神经元接收外部输入（可视为第一输入层连接/神经元输入）。更重要的是，实现抑制机制的关键连接——从I2层神经元到E2层神经元的抑制性反馈连接（见[0036]及附图），正是一种“侧向连接”（lateral connection），因为它发生在同一处理层次（E2层）内或相邻处理层次间，用于实现神经元群体内部的竞争。这完全覆盖了技术特征I所描述的连接类型。因此，技术特征I被对比文件直接公开。<<<I>>> |
<<<C>>><<<D>>><<<I>>>