**对比文件名称**：2009-01-27_US7483868B_发明授权_US07483868B2 Automatic neural-net model generation and maintenance
**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
**模型名称**：GPT-4
### 特征比对表格
| 技术特征描述及公开性判断 | 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>**判断结果：未公开** | 无。对比文件未提及“机器人设备（robot device）”、“目标选择（target selection）”、“目标（target）”或为机器人选择目标。 | 对比文件涉及使用神经网络（如功能链接网络FLN）进行通用函数逼近、预测或数据挖掘（例如预测电力需求、产品质量，见说明书[0127]-[0133]段）。其核心是模型构建和自适应更新方法，而非为机器人设备从多个空间目标中进行选择。本领域技术人员无法从对比文件中得出或推断出“为机器人设备选择目标”这一技术特征。 |
| **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>**判断结果：未公开** | 无。对比文件未提及“目标地图（target map）”、“相对于机器人设备的位置（positions relative to the robot device）”或目标与空间位置的映射关系。 | 对比文件提到了处理多维数据模式（[0127]段），以及输入向量x（[0073]段），但这些输入数据是抽象的、用于函数逼近的特征向量，并非表示相对于某个移动设备（如机器人）的空间位置的地图。说明书[0101]-[0104]段讨论的聚类中心是数据空间中的点，用于确定径向基函数的参数，而非物理空间中的目标位置。因此，该特征未被公开。 |
| **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>**判断结果：隐含公开 (c)** | 说明书[0060]-[0061]段：“A functional-link net (‘FLN’) is one type of neural net... The nodes in the functional-link layer have associated non-linear basis functions.”； 图4及对应描述展示了一个具有功能链接层（含多个节点/神经元）的FLN结构。 | 对比文件公开了人工神经网络（如FLN），其中包含多个节点（nodes），这些节点即人工神经元（见背景技术[0013]段对处理元素的描述）。在函数逼近的语境下，每个输入数据模式（可视为一个抽象的“位置”或状态点）由网络中的一组神经元活动来响应或表示。虽然对比文件未明确将“物理位置”映射到神经元，但本领域技术人员公知，在神经网络中，特定的输入模式（可代表某种状态或“位置”）会激活网络中特定的神经元或神经元组合。因此，可以合理推断“输入模式/状态对应于神经元的活动”，这隐含了“每个位置（输入状态）对应于人工神经网络中的神经元”这一概念。但需注意，此处的“位置”在对比文件中是抽象的数据空间位置，而非目标专利中的物理空间位置。 |
| **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>**判断结果：未公开** | 无。对比文件全文未提及“抑制性权重（inhibitory weights）”、“交叉抑制（cross-inhibition）”、“失衡（imbalance）”或通过从一个神经元到另一个神经元输出抑制信号来设置连接强度的概念。 | 对比文件中涉及的权重（weights）是线性组合权重（如式(2)中的wj），用于将功能链接层节点的输出组合成最终输出（[0074]-[0075]段）。这些权重的调整是为了最小化预测误差（训练过程，[0015]-[0019]段），或通过正交最小二乘法（OLS）递归计算（[0072]-[0098]段）。其作用是函数逼近，而非在神经元之间建立抑制性连接以实现目标选择中的“赢者通吃”机制。设置“失衡”以实现选择不是对比文件的目的或公开内容。 |
| **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>**判断结果：未公开** | 无。对比文件未提及通过修改神经元间“相对激活（relative activation）”来导致“机器人设备移动”。 | 对比文件中神经元的“激活”或状态是其输入和传递函数的结果（[0013]段）。权重的修改会影响网络的整体输出值（预测值），但这不是为了在内部神经元之间制造活跃度的差异以驱动物理动作（如机器人移动）。其目标是使网络输出逼近期望的标量函数值y(x)（[0073]段）。修改权重以改变特定神经元相对于其他神经元的激活水平，并以此作为机器人移动的决策依据，这一整套机制在对比文件中完全没有记载或暗示。 |
| **技术特征F**：其特征在于，每个目标是空间目标。<br>**判断结果：未公开** | 无。对比文件未提及“空间目标（spatial target）”。 | 对比文件的应用示例（如预测商品订单、产品质量、电力价格等，[0129]-[0133]段）均与空间目标无关。其处理的数据是数值或非数值属性，而非空间坐标。因此，该特征未被公开。 |
| **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>**判断结果：未公开** | 无。对比文件未提及基于“活跃量概率（activity probability）”进行目标选择。 | 对比文件中的模型输出是一个确定性或带有噪声的预测值，并非一个表示目标被选中概率的活跃量。训练目标是减少输出误差，而非使某个输出神经元（代表目标）的活跃度基于概率超过其他神经元。该特征未被公开。 |
| **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>**判断结果：未公开** | 无。对比文件未提及基于“空间距离（spatial distance）”的选择准则。 | 如特征A、B、F所述，对比文件的整个技术领域和应用场景与空间导航、距离计算无关。选择准则是模型精度（如误差目标5e-4，[0119]段），而非空间距离。该特征未被公开。 |
| **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>**判断结果：隐含公开 (i)** | 说明书[0013]段：“A typical neural net comprises a number of interconnected neuron-like processing elements (or nodes) that send data to each other along connections. A processing element receives a number of inputs, either from other processing elements or directly from inputs of the network...”； 图4展示了功能链接网络（FLN）的结构，包括输入到功能链接层节点的连接，以及功能链接层节点到输出节点的连接。 | 对比文件明确描述了神经网络由通过连接互连的处理元素（神经元）组成。神经元可以从其他神经元或直接从网络输入接收输入。这公开了“神经元输入”和“侧向连接”（因为神经元可以相互连接）的概念。图4的FLN结构清楚地显示了从输入到功能链接层节点的连接（可视为一种特定的输入层连接）以及从功能链接层节点到输出节点的连接。因此，对比文件隐含公开了神经网络中的连接可以是神经元输入、侧向连接或输入层连接等类型。虽然对比文件未明确使用“第一输入层连接”这一术语，但其展示的FLN结构中的连接涵盖了该特征所定义的连接类型。 |
### 总结与代码输出
经逐一比对分析：
- 技术特征C和I被对比文件**隐含公开**。
- 技术特征A、B、D、E、F、G、H均未被对比文件直接公开或隐含公开。
<<<c>>><<<i>>>