**对比文件名称**：2012-07-05_US2012173471A_发明申请_US20120173471A1 SYNAPTIC WEIGHT NORMALIZED SPIKING NEURONAL NETWORKS
**目标专利名称**：用于空间目标选择的失衡式交叉抑制性机制 CN106030621B
**本次调用的模型名称**：Hunzinger Cold模型
### **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。 | 对比文件未提及“目标选择”、“机器人设备”或基于任何准则从多个候选中选择一个目标。 | **未被公开**。对比文件的核心在于通过突触权重归一化来维持神经网络的稳定性（例如，防止权重漂移导致网络活动失控或不活跃），其涉及的是网络内部连接的普遍性调整规则（如STDP和归一化），而非为了一个外部实体（如机器人）从一组明确的“目标”中做出选择。本领域技术人员无法从对比文件毫无疑义地得出或合理推断出“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。 | 对比文件未提及“目标地图”、“相对于机器人设备的位置”或任何形式的空间位置表示。 | **未被公开**。对比文件描述的是抽象的神经元和突触网络，用于模拟认知系统或神经生物学现象。其神经元和连接不表征物理空间中的位置或目标地图。没有公开或暗示将目标映射到具有自我中心式（相对于机器人）坐标的地图中的不同位置。 |
| **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。 | 对比文件第[0030]段：“Simulations of large-scale neuronal networks comprising electronic neurons allow modeling of cognitive systems and neurobiological phenomenon. Neurons as processing elements integrate input received from other neurons via their dendrites.” | **未被公开**。虽然对比文件明确公开了人工神经网络（或电子神经系统）包含神经元，但并未公开这些神经元对应于一个“目标地图”中的“位置”。目标专利中“每个位置对应于神经元”是为了用神经元的激活来代表该位置存在目标，这是构建空间选择机制的基础。对比文件中的神经元是通用的处理单元，不承担表示特定空间位置并作为选择目标的功能。 |
| **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。 | 对比文件第[0031]-[0032]段：“According to embodiments of the invention, a weight is associated with each synapse... The synaptic weight determines how much of an effect a spike produced by a source neuron will have on a target neuron. Synaptic weights change in ways governed by rules that allow the overall neuronal network to evolve through learning. One embodiment of learning is spike timing dependent plasticity (STDP), wherein a change in synaptic weight is determined by the timing between spikes in source and target neurons.” 以及第[0057]-[0058]段描述了根据STDP规则调整权重的具体公式。 | **未被公开**。对比文件确实公开了通过突触连接（从源神经元到目标神经元）传递的“权重”（可以是兴奋性或抑制性），并且该权重可以根据学习规则（如STDP）进行调整。然而，这种权重调整在对比文件中的作用是“学习”和“维持网络稳定性”（通过归一化防止权重漂移），如第[0032]段所述。而目标专利中“设置失衡”的目的非常特定：是为了在目标选择过程中，偏置“目标神经元”相对于“非目标神经元”的激活，最终实现“赢者全得”或软选择，以驱动机器人行动。两者作用完全不同。对比文件没有公开为了“选择目标”而有意地、非对称地设置从某一类神经元（目标神经元）到另一类神经元（非目标神经元）的连接权重（即失衡）。 |
| **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。 | 对比文件未提及修改神经元间的“相对激活”以使得“机器人设备移动”至某个位置。第[0030]段提到神经元整合输入并发放尖峰，但未与外部物理动作（如机器人移动）关联。 | **未被公开**。这是目标专利方法的最终应用目的和结果。对比文件完全未涉及利用神经网络的激活状态来驱动物理设备（如机器人）执行空间导航任务。其系统是一个封闭的计算或仿真模型，用于研究网络动态或实现其他计算功能，而非用于机器人空间目标选择与控制。 |
| **技术特征F**：其特征在于，每个目标是空间目标。 | 对比文件未提及“空间目标”。 | **未被公开**。此特征是对目标类型的进一步限定。对比文件未涉及任何空间实体或目标的概念。 |
| **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。 | 对比文件未提及基于“活跃量概率”的目标选择准则。 | **未被公开**。对比文件中的学习规则（如STDP）涉及基于尖峰时间的概率性权重更新（见第[0068]-[0070]段），但这与“选择目标的准则”是两回事。没有公开将神经元的活跃概率作为从多个候选中选择一个目标的决策依据。 |
| **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。 | 对比文件未提及基于“空间距离”的目标选择准则。 | **未被公开**。这是目标专利中实现“选择最靠近机器人的目标”这一具体实施例的核心准则。对比文件完全没有空间距离或相关选择函数的概念。 |
| **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。 | 对比文件第[0021]段：“Each connection between axons 26, 28 and dendrites 34, 36 is made through electronic synapses (synapses)...” 第[0031]段：“a weight is associated with each synapse at the point of communication between the axon of a source neuron (e.g., a pre-synaptic neuron) and the dendrite of a target neuron (e.g., a post-synaptic neuron).” | **《直接公开》**。对比文件明确公开了神经元之间通过突触（synapse）连接，这些连接由源（突触前）神经元的轴突连接到目标（突触后）神经元的树突构成。在人工神经网络中，这种从一个神经元的输出到另一个神经元的输入的连接，即是“神经元输入”。虽然对比文件没有明确使用“第一输入层连接”或“侧向连接”这些术语，但“神经元输入”这一类型已被其公开的连接方式（轴突-树突，即源神经元输出至目标神经元输入）所涵盖。因此，本领域技术人员能够毫无疑义地从对比文件得出“连接是神经元输入”这一技术方案。 |
<<<I>>>