对比文件名称：2013-03-21_US2013073501A_发明申请_US20130073501A1 METHOD AND APPARATUS FOR STRUCTURAL DELAY PLASTICITY IN SPIKING NEURAL NETWORKS
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
本次调用的模型名称：通用大语言模型
### 特征比对表格
| 技术特征描述以及公开性判断结果 | 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，**（未公开）** | 无 | **论述**：对比文件涉及尖峰神经网络中结构延迟可塑性的方法，用于调整突触延迟以优化网络学习和信息处理。其全文均未提及任何“机器人设备”、“目标选择”或为目标选择设定“准则”。对比文件解决的是网络内部信号时序和学习效率问题，不涉及为外部物理设备（如机器人）从多个目标中进行选择的任务。因此，该技术特征既未被直接公开，也未被隐含公开。 |
| **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，**（未公开）** | 无 | **论述**：对比文件讨论的神经网络是通用的信息处理模型，并未将其神经元或网络结构描述为表示物理空间的“目标地图”。说明书中的“地图”一词仅出现在背景技术部分提及“图像和模式识别”时，并非指代本专利中具有自我中心式坐标（相对于机器人设备）的空间位置表示。没有内容暗示神经元的位置被映射到物理空间中的位置以用于目标选择。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**（直接公开）** | 对比文件第[0025]-[0030]段描述了神经网络由多级神经元组成，神经元通过突触连接，并生成和传递尖峰信号。例如，“神经系统100可具有神经元级102...”、“神经元可接收多个输入信号...”、“神经元...可生成输出尖峰...” | **论述**：对比文件明确公开了人工神经网络（尖峰神经网络）及其基本组成单元——神经元。虽然对比文件中的神经元并未被指定为对应到“目标地图中的位置”，但“每个位置对应于人工神经网络中的神经元”这一技术特征本身描述的是神经网络的一种可能实现架构，即网络中的处理单元是神经元。对比文件直接公开了神经网络由神经元构成。因此，本领域技术人员能够毫无疑义地得出，在一个人工神经网络中，其基本处理单元是神经元。该特征被直接公开。 |
| **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**（未公开）** | 对比文件第[0071]段提到：“It should be also noted that lateral inhibition may reduce the chance of developing multiple delays of synapses on the same input.”（还应注意，侧向抑制可降低在同一输入上形成多个突触延迟的机会。） | **论述**：首先，对比文件未公开“目标神经元”和“非目标神经元”的概念划分，其神经元是通用的信息处理单元。其次，对比文件确实提到了“侧向抑制（lateral inhibition）”这一通用神经网络概念，但其作用被描述为影响延迟的多样性发展，而非用于在目标选择中设置“失衡”。目标专利中的“设置失衡”特指为了偏置选择结果（如选择最近目标）而有目的地调整连接权重（抑制性权重），这是一种具体应用。对比文件中的抑制是神经网络中一种常见的竞争机制，但未涉及为目标选择而特意设置权重的“失衡式交叉抑制”。因此，该特征未被公开。 |
| **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。**（未公开）** | 无 | **论述**：该特征集成了多个未被公开的概念：1）“目标神经元与非目标神经元的相对激活”被修改；2）修改的目的是驱动“机器人设备”移动；3）移动的目的地是“目标地图中与所选目标相关联的位置”。对比文件完全不涉及修改神经元激活以控制机器人空间导航。其讨论的延迟可塑性会影响神经元发放时间，但目的是优化网络内部的学习和表征，而非产生驱动外部物理设备移动的指令。因此，该特征未被公开。 |
| **技术特征F**：其特征在于，每个目标是空间目标。**（未公开）** | 无 | **论述**：对比文件未提及“空间目标”。其背景和应用涉及图像识别、模式识别、机器学习等，但未具体到在物理空间中选择目标并引导机器人移动的场景。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。**（未公开）** | 无 | **论述**：对比文件未涉及任何形式的目标选择准则，更未提及基于“活跃量概率”的准则。其学习规则（如STDP）是基于尖峰时序调整权重和延迟，不构成目标专利中用于机器人目标选择的“准则”。因此，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。**（未公开）** | 无 | **论述**：对比文件未提及机器人设备、空间目标或空间距离。因此，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。**（直接公开）** | 对比文件第[0032]段提到了“lateral connections”（侧向连接）。图1和说明书多处描述了神经元通过“synaptic connections”（突触连接）接收输入，这些连接构成了神经元的输入。 | **论述**：对比文件公开了神经网络中神经元之间存在连接（突触），这些连接用于传递信号，构成神经元的输入。同时，第[0032]段明确提到了“侧向连接（lateral connections）”。虽然对比文件没有明确列举“第一输入层连接”，但“神经元输入”这一宽泛概念已被覆盖。本领域技术人员能够毫无疑义地从对比文件中得出，神经网络中的连接可以包括侧向连接，并且神经元通过连接接收输入。因此，该特征被直接公开。 |
<<<C>>><<<I>>>