**对比文件名称**：2013-08-08_US2013204820A_发明申请_US20130204820A1 METHODS AND APPARATUS FOR SPIKING NEURAL COMPUTATION
**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**：GPT-4
## 特征比对表格
| 第一栏：技术特征描述及公开性判断结果 | 第二栏：对比文件原文引用 | 第三栏：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 | [0008] Certain aspects of the present disclosure generally relate to spiking neural computation and, more particularly, to using one or more neurons in a spiking neural network, wherein a single neuron is capable of computing any general transformation to any arbitrary precision and wherein information is coded in the relative timing of the spikes.<br>[0269] By coding information in the relative time of spikes, there may actually be a computational advantage to using spiking neurons. | **直接公开判断**：对比文件公开了一种通用的尖峰神经计算方法，其核心在于利用尖峰相对时间编码信息并计算任意精度的线性变换。全文未提及“机器人设备”、“目标选择”或“从多个目标中选择目标”的概念。其应用背景是通用的神经计算，而非针对机器人空间目标选择这一特定任务。<br>**隐含公开判断**：对比文件描述的计算系统理论上可用于实现各种计算，包括可能的目标选择逻辑。然而，其说明书中未提供任何将所述通用计算模型应用于机器人目标选择任务的启示、实施例或动机。本领域技术人员无法从对比文件中合理推断出其为机器人设备选择目标的具体技术方案。因此，该特征未被隐含公开。 |
| **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，<br>**公开性判断**：未被公开 | 无相关描述。 | **直接公开判断**：对比文件未提及“目标地图”、“空间位置地图”或任何将目标与相对于移动设备的位置相关联的概念。<br>**隐含公开判断**：对比文件公开了将实值（如可能代表位置坐标）编码为尖峰时间（参见[0143]-[0148]）。理论上，一组坐标值可以被编码为一组神经元的尖峰时间。然而，这仅是一种抽象的数值表示可能性。对比文件完全没有描述或暗示将这些编码值组织成一种用于机器人导航的“目标地图”，更没有描述该地图是“相对于机器人设备”的自我中心式坐标表示。本领域技术人员无法从对比文件的内容中合理推导出这一特定的、用于机器人目标选择的空间表示架构。因此，该特征未被隐含公开。 |
| **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**：《隐含公开》 | [0090] Aspects of the present disclosure include a method for spiking neural networks.<br>[0091] According to certain aspects of the present disclosure, using the methods described herein, any linear system may be efficiently computed using spiking neurons...<br>[0125] In summary, a neuronal framework for universal computation of a linear expression... has now been provided. The neuron is an anti-leaky-integrate-and-fire (ALIF) neuron... | **直接公开判断**：对比文件未明确描述“将地图中的每个位置对应一个人工神经网络中的神经元”这一具体映射关系。<br>**隐含公开判断**：对比文件的核心内容就是构建和使用人工神经网络（具体为尖峰神经网络）进行计算。其中明确、反复地公开了“神经元”（neuron）是网络的基本处理单元（参见[0090], [0091], [0125]等）。在神经网络应用中，将外部实体（如特征、位置、状态）映射到特定神经元或神经元群是一种常规且基础的技术手段。虽然对比文件未具体描述针对“位置”的映射，但其公开的通用神经网络框架为这种映射提供了基础和可能性。本领域技术人员在面临需要处理多个位置信息的问题时，基于对比文件公开的神经网络系统，有能力且容易想到为每个待处理的位置分配或对应一个（或一组）神经元来进行表示和计算。这是一种常规的神经网络设计思路。因此，该特征被对比文件隐含公开。 |
| **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<br>**公开性判断**：未被公开 | [0216] Learning in spiking networks is typically modeled using a pair-wise spike-timing-dependent plasticity (STDP) rule comprising both long-term potentiation (LTP) and long-term depression (LTD).<br>[0221] However, in the general spiking neural computation described herein, weights are unnecessary. Nevertheless, connections may be muted (disconnected/disabled) and unmuted (reconnected/enabled). | **直接公开判断**：对比文件未提及“目标神经元”、“非目标神经元”的概念，也未描述通过从特定神经元向其他神经元输出“抑制性权重”来“设置失衡”的机制。对比文件强调其方法“不需要权重”（weights are unnecessary）[0221]，连接只有存在与否，这与目标专利中通过赋予连接特定的抑制性权重值（失衡量）来实现选择偏置的机制有本质不同。<br>**隐含公开判断**：对比文件提到了STDP规则可以增减“权重”[0216]，但这是一种通用的、基于尖峰时间依赖性的学习规则，用于调整连接强度，并非目标专利中为执行特定空间选择准则而主动“设置”的、用于实现交叉抑制的静态或动态失衡。虽然对比文件也提到连接可被静默或启用[0221]，但这更接近通断控制，而非设置具有特定大小和方向（抑制性）的权重以实现失衡。本领域技术人员无法从对比文件中推理出目标专利所要求保护的这种用于空间目标选择的、具体的失衡式交叉抑制连接机制。因此，该特征未被隐含公开。 |
| **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。<br>**公开性判断**：未被公开 | [0091] ... information is coded in each individual spike. Information may be coded in the relative timing of each spike so there is no need to accumulate activity to determine information in rates.<br>[0229] Finally, it may be noted that the target may be interpreted as a homeostatic process regulating the firing rate, activity, or resource (energy) usage of the neuron. | **直接公开判断**：对比文件完全没有提及“机器人设备移动至目标位置”。其整个说明书的语境是数值计算和信息处理，而非机器人控制或导航。<br>**隐含公开判断**：对比文件公开了信息编码在尖峰相对时间中，以及神经元的活动（发放率）可以被调节[0229]。理论上，神经元的输出可以用于驱动执行机构。然而，目标专利的技术特征E是一个完整的、目的明确的技术方案链条：基于失衡修改神经元间相对激活 -> 导致目标神经元更活跃 -> 触发机器人移动到对应位置。对比文件完全没有揭示或暗示这一链条中的任何一个环节之间存在关联，尤其是将神经网络内部的状态变化（相对激活）直接与机器人移动到特定地图位置这一外部物理动作相关联。这超出了对比文件所公开的通用计算框架的范围。因此，该特征未被隐含公开。 |
| **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 | 无相关描述。 | **直接公开判断**：对比文件未提及“空间目标”。<br>**隐含公开判断**：对比文件处理的是抽象的标量和向量计算，其应用示例（如学习逻辑关系、线性变换）均未涉及空间信息或空间目标。本领域技术人员无法从对比文件中推断出其所计算或处理的目标具有空间属性。因此，该特征未被隐含公开。 |
| **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 | 无相关描述。 | **直接公开判断**：对比文件未提及基于“活跃量概率”的选择准则。<br>**隐含公开判断**：对比文件未涉及任何与概率相关的选择机制。虽然神经网络可以处理概率信息，但对比文件的说明书内容并未提供任何将概率与目标选择准则相结合的技术启示。因此，该特征未被隐含公开。 |
| **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 | 无相关描述。 | **直接公开判断**：对比文件未提及基于“空间距离”的选择准则。<br>**隐含公开判断**：同特征F，对比文件的应用场景不涉及空间信息，更未提及利用空间距离作为计算或选择的输入参数。因此，该特征未被隐含公开。 |
| **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**：《隐含公开》 | [0074] As illustrated in FIG. 1, each neuron in the level 102 may receive an input signal 108 that may be generated by a plurality of neurons of a previous level... The transfer of spikes from one level of neurons to another may be achieved through the network of synaptic connections (or simply “synapses”) 104...<br>[0113] ... the input spikes may be used as the inputs to neuron k subject to some connection delays (such as dendritic or axonal delay)... | **直接公开判断**：对比文件未明确使用“第一输入层连接”、“侧向连接”这些分类术语。<br>**隐含公开判断**：对比文件详细描述了神经网络的基本结构，包括神经元层级（图1）、神经元之间的突触连接（输入连接）[0074]，以及这些连接可以具有延迟[0113]。在神经网络领域，“第一输入层连接”通常指来自网络输入层的连接，“神经元输入”泛指任何进入神经元的连接，“侧向连接”指同一层级神经元之间的连接。对比文件图1展示了层级间的连接（可对应输入层连接），其描述也涵盖了神经元接收输入的基本概念。虽然侧向连接未在示例中明确强调，但在通用神经网络结构中，侧向连接是已知的、常见的连接方式之一。本领域技术人员在构建基于对比文件公开的神经元的网络时，为了实现特定功能（如交叉抑制），完全可以根据需要设置包括侧向连接在内的各种连接模式。因此，对比文件隐含公开了神经网络可以包含所述各类连接。 |
<<<c>>><<<i>>>