对比文件名称：2014-02-20_US2014052679A_发明申请_US20140052679A1 APPARATUS AND METHODS FOR IMPLEMENTING EVENT-BASED UPDATES IN SPIKING NEURON 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：特征比对分析
## 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，<br>**《未公开》** | 无相关引用 | 对比文件主要涉及在脉冲神经元网络中实现基于事件的更新机制，例如通过不同类型的事件（如树突事件、轴突事件）来触发突触可塑性更新或突触后响应传递。全文未提及为“机器人设备”选择“目标”，也未涉及任何“目标选择准则”。对比文件描述的神经网络更新是通用性的，未与应用场景（如机器人目标选择）结合。因此，本领域技术人员无法从对比文件中直接或隐含地得出该技术特征。 |
| **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>**《未公开》** | 无相关引用 | 对比文件未描述“目标地图”的概念，也未提及任何将神经元或单元的位置映射到相对于机器人设备的物理空间位置。其网络模型是抽象的，不涉及空间表示或自我中心式坐标。因此，该技术特征未被对比文件公开。 |
| **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>**《未公开》** | 参见说明书第[0082]段：“As used herein, the terms ‘event’, ‘action potential’, ‘pulse’, ‘spike’, ‘burst of spikes’, and ‘pulse train’ may be meant generally to refer to, without limitation, any type of a pulsed signal... associated with a pulsed transmission system or mechanism. As used herein, the term ‘spnet’ may include a spiking network.” 以及全文多处描述的神经元、单元（unit）、处理单元（processing unit）。 | 对比文件确实公开了人工神经网络（特别是脉冲神经元网络）中包含神经元（或称为单元）。这是神经网络的基本组成元素。**然而，目标专利中该技术特征的核心在于“每个位置对应于人工神经网络中的神经元”，即存在一个明确的映射关系：空间位置 -> 神经元。** 对比文件虽然公开了神经元的存在，但完全没有公开这种将特定空间位置映射到特定神经元的“目标地图”概念。神经元在对比文件中执行通用的信息处理功能，并不代表一个空间目标的位置。因此，对比文件仅部分公开了“人工神经网络中的神经元”这一通用概念，但未公开其与“位置”的特定对应关系。该技术特征作为一个整体（位置-神经元的映射）未被公开。 |
| **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>**《未公开》** | 参见说明书第[0092]段：“In some implementations, a dendritic (or an internal) event may be defined in order, for example, to modify input connections of a neuron.” 第[0092]段：“In some implementations, a pre-synaptic event may be defined in order, for example, to modify input connection (e.g., adjust synaptic weights using pre-synaptic plasticity rule of a neuron based on pre-synaptic activity of the connection).” 第[0358]段：“In accordance with the principles of the disclosure, the internal event may be used to implement synaptic updates without causing the post-synaptic response propagation to the targets...” | 对比文件公开了通过事件（如树突事件、突触前事件）来修改连接（如突触权重），这可以包括调整抑制性权重。**然而，目标专利技术特征D的关键在于“设置失衡”，其目的是为了偏置目标选择，使得靠近机器人的目标神经元更有可能“胜利”。** 这种“失衡”是特意根据选择函数（如距离）设置的，以实现特定的空间选择功能。对比文件中修改连接权重的目的是为了实现可塑性（如STDP）、学习或响应传递，并未提及为了在多个候选目标之间引入竞争性偏置而“设置失衡”。对比文件中的权重调整是学习过程的结果或对输入/输出的响应，而非一种预先设置或计算好的、用于实现“赢者全得”目标选择的偏置机制。因此，对比文件虽然公开了修改连接权重，但未公开以“设置失衡”来实现目标选择这一特定目的和技术手段。 |
| **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>**《未公开》** | 参见说明书第[0092]段：“In some implementations, an axonic (or delivery) event may be defined in order, for example, to cause distribution of post-synaptic response of a neuron to appropriate destinations.” 第[0374]段：“In some implementations, an external (also referred to as the axonic) event may be defined in order, for example, to deliver output (post-synaptic spike) of the neuron ... to the desired targets...” | 对比文件公开了通过事件（如轴突事件）来传递神经元的输出（激活）到目标。修改神经元激活水平是神经网络操作的固有结果。**但是，目标专利技术特征E的要点在于：1) 修改相对激活是基于特意“设置的失衡”；2) 其直接目的是为了使得一个目标神经元比其他的更活跃；3) 最终目的是驱动机器人设备移动到对应位置。** 对比文件中神经元激活的变化是网络动态、输入和可塑性的自然结果，并非基于一种为空间目标选择而设计的“失衡”机制。更重要的是，对比文件完全没有提及“机器人设备移动”这一应用层面的最终动作。因此，该技术特征作为一个整体（从失衡到修改激活再到驱动移动）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>**《未公开》** | 无相关引用 | 对比文件未提及“空间目标”。其讨论的神经网络应用包括感觉处理、模式识别、电机控制等，但未具体到在空间中选择目标。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>**《未公开》** | 无相关引用 | 对比文件未提及基于“活跃量概率”的目标选择准则。其涉及的概率可能与脉冲传输或随机输入有关（如说明书第[0428]段提及随机输入），但并非作为选择目标的准则。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。<br>**《未公开》** | 无相关引用 | 对比文件未提及“空间距离”作为选择准则。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。<br>**《直接公开》** | 参见说明书第[0006]段：“Most neuronal models and systems consist of networks of simple units, called neurons, which interact with each other and with the external world via connections called synapses.” 第[0092]段提及“input connections”。第[0356]段：“In some implementations, an internal (also referred to as the dendritic) event may be defined in order, for example, to modify input connection...”。图14及相应描述显示了输入连接1404和输出连接1414。 | 对比文件明确公开了神经网络中的“连接”（connections），包括输入连接（input connections）和输出连接（output connections），这些连接通常实现为突触（synapses）。在神经网络领域，连接可以位于输入层、作为神经元的输入、或者作为神经元之间的侧向连接。对比文件描述的事件（如树突事件、突触前事件）正是作用于这些连接以修改其参数。因此，本领域技术人员能够毫无疑义地从对比文件中得出，神经网络中存在各种类型的连接，包括输入连接、神经元输入等，这等同于目标专利中“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”的技术特征。该特征被直接公开。 |
<<<I>>>