**对比文件名称**：2010-05-18_US7720779B_发明授权_US07720779B1 Extensible bayesian network editor with inferencing capabilities
**目标专利名称**：265用于随机尖峰贝叶斯网络的基于事件的推断和学习CN106030620B
**本次调用的模型名称**：用于随机尖峰贝叶斯网络的基于事件的推断和学习
## 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：在多个计算节点中的每个计算节点处接收输入事件，其中所述输入事件是经由相机提供的输入流<br>**《隐含公开》** | 第[0163]段：“Input devices and output devices can comprise ... digital camera, digital camcorder, webcam, ... or a sensor 115, or an array of sensors.”（输入设备和输出设备可以包括...数码相机、数码摄像机、网络摄像头、...或传感器115，或传感器阵列。） | 对比文件公开了系统可以接收来自传感器（包括相机）的输入数据。在贝叶斯网络推断的上下文中，这些传感器数据可以作为“输入事件”提供给网络中的节点（即计算节点）。虽然对比文件未明确使用“输入事件”和“每个计算节点处接收”的表述，但其构建的贝叶斯网络用于资产监控等，节点接收来自传感器的观测数据（证据）是本领域技术人员能够合理推断出的基本操作。因此，该技术特征被隐含公开。 | ||
| **技术特征B**：将偏置权重或连接权重中的至少一者应用于所述输入事件以获得中间值<br>**《隐含公开》** | 第[0014]段：“Bayesian networks are an excellent choice of graphical model for decision support modeling. A Bayesian network can be described as a graphical model for probabilistic and deterministic representations of real world situations. Graphically, a Bayesian network is generally constructed using nodes (vertices) and directional arcs (edges). Mathematically, nodes are used to represent events, states of events or variables of the event. Nodes may have probabilities, conditional probability or marginal probabilities associated with the variables of the events and can be used to represent any kind of variable. Arcs may be used to indicate logical influences, logical dependencies, mathematical influences, mathematical dependence, probabilistic dependence and probabilistic influences between nodes.”（贝叶斯网络是用于决策支持建模的图形模型的绝佳选择。贝叶斯网络可以被描述为用于真实世界情况的概率性和确定性表示的图形模型。在图形上，贝叶斯网络通常使用节点（顶点）和方向弧（边）构建。在数学上，节点用于表示事件、事件的状态或事件的变量。节点可以具有与事件变量相关联的概率、条件概率或边缘概率，并且可以用于表示任何类型的变量。弧可用于表示节点之间的逻辑影响、逻辑依赖、数学影响、数学依赖、概率依赖和概率影响。）<br>第[0016]段：“A Bayesian network may be used to represent a joint probability distribution over all of the variables represented by the nodes of the graphical model. If the variables X(1), . . . , X(n) represent events 1 . . . , n and Parents(A) are the parental nodes of NodeA. We can say that the joint distribution for variables X(1) through X(n) is represented as the mathematical product of the probability distributions of P(X(i)\ | parents(X(i)) for i=1 to n.”（贝叶斯网络可用于表示图形模型节点表示的所有变量上的联合概率分布。如果变量X(1), ..., X(n)表示事件1, ..., n，并且Parents(A)是节点A的父节点。我们可以说，变量X(1)到X(n)的联合分布表示为i=1到n的P(X(i)\ | parents(X(i))的概率分布的数学乘积。） | 对比文件公开了贝叶斯网络由节点和连接弧组成，节点代表变量/事件，弧代表依赖关系（概率影响）。网络中的条件概率表（CPT）实质上定义了父节点状态对子节点状态的影响“权重”。在进行推断时，需要将观测到的证据（输入）与这些条件概率（权重）相结合，通过概率计算（如贝叶斯定理）来更新节点的信念（后验概率）。这个“结合证据与权重进行计算”的过程，可以隐含地对应于“将权重应用于输入事件以获得中间值”。虽然对比文件未明确使用“偏置权重”、“连接权重”或“中间值”等术语，但应用条件概率进行推断以获得中间概率值是贝叶斯网络推断的核心步骤。因此，该技术特征被隐含公开。 |
| **技术特征C**：至少部分地基于所述中间值来确定节点状态<br>**《隐含公开》** | 第[0019]段：“The purpose of calculating inference is to determine the conditional distribution of a subset of variables, given the condition of known values or variables for a distinct subset of evidence values or evidence variables. This specific conditional distribution is known as the posterior distribution of the subset of the evidence variables. The posterior distribution allows a user to select values for the variable subset.”（计算推断的目的是确定变量子集的条件分布，给定证据值或证据变量的不同子集的已知值或变量的条件。这个特定的条件分布被称为证据变量子集的后验分布。后验分布允许用户为变量子集选择值。） | 对比文件明确公开了贝叶斯推断的目的是在给定证据（输入）的情况下，计算某些变量的后验分布（即概率状态）。这对应于“确定节点状态”。该状态的确定是“至少部分地基于”将证据与网络中的概率关系（权重）相结合计算出的结果，即前述的“中间值”。因此，该技术特征被隐含公开。 | ||
| **技术特征D**：以及至少部分地基于所述节点状态来计算表示后验概率的输出事件率以根据随机点过程来生成输出事件，其中所述输出事件是给定空间中的对象的具体位置<br>**《未公开》** | 无对应内容。 | 对比文件描述了计算后验概率分布作为输出，但并未公开将此概率分布转化为一个“输出事件率”，并根据“随机点过程”来“生成输出事件”。目标专利中“输出事件”是尖峰神经网络中基于概率发放的尖峰事件流，这是其基于事件的随机尖峰贝叶斯网络的核心。对比文件的输出是概率值或基于概率的决策建议，而非动态生成的“事件”。此外，对比文件也未公开“输出事件是给定空间中的对象的具体位置”这一具体应用场景。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E**：其中所述方法进一步包括：供应所述输出事件作为反馈以提供附加的输入事件<br>**《未公开》** | 无对应内容。 | 对比文件描述了贝叶斯网络的结构和推断计算，但未公开将系统的输出（后验概率或决策）作为新的“输入事件”反馈回系统。虽然网络中存在节点间的依赖关系（前向弧），但这是一种静态的结构化概率依赖，而非基于事件流的动态反馈机制。因此，该技术特征未被公开。 | ||
| **技术特征F**：将第二组连接权重应用于所述附加的输入事件以获得第二组中间值<br>**《未公开》** | 无对应内容。 | 由于技术特征E（反馈机制）未被公开，且对比文件未描述存在针对反馈输入的不同“组”连接权重，因此该技术特征未被公开。 | ||
| **技术特征G**：以及至少部分地基于所述节点状态和所述第二组中间值来计算至少一个隐藏节点状态。<br>**《未公开》** | 无对应内容。 | 对比文件虽然涉及隐藏变量（如第[0020]段示例中的“burglary”、“flood”），其状态通过推断计算。但该计算是基于原始证据和网络中的条件概率，不依赖于技术特征E和F所描述的反馈路径和第二组中间值。因此，该技术特征未被公开。 | ||
| **技术特征H**：其特征在于，进一步包括对所述输入事件进行滤波以将所述输入事件转换成脉冲。<br>**《未公开》** | 无对应内容。 | 对比文件未提及对输入数据进行“滤波”处理，更未提及将输入事件转换为“脉冲”信号。目标专利中的“脉冲”与其尖峰神经网络的尖峰事件模型紧密相关，而对比文件基于传统的概率图模型。因此，该技术特征未被公开。 | ||
| **技术特征I**：其特征在于，所述输入事件对应于来自输入分布的样本。<br>**《隐含公开》** | 第[0200]段：“The metadata of the original network is used in conjunction with a data generator to create sample states for each node while incrementing appropriate values.”（原始网络的元数据与数据生成器一起使用，为每个节点创建样本状态，同时递增适当的值。） | 对比文件提到了使用数据生成器为网络中的节点创建“样本状态”。这隐含了输入数据可以来自某个分布（由数据生成器定义）的样本。虽然未明确使用“输入分布”一词，但生成样本状态是模拟和训练贝叶斯网络的常见做法，本领域技术人员能够理解这些样本可视为来自输入分布。因此，该技术特征被隐含公开。 | ||
| **技术特征J**：其特征在于，所述偏置权重对应于先验概率，并且所述连接权重表示对数似然性。<br>**《未公开》** | 无对应内容。 | 对比文件中的权重体现为条件概率表中的概率值，并非明确对应于“先验概率”或“对数似然性”。虽然贝叶斯网络中的根节点概率可视为先验，但未以“偏置权重”这一术语描述，也未将连接权重描述为“对数似然性”。这是目标专利中对概率参数的一种特定数学表示方式。因此，该技术特征未被公开。 | ||
| **技术特征K**：其特征在于，所述节点状态是归一化的。<br>**《直接公开》** | 第[0170]段：“The values can be normalized through activation of a graphically represented the normalization function 1503.”（可以通过激活图形表示的归一化功能1503来对值进行归一化。）<br>第[0211]段：“Typically, the values are normalized for each logical state... Normalization is typically performed by the selected node's node monitor module.”（通常，对每个逻辑状态的值进行归一化...归一化通常由所选节点的节点监视模块执行。） | 对比文件多次明确提及对节点状态的概率值进行“归一化”，这是概率计算中的常规操作，以确保概率总和为1。因此，本领域技术人员能毫无疑义地得出节点状态是归一化的。该技术特征被直接公开。 | ||
| **技术特征L**：其特征在于，所述计算节点包括神经元。<br>**《未公开》** | 无对应内容。 | 对比文件中的“节点”明确指的是贝叶斯网络或概率图模型中的变量节点，而非尖峰神经网络中的“神经元”。两者在模型和计算原理上有本质区别。因此，该技术特征未被公开。 | ||
| **技术特征M**：其特征在于，所述输入事件包括尖峰序列，并且所述输出事件率包括激发率。<br>**《未公开》** | 无对应内容。 | 对比文件未涉及任何“尖峰序列”或“激发率”的概念。这些术语是尖峰神经网络和神经科学领域的特定概念，与对比文件所基于的传统贝叶斯网络框架不同。因此，该技术特征未被公开。 | ||
| **技术特征N**：其特征在于，所述点过程包括定义所述输出事件率的强度函数。<br>**《未公开》** | 无对应内容。 | 对比文件未涉及“点过程”或“强度函数”。这些是用于描述随机事件发生的数学工具，在目标专利中用于生成输出尖峰事件，但在对比文件的概率推断框架中未出现。因此，该技术特征未被公开。 | ||
| **技术特征O**：其特征在于，所述计算是在时间基础上执行的。<br>**《隐含公开》** | 第[0206]段：“In a preferred embodiment this manipulation can take place in real time while data is streaming into the probabilistic model...”（在优选实施例中，这种操作可以在数据流入概率模型时实时进行...） | 对比文件提到了系统可以实时处理流入的数据流。这表明其推断计算可以与时间相关联，在时间基础上执行。虽然未明确“在时间基础上执行”这一概括性表述，但实时处理数据流必然涉及基于时间的数据接收和计算。因此，该技术特征被隐含公开。 | ||
| **技术特征P**：其特征在于，所述计算是在事件基础上执行的。<br>**《未公开》** | 无对应内容。 | 对比文件未描述计算是由离散的“事件”触发或驱动的。其输入是传感器数据流或证据设置，处理过程更倾向于基于时间或请求的推断计算，而非严格意义上的“事件驱动”架构。因此，该技术特征未被公开。 | ||
| **技术特征Q**：其特征在于，所述确定包括对所述中间值进行加总以形成所述节点状态。<br>**《未公开》** | 无对应内容。 | 对比文件描述了通过概率计算（如贝叶斯定理、联合分布分解）来确定节点状态，但未明确提及对“中间值”进行“加总”这一具体操作步骤。目标专利中的“加总”可能特指其网络结构中的加权求和操作。因此，该技术特征未被公开。 | ||
| **技术特征R**：其特征在于，所述输入事件基于所定义的空间中的三维(3D)对象的二维(2D)表示，并且所述输出事件对应于所述所定义的空间中的所述3D对象的第三坐标。<br>**《未公开》** | 无对应内容。 | 对比文件的应用示例（如资产监控、故障诊断）未涉及从2D表示推断3D对象坐标的具体场景。这是目标专利说明书（图12-13）中阐述的一个特定应用实例。因此，该技术特征未被公开。 | ||
| **技术特征S**：其特征在于，所述输入事件是从至少一个传感器供应的。<br>**《直接公开》** | 第[0163]段：“Input devices and output devices can comprise ... a sensor 115, or an array of sensors.”（输入设备和输出设备可以包括...传感器115，或传感器阵列。）<br>第[0178]段：“Utilized sensors can stream data directly to the sensor's associated node module...”（所使用的传感器可以将数据直接流式传输到传感器的相关节点模块...） | 对比文件明确且多次提及传感器作为系统的输入设备，并向网络中的节点提供数据流。因此，本领域技术人员能毫无疑义地得出输入事件可以从传感器供应。该技术特征被直接公开。 | ||
| **技术特征T**：其特征在于，所述至少一个传感器是地址事件表示相机。<br>**《未公开》** | 无对应内容。 | 对比文件虽然提到了相机作为传感器的一种（第[0163]段），但并未限定其为“地址事件表示(AER)相机”。AER相机是一种输出异步事件流的特殊视觉传感器，与普通相机不同。因此，该技术特征未被公开。 | ||
| **技术特征U**：其特征在于，进一步包括对所述附加的输入事件进行滤波，以使得所述附加的输入事件是经时延的。<br>**《未公开》** | 无对应内容。 | 对比文件未提及对任何输入事件（无论是原始输入还是反馈输入）进行滤波以引入时延。因此，该技术特征未被公开。 | ||
| **技术特征V**：其特征在于，所述连接权重包括发射概率，并且所述第二组连接权重包括转移概率。<br>**《未公开》** | 无对应内容。 | 对比文件未将网络中的概率参数明确区分为“发射概率”和“转移概率”。这些术语通常与隐马尔可夫模型(HMM)等特定序列模型相关，而对比文件描述的是更通用的贝叶斯网络。因此，该技术特征未被公开。 |
<<<K>>><<<S>>><<<a>>><<<b>>><<<c>>><<<i>>><<<o>>>