**对比文件名称**：2013-04-25_US2013103626A_发明申请_US20130103626A1 METHOD AND APPARATUS FOR NEURAL LEARNING OF NATURAL MULTI-SPIKE TRAINS IN SPIKING NEURAL NETWORKS
**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
**本次调用模型名称**：特征比对模型
作为资深专利代理师，我已对目标专利权利要求的技术特征与对比文件（US20130103626A1）的公开内容进行了深度分析和比对。现将比对结果总结如下：
**总体评估**：对比文件主要涉及一种用于多尖峰序列的、基于资源概念的尖峰定时依赖可塑性（STDP）学习规则及其在尖峰神经网络中的实现。其核心在于通过资源模型来稳定和加速多尖峰情境下的权重适应。目标专利则涉及一种用于随机尖峰贝叶斯网络的、完整的基于事件的推断和学习架构，特别强调了从传感器（如相机）输入流进行贝叶斯推断（如3D对象定位）以及隐马尔可夫模型（HMM）的求解。两者在技术领域（均为尖峰神经网络）和基础组件（神经元、突触权重、尖峰事件）上有重叠，但目标专利的权利要求构建了一个具有特定目的（贝叶斯推断、对象定位、HMM）的完整系统和方法，而对比文件聚焦于改进通用尖峰神经网络中的权重适应规则本身。
以下是严格按照目标专利权利要求划分的技术特征比对表格：
| 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：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>**《未公开》** | 对比文件未提及相机或任何特定传感器作为输入事件源。文中一般性地提及“输入尖峰”（input spikes）或“突触前尖峰”（pre-synaptic spikes），例如第[0042]段：“learning in spiking neural networks...may adapt weights of synapses based on a time difference between the pre-synaptic neuron input spike and the post-synaptic neuron spike.” | **直接公开判断**：对比文件未提及“相机提供的输入流”。其描述的“输入尖峰”是通用的人工或生物神经元尖峰信号，未限定其来源为相机或任何特定的传感器流。本领域技术人员无法从对比文件毫无疑义地得出输入事件源自相机这一具体限定。<br>**隐含公开判断**：对比文件全文均未提及相机、视觉传感器、地址事件表示（AER）或任何与图像/空间数据流相关的概念。其讨论的“自然尖峰序列”（natural spike trains）是指生物学或工程网络中一般的多尖峰模式，而非特指来自相机的事件流。因此，本领域技术人员无法通过合理推理从对比文件中得出该特征。 |
| **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[0042]段：“learning in spiking neural networks...may adapt weights of synapses...”；第[0057]段：“...wm,n is a synaptic weight for the synapse connecting a pre-synaptic neuron m to a post-synaptic neuron n...”；图1、2及其描述展示了突触权重（w1(i,i+1), ... wP(i,i+1)）对输入信号的缩放作用。 | **直接公开判断**：对比文件明确公开了将“连接权重”（即突触权重 wm,n）应用于输入尖峰（输入事件），以获得影响神经元状态的经加权输入信号，这构成了“中间值”。然而，目标专利中的“偏置权重”是一个独立于输入连接的参数，用于调整节点的先验概率（参见说明书[0100]段）。对比文件未提及任何“偏置权重”的概念。<br>**隐含公开判断**：虽然“偏置权重”未被公开，但“将连接权重应用于输入事件以获得中间值”这一技术手段已被对比文件实质公开。对比文件中的突触权重（wm,n）对输入尖峰（ym(t)）进行调制（公式7），产生的经加权信号即是用于后续计算（如膜电位积分）的中间值。尽管对比文件未使用“中间值”这一术语，但其技术实质相同。因此，该特征被对比文件隐含公开。 |
| **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>**《直接公开》** | 第[0057]段：“each neuron n may be a spiking leaky integrate and fire neuron with a membrane voltage vn(t) governed by...”。公式(7)描述了膜电位 vn(t)（即节点状态）的动态变化，它基于经突触权重缩放后的输入尖峰（即中间值）的加总与泄漏。 | **直接公开判断**：对比文件直接公开了基于经加权的输入（中间值）来确定“节点状态”（即神经元的膜电位 vn(t)）。公式(7)清晰地展示了膜电位是如何通过积分（加总）加权输入并考虑泄漏（α vn(t)）来演变的。这是尖峰神经元模型（如漏电积分激发模型）的标准行为。本领域技术人员能够毫无疑义地从对比文件得出此技术方案。 |
| **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》** | 第[0057]段提及神经元“spiking output”，但未描述如何计算输出事件率。第[0038]段：“When the membrane potential reaches its threshold value, the neuron may fire and generate an output spike...”。这是确定性的尖峰发放机制，而非基于随机点过程的事件率。全文未提及“后验概率”、“随机点过程”，更未提及输出事件表示“给定空间中的对象的具体位置”。 | **直接公开判断**：对比文件未公开“计算表示后验概率的输出事件率”。其神经元模型采用阈值触发机制生成输出尖峰，这是一种确定性的或基于膜电位的发放行为，并非基于表示概率的事件率。目标专利的该特征是其贝叶斯推断核心（将节点状态映射为后验概率，并据此随机生成事件）的关键部分。<br>**隐含公开判断**：对比文件完全没有涉及“后验概率”的概念、基于概率的“随机点过程”生成输出事件、以及将输出事件解释为“对象的具体位置”这一特定应用场景。这些是目标专利的特定发明点，无法从对比文件通用尖峰神经网络和学习规则的内容中合理推断出来。 |
| **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》** | 对比文件未描述将神经元的输出事件作为反馈输入到同一网络或同一组节点中以形成循环连接或提供附加输入事件。其讨论的连接主要是前馈的（如图1）。 | **直接公开判断**：对比文件未公开将输出事件作为反馈以提供附加输入事件这一步骤。<br>**隐含公开判断**：虽然尖峰神经网络理论上可以包含反馈连接，但对比文件的说明书和附图均未描述或暗示这种用于提供“附加的输入事件”的特定反馈架构。该特征是实现目标专利中隐马尔可夫模型（HMM）推断的关键环节（参见图14B, 15），在对比文件中没有对应基础。 |
| **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》** | 对比文件未公开如特征E所述的反馈循环，因此也不存在应用于此类反馈输入的“第二组连接权重”。 | **直接公开判断**：由于前提（特征E）未被公开，该特征也未被直接公开。<br>**隐含公开判断**：对比文件未涉及任何与“第二组连接权重”相关的概念，该概念与处理反馈输入以用于HMM中的状态转移概率相关（参见目标专利[0169]段），无法从对比文件中推理得出。 |
| **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》** | 对比文件未公开涉及“隐藏节点状态”的计算，也未公开结合来自反馈路径的中间值来计算节点状态。 | **直接公开判断**：对比文件未公开该特征。<br>**隐含公开判断**：该特征明确指向HMM等模型中隐藏状态的计算，是目标专利的特定推断目标。对比文件仅涉及通用的神经元状态（膜电位），没有区分“隐藏”或“可见”状态，也没有相应的计算架构，因此无法隐含公开。 |
| **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》** | 对比文件未描述对输入尖峰事件进行滤波以将其转换成脉冲（如EPSP脉冲）的步骤。其输入是尖峰事件本身。 | **直接公开判断**：对比文件未公开对输入事件进行滤波的步骤。<br>**隐含公开判断**：在神经形态工程中，使用滤波器（如EPSP滤波器）模拟突触后电位是常见技术。然而，对比文件的说明书中完全没有提及或暗示这一处理步骤。其模型直接使用尖峰时间进行权重适应和膜电位积分。因此，不能认为该特征被隐含公开。 |
| **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>**《未公开》** | 对比文件未将输入尖峰解释为“来自输入分布的样本”。它仅将尖峰视为事件。 | **直接公开判断**：对比文件未公开该特征。<br>**隐含公开判断**：将输入事件视为来自某个概率分布的样本，是目标专利进行贝叶斯推断的统计基础。对比文件没有建立尖峰与概率分布之间的这种联系，因此无法推理得出。 |
| **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》** | 对比文件中的权重（wm,n）是突触连接强度，用于调制信号传递，其通过学习规则（如STDP）适应。文中未赋予这些权重任何“先验概率”或“对数似然性”的贝叶斯统计含义。 | **直接公开判断**：对比文件未公开赋予权重以特定贝叶斯统计含义（先验概率、对数似然性）。<br>**隐含公开判断**：对比文件中的权重纯粹是连接强度参数，其适应基于尖峰定时和资源模型，与概率解释无关。目标专利对权重的这种特定解释是其实现贝叶斯网络推断的核心设计，无法从对比文件中推理得出。 |
| **技术特征K**：其特征在于，所述节点状态是归一化的。<br>**《未公开》** | 对比文件未描述对节点状态（膜电位）进行归一化处理。其膜电位根据微分方程自然演变。 | **直接公开判断**：对比文件未公开对节点状态进行归一化。<br>**隐含公开判断**：归一化（如赢者全得WTA）是一种可选的后处理技术，但对比文件的说明书中没有任何地方提及或暗示对其神经元状态进行归一化。因此，不能认为被隐含公开。 |
| **技术特征L**：其特征在于，所述计算节点包括神经元。<br>**《直接公开》** | 全文多次提及“neuron”（神经元），例如第[0037]-[0039]段，图1。第[0057]段明确将“neuron n”作为处理单元。 | **直接公开判断**：对比文件明确且直接地公开了计算节点是神经元。这是其技术方案的基本组成部分。本领域技术人员能够毫无疑义地得出此结论。 |
| **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>**《隐含公开》** | 第[0042]段提及“spiking neural networks”和“pre-synaptic neuron input spike”。第[0057]段提及“spiking output”。全文讨论多“spike trains”（尖峰序列）。虽然主要关注尖峰定时，但“激发率”是尖峰序列的一种属性描述。 | **直接公开判断**：对比文件直接公开了输入和输出事件包括“尖峰序列”。然而，对比文件未明确计算或使用“输出事件率”这一术语，其输出是离散的尖峰事件。<br>**隐含公开判断**：在尖峰神经网络领域，尖峰序列的发放频率（激发率）是一个基本概念。虽然对比文件着重于定时学习，但其处理的“多尖峰序列”自然蕴含着激发率的概念。因此，可以合理推断输入事件包括尖峰序列，而输出尖峰序列的发放模式包含了激发率信息。该特征被隐含公开。 |
| **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》** | 对比文件未使用“点过程”或“强度函数”来描述其输出尖峰的生成机制。其输出尖峰由神经元模型（如阈值模型）决定。 | **直接公开判断**：对比文件未公开使用定义事件率的强度函数的随机点过程来生成输出事件。<br>**隐含公开判断**：目标专利中基于强度函数的随机点过程是其实现概率性输出的关键。对比文件的输出机制是确定性的或基于膜电位动态的，与此不同。无法从对比文件中推理得出该特征。 |
| **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》** | 对比文件的模型（如公式(7)）是连续时间微分方程，其权重适应（公式(8)）也依赖于尖峰之间的时间差。这暗示了计算与连续时间或时间步进相关。 | **直接公开判断**：对比文件未明确表述“在时间基础上执行”计算。<br>**隐含公开判断**：对比文件描述的尖峰神经网络操作（状态更新、权重适应）本质上依赖于事件的定时和时间的流逝。例如，膜电位积分、资源恢复（公式(11)、(12)）都是在时间基础上进行的。本领域技术人员可以合理推断其计算是在时间基础上（连续或离散时间步）执行的。该特征被隐含公开。 |
| **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>**《隐含公开》** | 第[0059]-[0061]段描述了在发生尖峰事件（pre-synaptic firing 或 post-synaptic firing）时考虑权重适应，并记录资源使用时间tr。这体现了基于事件触发的操作。 | **直接公开判断**：对比文件未明确概括“在事件基础上执行”所有计算。<br>**隐含公开判断**：对比文件的核心学习规则（权重适应）是在突触前或突触后尖峰事件发生时被触发和考虑的（例如，公式(10)中 tr = max(tn, tm)）。这强烈暗示了至少部分关键计算（如学习）是在事件基础上执行的。因此，该特征可以被隐含公开。 |
| **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>**《直接公开》** | 第[0057]段公式(7)：`dvn(t)/dt = α vn(t) + β Σm wm,n ym(t-Δtm,n)`。该公式表明膜电位（节点状态）的变化率取决于对来自所有突触前神经元m的加权输入 `wm,n ym(...)` 的求和（加总）以及泄漏项。 | **直接公开判断**：对比文件直接公开了通过对加权输入（中间值）进行加总（Σm）来参与确定节点状态（膜电位变化）。这是积分激发神经元模型的本质特征。本领域技术人员能够毫无疑义地得出此结论。 |
| **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》** | 对比文件全文未提及任何与3D对象、2D表示、坐标定位相关的内容。 | **直接公开判断**：对比文件未公开该特定应用场景。<br>**隐含公开判断**：该特征描述了目标专利的一个具体应用实例（3D视觉）。对比文件作为通用的神经网络学习规则文献，完全没有涉及图像处理、计算机视觉或空间坐标推断。无法从对比文件中推理得出。 |
| **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>**《未公开》** | 对比文件未提及输入事件源自“传感器”。其输入是“尖峰”，来源可能是其他神经元或外部刺激，但未具体化为传感器。 | **直接公开判断**：对比文件未公开输入事件从传感器供应。<br>**隐含公开判断**：虽然神经网络输入可源自传感器是公知常识，但对比文件的说明书中没有提及任何传感器，因此该具体限定未被对比文件隐含公开。 |
| **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》** | 对比文件未提及“地址事件表示相机”（AER相机）或任何特定类型的相机。 | **直接公开判断**：对比文件未公开该特征。<br>**隐含公开判断**：AER相机是神经形态视觉领域的特定传感器。对比文件内容完全未涉及，因此无法隐含公开。 |
| **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》** | 对比文件未公开特征E中的反馈输入，因此也未公开对此类输入进行时延滤波。 | **直接公开判断**：由于前提（特征E）未被公开，该特征也未被直接公开。<br>**隐含公开判断**：对比文件未涉及该特定滤波和时延操作，该操作在目标专利中用于对齐HMM中的时间步（参见[0167]段），无法推理得出。 |
| **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》** | 对比文件中的连接权重是突触强度，不具有“发射概率”或“转移概率”的明确数学定义或解释。 | **直接公开判断**：对比文件未公开赋予连接权重以“发射概率”和“转移概率”的特定含义。<br>**隐含公开判断**：如特征J所述，对比文件中的权重没有贝叶斯概率解释。将特定组的权重分别解释为HMM中的发射概率和转移概率是目标专利的特定设计，无法从对比文件中推理得出。 |
**结论**：根据上述分析，对比文件直接公开了技术特征C、L、Q；隐含公开了技术特征B、M、O、P。其余技术特征（A, D, E, F, G, H, I, J, K, N, R, S, T, U, V）均未被对比文件直接公开或隐含公开。
<<<C>>><<<L>>><<<Q>>><<<b>>><<<m>>><<<o>>><<<p>>>