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：ALIF神经元模型/尖峰神经网络
| 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》** | 说明书第[0143]段：“Input may be provided to a synapse as a spike train yt(t). However, a sensory input sequence is often in a real-valued form xt(t). Such a sequence may be converted into a SR or NSR spike train in several ways.” | 对比文件公开了在神经元（即计算节点）处接收输入尖峰序列（输入事件），并且输入可以来自感觉输入序列（sensory input sequence）。虽然未明确提及“相机”，但相机是本领域常见的视觉传感器，用于提供图像数据流。本领域技术人员结合说明书第[0143]段关于将感觉输入序列转换为尖峰序列的教导，可以合理推断出相机作为一种传感器，其提供的图像流可以经过转换成为输入尖峰流，从而被神经元接收。因此，该技术特征被对比文件隐含公开。 |
| **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>**《直接公开》** | 说明书第[0131]段：“In summary, a neuronal framework for universal computation of a linear expression... The neuron is an anti-leaky-integrate-and-fire (ALIF) neuron... The neuron's synapses have no weights and no post-synaptic filters. However, the connections have delays.” 以及第[0122]段：“To implement a desired operation, one may simply set the delays, Δτjk=−logq(ωjkvk+(τk))” | 对比文件的核心在于使用连接延迟（delays，Δτjk）来替代传统的权重（weights，ωjk）以实现线性变换（第[0122]段）。连接延迟在此处的功能与目标专利中的“连接权重”相同，都是用于缩放输入以影响神经元状态。虽然对比文件神经元模型没有传统的“偏置权重”，但其通过设置初始膜电位v0或阈值vθ等方式（如第[0123]段提及v0=1，vθ），可以等效地实现偏置项的功能（对应于线性方程中的常数项ηk或Δωk）。因此，本领域技术人员可以毫无疑义地得出，对比文件公开了将等效于“连接权重”的延迟应用于输入事件，以获得影响神经元状态的中间值（即对膜电位的贡献）。该技术特征被直接公开。 |
| **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》** | 说明书第[0117]段：“In non-recursive form in shifted time τk=t−tk−, vk+(τk)q−τk=vk+(tk−)+∑j q−(τjk+Δτjk)”，以及第[0119]段：“Supposing a spike occurs at self-referential time τk, ... (1/q)τk=Δωk+∑j ωjk(1/q)τjk” | 对比文件详细描述了ALIF神经元的状态（即膜电位vk+）是如何基于输入尖峰的时间（τjk）和连接的延迟（Δτjk，对应权重ωjk）来确定的。上述公式清晰地表明了节点状态（vk+或τk）是各输入经延迟（权重）调制后求和（∑j ωjk(1/q)τjk）以及偏置项（Δωk）的结果。这与目标专利中“基于中间值（经权重调制的输入）来确定节点状态”的技术方案实质相同。因此，该技术特征被对比文件直接公开。 |
| **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》** | 未发现相关描述。 | 对比文件公开的神经元模型输出是确定性的尖峰时间（如第[0126]段所述spiking condition），其输出时间由膜电位超过阈值决定，用于编码线性变换的结果值（第[0125]段）。虽然输出时间可以表示信息，但对比文件完全没有提及“后验概率”、“随机点过程”或“输出事件率表示后验概率”这些概念。目标专利的此特征涉及在贝叶斯推断框架下，将节点状态解释为后验概率，并据此以随机（如泊松）过程生成输出事件，这是特定的概率生成模型。此外，“输出事件是给定空间中的对象的具体位置”是具体的应用场景，对比文件未涉及。因此，对比文件既未直接公开也未隐含公开此技术特征。 |
| **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>**《隐含公开》** | 说明书第[0176]-[0177]段：“FIG. 17 illustrates a feedback case of using a reference for two neurons... Although this is a less general case since the immediately downstream neuron is used as the reference, it is a natural case to show because it corresponds exactly to τjk as input to compute τk.” | 对比文件图17和相应描述公开了将神经元的输出作为反馈连接到自身或其他神经元的输入。这明确教导了“供应输出事件作为反馈以提供附加的输入事件”。虽然该部分是在讨论时间参考转换的上下文，但其展示的反馈连接结构本身构成了对此特征的公开。因此，本领域技术人员可以直接且毫无疑义地得出该技术方案。此特征应被判断为直接公开，但考虑到其上下文是用于时间参考转换，为严谨起见，此处判断为《直接公开》。 |
| **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>**《直接公开》** | 结合特征E引用的段落及说明书第[0122]段关于设置延迟（权重）的教导。 | 既然对比文件公开了反馈连接（特征E），那么连接到反馈输入的突触自然也具有其自身的延迟，即“第二组连接权重”（如第[0122]段所述，延迟Δτ对应权重ω）。将这些延迟应用于反馈的输入事件，就会获得影响神经元状态的另一组贡献（即第二组中间值）。这是反馈连接的必然结果。因此，该技术特征被直接公开。 |
| **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》** | 未发现相关描述。 | 对比文件虽然公开了反馈连接，但其描述主要用于实现时间参考转换或构成循环网络的一部分，并未明确描述或暗示用于计算“隐藏节点状态”，特别是在贝叶斯网络或隐马尔可夫模型（HMM）语境下的“隐藏状态”。目标专利中此特征与利用反馈实现HMM推断（如图15，计算隐藏节点状态vk）紧密相关，具有特定的概率模型含义。对比文件未公开这一特定目的和模型。因此，此技术特征未被公开。 |
| **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>**《隐含公开》** | 说明书第[0143]-[0149]段描述了将实值输入序列xt(t)转换为SR或NSR尖峰序列yt(t)的算法。例如第[0144]段：“1. Let ti− be the last time neuron i spiked... 2. Compute τi=−logq xi(t)... 3. Let the time of the next spike be ti+=ti−+τi.” | 对比文件明确教导了如何将连续实值信号（输入事件）编码为相对尖峰时间（脉冲）。这个过程本质上是一种“滤波”或转换，将模拟或数字值映射为离散的脉冲事件时间。虽然未使用“滤波”一词，但所描述的编码算法实现了相同的功能：将输入事件转换成脉冲（尖峰）序列。因此，本领域技术人员可以合理推断出该技术特征。 |
| **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》** | 说明书第[0143]段：“However, a sensory input sequence is often in a real-valued form xt(t).” 以及涉及输入处理的上下文（如例E、F、G中的随机或变化输入）。 | 对比文件处理的输入序列xt(t)可以来源于任何感觉输入或数据，这自然包括从某个输入分布中采样得到的数据序列。在其实施例（如例E、F、G）中，使用了随机生成的输入向量，这正是“来自输入分布的样本”。因此，该特征是对输入数据来源的宽泛描述，被对比文件隐含公开。 |
| **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》** | 未发现相关描述。 | 对比文件中的延迟（对应权重）用于实现通用的线性变换系数（第[0120]-[0122]段），并未将其赋予“先验概率”或“对数似然性”这种特定的贝叶斯概率解释。这是目标专利在贝叶斯网络推断这一特定应用场景下对权重含义的专门定义。对比文件没有公开这一层数学或概率意义上的对应关系。 |
| **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》** | 未发现相关描述。 | 对比文件中神经元状态的确定基于输入加权和以及膜电位动力学，没有提及任何对节点状态进行归一化（如赢者全得WTA或软WTA）的步骤或过程。目标专利的归一化操作（如说明书第[0125]段）是其架构中的一个特定设计。因此，该特征未被公开。 |
| **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》** | 全文多处，例如第[0109]段：“Many biologically consistent models of neurons have been proposed...”，以及第[0131]段：“The neuron is an anti-leaky-integrate-and-fire (ALIF) neuron...” | 对比文件的核心内容就是关于“神经元模型”（neuron model）的操作和计算。其“计算节点”明确就是神经元（neuron）。因此，该技术特征被对比文件直接公开。 |
| **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>**《隐含公开》** | 说明书第[0108]段：“Let the spiking output of a neuron j be described by yj(t), yj(t)=∑s δ(t−tjs)” （输入/输出为尖峰序列）。第[0112]段描述了神经元膜电位达到阈值时发放输出尖峰。 | 对比文件明确将输入和输出建模为尖峰序列（δ函数和）。虽然其核心信息编码在单个尖峰的相对时间而非平均激发率，但“输出事件率”在尖峰神经网络的语境下，可以理解为尖峰发生的频率或速率。本领域技术人员知晓，尖峰序列的时间模式与激发率概念存在关联。因此，可以合理推断出输入为尖峰序列，输出事件可关联到激发率这一特征。 |
| **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》** | 未发现相关描述。 | 对比文件的神经元模型是确定性的（在无噪声情况下），其输出尖峰时间由膜电位动力学和阈值决定，并非由随机点过程的强度函数定义。目标专利明确使用随机点过程（如泊松过程）并根据强度函数（输出事件率）生成输出，这是概率性生成模型。对比文件未涉及此概念。 |
| **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>**《直接公开》** | 说明书第[0139]-[0140]段：“Note that if operating in discrete time, the scheduled times of events may be either rounded or otherwise converted to the nearest multiple of the time resolution Δt...”，以及第[0118]段提到离散时间形式。 | 对比文件详细描述了如何在离散时间步长（Δt）下操作神经元模型（第[0118]段），并提及事件时间的舍入处理（第[0140]段），这明确属于“在时间基础上执行”的计算，即以固定的时间分辨率推进。因此，该特征被直接公开。 |
| **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>**《直接公开》** | 说明书第[0135]-[0138]段详细描述了“event-based manner”的操作流程，包括“1. Update the neuron state variable vk+(t) based on the state at the previous event time tklast...”。 | 对比文件明确公开了“基于事件的方式”（event-based manner）来更新神经元状态和计划事件，计算仅在事件（输入尖峰或输出尖峰）发生时触发。这与“在事件基础上执行”的计算完全对应。因此，该特征被直接公开。 |
| **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》** | 说明书第[0117]及[0119]段公式：“vk+(τk)q−τk=vk+(tk−)+∑j q−(τjk+Δτjk)” 或 “(1/q)τk=Δωk+∑j ωjk(1/q)τjk”。 | 上述公式清晰地显示，神经元的状态（体现为vk+或τk）是由各个输入贡献（q−(τjk+Δτjk) 或 ωjk(1/q)τjk）求和（∑j）并加上偏置项（Δωk）来决定的。这直接公开了“对中间值进行加总以形成节点状态”的技术手段。 |
| **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》** | 未发现相关描述。 | 这是目标专利中一个非常具体的应用实施例（参见说明书图12、13及对应描述：使用AER相机进行3D视觉）。对比文件通篇是关于通用线性变换的尖峰神经计算，并未提及任何关于3D对象重建、2D到3D坐标转换，或使用相机流进行三维定位的具体应用。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>**《隐含公开》** | 说明书第[0143]段：“However, a sensory input sequence is often in a real-valued form xt(t).” | “传感器”（sensor）是提供“感觉输入序列”（sensory input sequence）的设备。对比文件明确提及输入可以来源于感觉输入序列，这隐含了输入事件可以从传感器供应。因此，该特征被隐含公开。 |
| **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》** | 未发现相关描述。 | 对比文件虽然提到了感觉输入，但从未具体化到“地址事件表示（AER）相机”这一特定类型的传感器。AER相机是事件驱动视觉传感器的一个特定技术领域。该特征未被公开。 |
| **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>**《隐含公开》** | 说明书第[0178]段：“For certain aspects, an alternative may be to use what is deemed a g− neuron... The purpose of this type of neuron is to convert SR to NSR, or τj to τjr...”，图20及对应描述。 | 对比文件中的g-神经元（图20）被描述为用于将自参考（SR）时间转换为非自参考（NSR）时间，其操作涉及内部状态（u, ū）的动态，这可以看作一种对输入时间信息进行处理（滤波）以产生具有不同时间关系（即时延）的输出。虽然目的不同，但其结构实现了对输入事件进行处理并产生时延效果的功能。本领域技术人员可以从中推理出通过对输入事件进行特定处理（滤波）使其产生时延的技术手段。因此，该特征被隐含公开。 |
| **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》** | 未发现相关描述。 | 该特征将连接权重明确解释为概率（发射概率、转移概率），这同样属于目标专利在贝叶斯网络和HMM特定模型下的定义。对比文件中的延迟（权重）仅表示线性变换系数，不具备概率语义。因此，该特征未被公开。 |
<<<B>>><<<C>>><<<E>>><<<F>>><<<L>>><<<O>>><<<P>>><<<Q>>>
<<<a>>><<<b>>><<<h>>><<<i>>><<<m>>><<<s>>><<<u>>>