对比文件名称：2013-11-14_US2013304681A_发明申请_US20130304681A1 METHOD AND APPARATUS FOR STRATEGIC SYNAPTIC FAILURE AND LEARNING IN SPIKING NEURAL NETWORKS
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：无特定模型名称
### 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《未公开》 | 未找到相关引用。对比文件提及输入信号（如信号108， 2041-204N），但未限定其具体来源为相机。 | 对比文件公开了在神经网络的处理单元（神经元）处接收输入信号（例如，信号108， 2041-204N），这些输入信号可以是外部信号或其他神经元生成的信号（参见[0023], [0028]）。然而，对比文件完全没有提及“相机”或“输入流”来自相机这一具体限定。在目标专利中，该特征用于限定输入事件来源于特定的传感器（相机），以实现如图12-13所示的3D视觉应用。对比文件既未直接描述也未隐含暗示输入信号必须或可能来自相机。因此，该特征未被对比文件公开。 |
| 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《部分直接公开，部分未公开》 | “这些输入信号可被递送到神经元202，突触连接根据可调节突触权重2061-206N(W1-WN)对这些信号进行按比例缩放”（参见[0028]）。 | 对比文件直接公开了将“连接权重”（即突触权重）应用于输入信号（事件）以获得经缩放的信号，这些经缩放的信号可被视为“中间值”。然而，目标专利权利要求明确区分了“偏置权重”和“连接权重”，而对比文件仅公开了对应于连接权重的突触权重，并未提及任何“偏置权重”或类似概念。偏置权重在神经网络中用于调整神经元的激活阈值，是不同于连接权重的独立参数。因此，对比文件直接公开了“将连接权重应用于输入事件以获得中间值”，但未公开“将偏置权重应用于输入事件”。 |
| 技术特征C：至少部分地基于所述中间值来确定节点状态《直接公开》 | “神经元202可组合这些经按比例缩放的输入信号，并且使用组合的经按比例缩放的输入来生成输出信号208”（参见[0028]）。 “当膜电位达到其阈值时，该神经元可激发并生成输出尖峰”（参见[0023]）。 | 在对比文件中，神经元接收经权重缩放的输入信号后，会“组合”（即加总）这些输入，这直接影响其内部状态（如膜电位）。神经元基于该组合输入（即中间值）来确定其状态（如膜电位是否达到阈值），并据此决定是否生成输出尖峰。因此，本领域技术人员能够毫无疑义地从对比文件得出“基于中间值确定节点状态”的技术方案。该特征被直接公开。<<<C>>> |
| 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《未公开》 | 未找到关于“后验概率”、“随机点过程”以及“给定空间中的对象的具体位置”的引用。对比文件提及输出尖峰和激发（例如，输出信号208，输出尖峰110）。 | 对比文件确实公开了神经元基于其状态（如膜电位）生成输出事件（尖峰），且尖峰的发放可以具有随机性（例如，膜电位达到阈值时激发，但未明确为随机过程）。然而，目标专利的该特征有多个关键限定未被对比文件公开：(1) 输出事件率“表示后验概率”，这是贝叶斯推断的核心，对比文件未涉及；(2) 输出事件是“根据随机点过程”生成，对比文件未明确描述点过程模型；(3) 输出事件是“给定空间中的对象的具体位置”，这关联到特定的3D视觉应用（见图12-13及说明书[0150]-[0154]），对比文件完全没有提及。因此，该特征未被公开。 |
| 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《未公开》 | 未找到关于将输出事件作为反馈输入到系统中的引用。对比文件描述了神经元之间的前向连接（如级102到106），但未描述将输出反馈作为输入。 | 该特征涉及系统的反馈架构，特别是在图14B-15中用于实现隐马尔科夫模型(HMM)推断的反馈路径（回流连接）。对比文件描述的神经网络是典型的前馈或分层连接结构（如图1），没有提及或暗示任何将神经元输出作为附加输入事件反馈到同一系统或层的结构。因此，该特征既未被直接公开，也未被隐含公开。 |
| 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《未公开》 | 未找到相关引用。 | 该特征依赖于特征E的反馈结构存在。既然对比文件未公开反馈结构，自然也就不存在对“附加的输入事件”应用“第二组连接权重”的技术方案。因此，该特征未被公开。 |
| 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。《未公开》 | 未找到相关引用。 | 该特征进一步限定了用于HMM推断的“隐藏节点状态”的计算，其计算依赖于反馈路径和第二组权重（转移概率）。对比文件未涉及隐藏状态变量、隐马尔科夫模型，也未提供任何计算隐藏节点状态的方法。因此，该特征未被公开。 |
| 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。《未公开》 | 未找到关于对输入事件进行“滤波”以转换成脉冲的引用。对比文件中的输入信号本身就是尖峰或可被视为事件。 | 目标专利说明书[0114]描述了使用滤波器（如矩形脉冲滤波器、EPSP滤波器）对输入事件流进行滤波以提供时间持续性，形成输入踪迹。对比文件虽然提及输入信号（可视为事件），但并未描述任何对输入事件进行滤波处理以将其“转换成脉冲”的步骤或组件。因此，该特征未被公开。 |
| 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。《未公开》 | 未找到关于“输入分布”的引用。 | 对比文件描述了输入信号来自外部或其他神经元，但并未将这些输入事件表征为来自某个概率分布的“样本”。目标专利中此特征与贝叶斯框架下将观察变量Y视为随机样本相关（参见说明书[0092]）。对比文件未涉及此概率论解释。因此，该特征未被公开。 |
| 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。《未公开》 | 未找到关于“先验概率”、“对数似然性”或权重与概率之间对应关系的引用。 | 该特征明确将神经网络的权重参数解释为贝叶斯概率模型中的概率项（先验和似然），这是目标专利实现贝叶斯推断的核心（参见说明书[0124], [0165], [0169]）。对比文件仅将权重视为突触连接强度，用于调节信号传递和进行STDP学习，完全没有提及任何与概率模型、先验概率或似然函数的关联。因此，该特征未被公开。 |
| 技术特征K：其特征在于，所述节点状态是归一化的。《未公开》 | 未找到关于对节点状态进行“归一化”的引用。 | 目标专利说明书[0117]描述了使用归一化子（如赢者全得或软WTA方式）对节点状态进行归一化。对比文件中，神经元状态（如膜电位）由其动态方程决定，没有提及任何归一化处理步骤。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。《直接公开》 | “神经元202”（参见[0027]）， “处理单元（神经元）202”（参见[0029]）， “每个局部处理单元802”（可执行神经元模型，参见[0080]）。 | 对比文件通篇将处理单元称为“神经元”（neuron），例如图2A中的202，并明确其作为神经网络的基本计算节点。本领域技术人员能够毫无疑义地得出计算节点即为神经元。因此，该特征被直接公开。<<<L>>> |
| 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。《直接公开》 | “输出尖峰110”（参见[0024]）， “生成输出尖峰”（参见[0023]）， “输出信号208”（可以是尖峰，参见[0029]）。 在STDP学习背景下提及“post-synaptic firing”（突触后激发，参见[0034]）。 | 对比文件明确描述了输入和输出信号为尖峰（spike）事件（例如，输入信号108可导致神经元激发输出尖峰110）。同时，在讨论学习规则（如STDP）时，必然涉及神经元的激发（firing）行为，激发率是描述尖峰发放频率的常用概念。因此，本领域技术人员能够从对比文件中直接得出输入事件包括尖峰序列，且输出涉及激发率（尽管“输出事件率”一词未直接出现，但其含义已被覆盖）。该特征被直接公开。<<<M>>> |
| 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。《未公开》 | 未找到关于“点过程”（point process）或“强度函数”（intensity function）的引用。 | 目标专利中“根据随机点过程来生成输出事件”并涉及“强度函数”（参见权利要求D及说明书[0128]），这是对事件生成机制的严格数学建模。对比文件仅一般性地描述神经元在膜电位达到阈值时“激发”或“生成输出尖峰”，并未采用点过程理论或强度函数来定义和计算输出事件率。因此，该特征未被公开。 |
| 技术特征O：其特征在于，所述计算是在时间基础上执行的。《未公开》 | 提及“discrete-time based simulator”（离散时间模拟器，参见[0047]），但未明确将权利要求中的“计算”限定为在时间基础上执行。 | 对比文件提到了模拟神经网络的不同实现方式，包括离散时间模拟和事件模拟（[0047]），但这是对仿真器实现方式的描述，而非对专利方法中“计算”（如确定节点状态、计算输出事件率）执行模式的限定。目标专利权利要求明确区分了“时间基础上”和“事件基础上”两种计算模式。对比文件并未针对所述方法步骤明确公开或暗示必须在“时间基础上”执行计算。因此，该特征未被公开。 |
| 技术特征P：其特征在于，所述计算是在事件基础上执行的。《未公开》 | 提及“event-based simulator”（事件模拟器，参见[0047]），但未明确将权利要求中的“计算”限定为在事件基础上执行。 | 与特征O同理。对比文件提到了事件模拟器，但这是仿真工具层面的描述。目标专利权利要求中的“计算”特指其方法步骤的执行模式。对比文件并未针对所述方法步骤明确公开或暗示必须在“事件基础上”执行计算。因此，该特征未被公开。 |
| 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。《隐含公开》 | “神经元202可组合这些经按比例缩放的输入信号”（参见[0028]）。 “进一步，经按比例缩放的信号可被组合以作为级106中每个神经元的输入信号”（参见[0024]）。 | 对比文件多次提及将经权重缩放的输入信号进行“组合”（combine）。在本领域技术人员的常规理解中，神经元对多个输入进行整合的最基本、最常用的操作就是求和（加总），以形成净输入或影响膜电位。因此，虽然对比文件未明确写出“加总”一词，但本领域技术人员能够从“组合”这一描述中合理且直接地推断出“加总”是其实质且典型的实现方式，从而形成节点状态（如膜电位的变化）。该特征被隐含公开。<<<q>>> |
| 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。《未公开》 | 未找到任何关于3D对象、2D表示、空间坐标的引用。 | 该特征非常具体地限定了应用场景：从3D对象的2D投影（例如，来自相机的图像）推断其3D空间坐标。这是目标专利说明书[0150]-[0154]和图12-13所描述的特定应用实例。对比文件涉及通用的尖峰神经网络及其学习，完全没有提及任何与三维视觉、对象定位或坐标推断相关的内容。因此，该特征未被公开。 |
| 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。《未公开》 | 未找到关于“传感器”的引用。对比文件提到输入信号可以是“外部信号”（参见[0028]），但未具体化为传感器。 | 虽然“外部信号”可能源自传感器，但对比文件并未明确将输入事件的来源限定为“传感器”。目标专利此特征明确将输入源限定为传感器（如AER相机），是其系统架构的一部分（见图12）。对比文件缺乏这种具体限定。因此，该特征未被公开。 |
| 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。《未公开》 | 未找到关于“地址事件表示（AER）相机”或任何特定类型相机的引用。 | 该特征是特征S的进一步具体化。对比文件不仅未提及传感器，更未提及“地址事件表示相机”这一特定类型的视觉传感器。因此，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。《未公开》 | 未找到关于对反馈输入进行滤波以产生时延的引用。 | 该特征依赖于特征E的反馈结构存在，并进一步限定了对反馈信号的时延滤波处理（参见目标专利说明书[0167]）。对比文件未公开反馈结构，更未公开对此类信号的时延滤波。因此，该特征未被公开。 |
| 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。《未公开》 | 未找到关于“发射概率”、“转移概率”的引用。 | 该特征将连接权重明确解释为隐马尔科夫模型(HMM)中的概率参数（参见目标专利说明书[0165], [0169]）。对比文件中的权重仅表示突触强度，用于学习规则（如STDP）调整，与概率模型无关。因此，该特征未被公开。 |
<<<C>>><<<L>>><<<M>>><<<q>>>