对比文件的名称：2013-12-05_US2013325768A_发明申请_US20130325768A1 STOCHASTIC SPIKING NETWORK LEARNING APPARATUS AND METHODS
目标专利的名称：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：特征比对
### 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 |
| **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** | 段落[0111]：“...信号x(t)可以包括原始传感器数据（例如，接近度、惯性、地形成像和/或其他原始传感器数据）和/或预处理数据...”<br>段落[0092]：“...地址事件表示（AER）连接...” | **公开性论述**：对比文件公开了输入信号可以来自传感器，并且提到了AER连接，这是一种常用于事件相机的通信协议。然而，对比文件并未明确、直接地记载输入事件是“经由相机提供的输入流”。其提到的传感器数据是广义的，并未特指相机或图像流。在目标专利中（如说明书[0152]-[0154]段），输入事件流特指来自相机（如CAM1和CAM2）的2D事件信息，这是其实现3D视觉应用的具体上下文。本领域技术人员无法从对比文件中毫无疑义地得出或必然推理出输入事件是特指来自相机的输入流。因此，该技术特征未被对比文件直接公开或隐含公开。 |
| **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** | 图2及段落[0020]-[0022]：“神经元202可接收多个输入信号2041-204N...可通过突触连接将这些输入信号递送到神经元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...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...” | **公开性论述**：对比文件明确公开了神经元接收输入信号（可视为输入事件），并通过可调节的突触权重（即连接权重）对输入信号进行缩放，从而获得经缩放的信号（即中间值）。该操作在对比文件中用于影响神经元的内部状态（如膜电位），与其在目标专利中的作用（应用于输入踪迹以获得中间值，进而影响节点状态）实质相同。因此，本领域技术人员能够毫无疑义地从对比文件得出该技术特征。 |
| **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** | 段落[0021]：“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...”<br>段落[0025]-[0026]描述了基于膜电位（神经元状态）的随机阈值模型。 | **公开性论述**：对比文件公开了神经元将经按比例缩放的输入信号（中间值）组合起来，并基于此来运作。神经元的“状态”（如膜电位）正是由这些经加权组合的输入所决定的，并用于后续的脉冲生成判断（如通过随机阈值）。这与目标专利中基于加权输入的中间值来确定节点状态（如膜电位v1...vk）的作用实质相同。因此，该技术特征被对比文件直接公开。 |
| **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** | 段落[0024]-[0028]：“...神经元，概率...由条件概率密度函数p(y|x)给出...其中λ(t)表示瞬时概率密度（“风险”）...λ(t)=λoeκ(u(t)-θ)...”（等式1,2）<br>段落[0032]：“对于离散时间步长，在当前时间步长中激发的概率Λ(u(t))∈(0,1]可以近似为：Λ(u(t))=1−e−λ(u(t))Δt...” | **公开性论述**：对比文件确实公开了基于神经元状态（如膜电压u(t)）计算瞬时激发概率密度λ(t)或概率Λ(u(t))，并根据该随机过程生成输出脉冲。这对应于“基于节点状态计算输出事件率以根据随机点过程生成输出事件”。**然而**，对比文件从未公开该输出事件率“表示后验概率”，也未公开“输出事件是给定空间中的对象的具体位置”。目标专利的该特征是其贝叶斯推断框架的核心，输出事件率表示基于观察的后验概率（说明书[0128]-[0130]段），并具体应用于输出对象的3D坐标（说明书[0154]段）。对比文件中的输出是通用的控制或分类信号，不涉及贝叶斯后验概率推断，更不涉及对象空间位置的输出。因此，该技术特征未被公开。 |
| **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** | 无相应内容。 | **公开性论述**：对比文件主要描述了前馈的神经网络结构和基于外部教师信号或强化信号的学习。整个说明书中未提及将神经元的输出事件作为附加的输入事件反馈回网络本身，以构建如目标专利中用于处理隐马尔可夫模型（HMM）的递归结构（参见说明书[0171]段，图14B，15）。这种特定的内部反馈连接是目标专利架构的一个关键组成部分，用于实现时间序列上的状态推断。对比文件没有公开或暗示这种结构。 |
| **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** | 无相应内容。 | **公开性论述**：由于对比文件未公开特征E（输出事件作为反馈输入），因此也不存在对应的“第二组连接权重”应用于此类反馈输入以产生“第二组中间值”的技术方案。该特征依赖于特征E所建立的特定架构。 |
| **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** | 无相应内容。 | **公开性论述**：该特征涉及基于当前节点状态和来自反馈路径的中间值来计算隐藏状态，这是目标专利中实现HMM推断的具体步骤（参见说明书[0171]段）。对比文件未公开特征E和F所构建的反馈计算路径，因此也不可能公开基于此路径计算隐藏节点状态的技术特征。 |
| **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** | 段落[0129]：“...ε(t)是模拟输入脉冲后电流的通用函数...例如，...ε(t)≡e−t/τsH(t)，其中...τs是突触时间常数。”<br>段落[0133]：“...α(t)是来自第j个输入脉冲的后突触电位（PSP）。” | **公开性论述**：对比文件公开了输入尖峰通过一个函数ε(t)（如指数衰减函数）进行滤波，以产生后突触电位（PSP）α(t)。这实质上就是将离散的输入事件（尖峰）转换成一个连续的、脉冲形状的模拟信号（PSP），该信号随后被神经元积分以影响其状态。这与目标专利中“对输入事件进行滤波以将输入事件转换成脉冲”（例如，通过EPSP滤波器形成输入踪迹，见说明书[0115]-[0119]段）的技术手段和作用相同。虽然对比文件未使用“滤波”一词，但本领域技术人员能够从其对输入尖峰进行“卷积”或“响应函数处理”的描述中，合理推断出这一技术特征。 |
| **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** | 无相应内容。 | **公开性论述**：对比文件描述了输入是尖峰序列，但并未将其表征为“来自输入分布的样本”。目标专利中此特征（说明书[0173]段）强调了其贝叶斯框架的统计特性，即输入是可观测变量的样本。对比文件未提及或暗示输入事件的这种统计分布属性。 |
| **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** | 无相应内容。 | **公开性论述**：对比文件中的权重（如突触权重）是可调的学习参数，用于最小化性能函数（见段落[0112]）。目标专利该特征（说明书[0166]，[0169]段）限定了在特定贝叶斯网络配置下，权重具有明确的概率解释（先验概率、对数似然性）。对比文件完全没有赋予权重这种具体的概率论含义。 |
| **特征K**：其特征在于，所述节点状态是归一化的。<br>**未公开** | 无相应内容。 | **公开性论述**：对比文件描述了神经元状态（如膜电位）的动态变化，但未提及对节点状态进行任何归一化操作（如赢者全得WTA）。目标专利中明确提到了节点状态可以通过归一化子进行归一化（说明书[0125]段）。该特征未被对比文件公开。 |
| **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，例如段落[0020]：“图2解说...处理单元（例如，神经元或神经元电路）202...”，段落[0100]：“如本文所使用的，术语‘节点’、‘神经元’和‘神经元节点’...” | **公开性论述**：对比文件的主题就是“随机尖峰网络”，其核心处理单元即是神经元（或神经元模型）。这直接公开了计算节点包括神经元。 |
| **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>**直接公开** | 段落[0020]：“...尖峰生成机制可能是一个不连续的过程...图2解说了典型的输入和输出尖峰序列...”<br>段落[0024]：“对于神经元，在时间间隔[0, T]上，给定输入尖峰x，在时间t_f产生尖峰而在其他时间不产生尖峰的输出尖峰序列y的概率可由条件概率密度函数p(y|x)给出：p(y|x)=∏_{t_f} λ(t_f) e^{−∫_0^T λ(τ) dτ}，其中λ(t)表示瞬时概率密度（‘风险’）。” | **公开性论述**：对比文件明确以尖峰序列作为输入和输出（见图2和段落[0020]）。同时，它使用瞬时概率密度λ(t)来描述输出尖峰的生成，该λ(t)即为输出事件率，直接决定了神经元的激发率。因此，该技术特征被直接公开。 |
| **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>**直接公开** | 段落[0024]（同上）：“...其中λ(t)表示瞬时概率密度（‘风险’）...”<br>段落[0025]：“瞬时概率密度...λ(t)≡λ(q(t))。例如...λ(t)=λoeκ(u(t)-θ)...” | **公开性论述**：对比文件明确将输出尖峰的生成建模为点过程，并使用强度函数λ(t)（其称为瞬时概率密度）来定义该过程。这与目标专利中“点过程包括定义输出事件率的强度函数”完全一致。 |
| **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** | 段落[0032]：“对于离散时间步长...”，段落[0126]：“对于离散时间，在区间T上的尖峰模式的得分函数可计算为：...”。全文使用连续时间和离散时间方程描述计算。 | **公开性论述**：对比文件通篇使用微分方程（连续时间）和差分方程（离散时间步长）来描述神经元动态和学习规则，明确表明了计算是在时间基础上执行的。 |
| **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** | 段落[0032]：“...当尖峰发生在步长处或步长之间时，通过‘步长-事件’更新，基于事件的实现在基于步长的模拟器中也可能是可行的。” | **公开性论述**：对比文件明确提到了“基于事件的更新”和“步长-事件更新”，这对应于在事件（如尖峰发生）基础上执行计算。因此，该技术特征被直接公开。 |
| **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** | 段落[0021]：“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...”<br>段落[0133]：“...u_{wi} = ∑... α(t-t_{j}^{i}) （PSP的总和）”。 | **公开性论述**：对比文件公开了神经元通过组合（即加总）经按比例缩放的输入信号（中间值）来形成其状态并影响输出。例如，膜电位是各个输入通道产生的后突触电位（PSP）的总和。这直接对应于“对中间值进行加总以形成节点状态”。 |
| **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** | 无相应内容。 | **公开性论述**：这是目标专利的一个具体应用实施例（参见说明书[0152]-[0154]段及图13A-C），即从两个2D事件相机视图推断3D空间中对象的深度（第三）坐标。对比文件作为通用学习框架，完全没有涉及3D视觉、2D到3D坐标转换或任何类似的具体应用场景。 |
| **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** | 段落[0111]：“...信号x(t)可以包括原始传感器数据（例如，接近度、惯性、地形成像和/或其他原始传感器数据）和/或预处理数据...” | **公开性论述**：对比文件明确记载了输入信号x(t)可以包括来自传感器的原始数据。因此，输入事件可以从传感器供应这一特征被直接公开。 |
| **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** | 段落[0092]：“...地址事件表示（AER）连接...” | **公开性论述**：对比文件提到了AER连接作为一种通信架构，但并未明确将其与“相机”这一特定传感器类型相关联。AER协议可用于多种事件驱动型传感器，不一定是相机。目标专利特指“地址事件表示相机”（AER相机）。因此，该特征未被公开。 |
| **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** | 无相应内容。 | **公开性论述**：由于对比文件未公开特征E（输出反馈作为附加输入），因此也就不存在对该附加输入进行滤波以引入时延的技术特征。目标专利中此特征（说明书[0178]段）是其HMM实现中确保反馈信号延迟一个时间步长的关键步骤。 |
| **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** | 无相应内容。 | **公开性论述**：该特征限定了连接权重的具体概率含义（发射概率和转移概率），这是目标专利将其网络解释为隐马尔可夫模型（HMM）的特有设定（说明书[0179]段）。对比文件中的连接权重是通用的学习参数，不具备这种特定的概率解释。 |
<<<B>>><<<C>>><<<L>>><<<M>>><<<N>>><<<O>>><<<P>>><<<Q>>><<<S>>><<<h>>>