对比文件名称：2013-12-05_US2013325776A_发明申请_US20130325776A1 APPARATUS AND METHODS FOR REINFORCEMENT LEARNING IN ARTIFICIAL 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
模型名称：本次调用的模型名称。
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 《隐含公开》 | [0021] 在[0021]段中，通过示例描述了输入信号可以来自相机：“...例如移动机器人车辆到位置A；或者使用机械臂在位置B拾取对象...” 以及 [0181] 在[0181]段中提到应用包括机器视觉。 | 对比文件描述了人工神经网络（包括脉冲神经网络）可以应用于机器视觉（[0181]），并且输入信号可以来自传感器，例如用于控制机器人手臂或车辆的相机（[0021]）。虽然对比文件没有明确将“输入事件”限定为“经由相机提供的输入流”，但本领域技术人员基于对比文件公开的将神经网络（特别是脉冲神经网络）应用于视觉任务和接收传感器输入的技术教导，可以合理推断出输入事件可以来自相机提供的输入流。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 《直接公开》 | [0008] 如图1A所示，模拟神经元102通过输入连接110接收模拟输入...输入连接的特征在于权重104。[0010] 该模型包括输入向量106 x=[x1, x2 . . . , xn]^T，权重向量104 w=[w1, . . . , wn]...神经元输出108被计算为：y=wx (Eqn. 1) | 对比文件明确公开了人工神经元模型，其接收输入信号（x）并通过权重（w）对输入进行缩放（应用权重）以产生输出或中间值（y）。这与目标专利中“将权重应用于输入事件以获得中间值”的技术特征作用相同，都是对输入信号进行加权处理。因此，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 《直接公开》 | [0021] 节点（神经元）的状态由模型状态变量（对应于生物神经元的膜电位）u(t)描述...当膜电位u(t)（由图1A中的迹线114、128表示）达到某个值v（称为发放阈值，由图1A中的线118表示）时，神经元被配置为在时间tf发放尖峰。 | 对比文件详细描述了脉冲神经元模型（如LIF模型），其节点（神经元）的状态由膜电位u(t)表示。该状态是基于输入电流（可视为加权输入的总和，即中间值）的积分来确定的（参见Eqn. 4）。这与目标专利中“基于中间值确定节点状态”的技术特征作用相同，都是根据输入信号计算神经元的内部状态（如膜电位）。因此，该技术特征被直接公开。 |
| 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 《隐含公开》 | [0021] 当膜电位u(t)达到阈值v时，神经元激发并生成输出尖峰。[0066] 在一些实现中，神经元可以包括随机神经元，其特征在于生成突触后响应（“发放概率”）的概率。 | 对比文件公开了神经元在状态（膜电位）达到阈值时生成输出尖峰事件（[0021]）。同时，对比文件提及神经元可以是随机性的，其发放具有概率性（[0066]）。虽然对比文件没有明确将“输出事件率”与“后验概率”相关联，也未提及输出事件表示“对象的具体位置”，但本领域技术人员可以理解，在随机神经元模型中，输出发放率可以反映某种概率信息。此外，结合对比文件公开的神经网络可用于对象识别、定位等机器视觉任务（[0181]），可以合理推断出输出事件可以用于推断对象位置等信息。因此，该技术特征关于基于节点状态计算输出事件率以生成输出事件的部分被隐含公开；但“表示后验概率”和“输出事件是给定空间中的对象的具体位置”这两个具体限定未被对比文件公开。 |
| 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 《直接公开》 | [0048] 网络300还可以包括反馈或上下文连接324，其被配置为提供与前馈输入相关的神经反馈或上下文信号... | 对比文件明确公开了神经网络中可以包含反馈连接（324），用于将神经元的输出作为反馈信号提供回网络，作为附加的输入（上下文）。这与目标专利中“供应输出事件作为反馈以提供附加的输入事件”的技术特征作用相同，都是利用输出信息来影响后续的输入或处理。因此，该技术特征被直接公开。 |
| 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 《未公开》 | 未发现相关描述。 | 对比文件虽然公开了反馈连接，但并未明确描述对反馈信号（附加的输入事件）应用一组独立的、被称为“第二组连接权重”的参数。通常，反馈连接的权重可以是网络权重的一部分，但权利要求明确划分了“第二组连接权重”并将其应用于“附加的输入事件”。对比文件没有公开这一特定划分的技术特征。 |
| 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》 | 未发现相关描述。 | 对比文件没有公开涉及“隐藏节点状态”的计算，特别是基于“节点状态”和“第二组中间值”来计算隐藏节点状态的技术方案。该特征与目标专利中用于隐马尔可夫模型（HMM）推断的特定架构相关，对比文件未涉及此内容。 |
| 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。 《直接公开》 | [0023] 突触前尖峰（由图1A中的尖峰序列120说明）到达突触为突触后神经元提供输入信号i(t)。该输入信号对应于流入生物神经元的突触电流，并且可以使用指数函数建模如下：i(t)=∫_0^∞ S_j (s-t) e^(-s/τ_s ) ds (Eqn. 5) 其中τ_s是突触时间常数，S(t)表示突触前尖峰序列。 | 对比文件明确公开了通过一个滤波器（例如指数衰减核函数，Eqn. 5）对输入的尖峰事件（S(t)）进行处理，将其转换为连续的突触后电流信号i(t)。这个过程即是对输入事件进行滤波，将其从离散的尖峰转换为连续的“脉冲”或电流信号。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”的技术特征作用相同。因此，该技术特征被直接公开。 |
| 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。 《隐含公开》 | [0011] 尖峰“序列”可以描述如下：S(t)=∑_f δ(t-t_f) (Eqn. 2) 其中f=1,2,...是尖峰指示符，δ(·)是狄拉克函数。 | 对比文件将输入描述为尖峰序列S(t)（Eqn. 2），该序列由一系列离散的尖峰时间点组成。在神经信息处理领域，这种尖峰序列通常被视为从某个潜在的输入分布（如刺激强度分布、泊松过程等）中采样得到的事件序列。本领域技术人员可以从公开的尖峰序列表示中，合理推断出输入事件对应于来自某种输入分布的样本。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。 《未公开》 | 未发现相关描述。 | 对比文件公开的权重（如w）用于缩放输入信号，其可以通过学习规则进行调整（如STDP，强化学习）。然而，对比文件完全没有将权重解释为“先验概率”或“对数似然性”。这些是特定于贝叶斯概率模型和贝叶斯网络框架下的数学解释。对比文件涉及的是通用的神经网络权重调整，未公开其在贝叶斯推断中的这一特定数学含义和作用。 |
| 技术特征K：其特征在于，所述节点状态是归一化的。 《未公开》 | 未发现相关描述。 | 对比文件描述了节点状态（如膜电位u(t)）的动态变化，但未提及对节点状态进行归一化处理（例如通过赢者全得或软最大值等方式）。归一化是目标专利中一个特定的处理步骤，对比文件没有公开这一特征。 |
| 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》 | [0007] 人工神经元是受自然生物神经元启发的计算模型。[0072] 如本文所用，术语“节点”、“神经元”和“神经节点”意在指代网络单元（例如，脉冲神经元和一组被配置为向神经元提供输入信号的突触），其具有可根据模型进行调整的参数。 | 对比文件明确且多次将“节点”定义为包括“神经元”（[0072]），并详细描述了神经元模型（[0007]）。这与目标专利中“计算节点包括神经元”的技术特征完全一致。因此，该技术特征被直接公开。 |
| 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。 《直接公开》 | [0011] 尖峰“序列”可以描述如下：S(t)=∑_f δ(t-t_f) (Eqn. 2)[0012] 大多数脉冲神经元模型使用尖峰的时间，而不是尖峰的具体形状，来编码神经信息。[0021] 当膜电位u(t)达到阈值v时，神经元激发并生成输出尖峰。[0066] 在一些实现中...神经元可以包括随机神经元，其特征在于生成突触后响应（“发放概率”）的概率。 | 对比文件明确公开了输入是尖峰序列（S(t)）（[0011], [0012]），并且神经元生成输出尖峰（[0021]）。输出尖峰的频率或概率即为激发率（[0066]提及“发放概率”）。这与目标专利中“输入事件包括尖峰序列，并且输出事件率包括激发率”的技术特征完全一致。因此，该技术特征被直接公开。 |
| 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。 《隐含公开》 | [0021] 当膜电位u(t)达到阈值v时，神经元激发并生成输出尖峰。[0066] 在一些实现中，神经元可以包括随机神经元，其特征在于生成突触后响应（“发放概率”）的概率。 | 对比文件公开了神经元以一定的概率发放输出尖峰（[0066]）。在随机点过程理论中，这种概率性发放通常可以由一个强度函数（或速率函数）来定义，该函数决定了单位时间内事件发生的平均速率。本领域技术人员从公开的“概率性发放”可以合理推断出存在一个定义输出事件率的强度函数。因此，该技术特征被隐含公开。 |
| 技术特征O：其特征在于，所述计算是在时间基础上执行的。 《直接公开》 | [0004] 通常，人工神经网络是一种自适应系统，被配置为在学习阶段基于流经网络的外部或内部信息改变其结构... [0021] 神经元状态变量u(t)的动态由Eqn. 4描述，它是一个连续时间微分方程。 | 对比文件描述的神经网络和神经元模型（如Eqn. 4）是在连续时间上演化的，其状态更新和计算是基于时间的动态过程。这与“在时间基础上执行”计算的含义相符。因此，该技术特征被直接公开。 |
| 技术特征P：其特征在于，所述计算是在事件基础上执行的。 《直接公开》 | [0091] 在一些实现中，在神经状态更新期间，根据...方法更新向神经元传递前馈输入的突触连接的功效。如所描述...一个或多个连接更新会在一段时间内累积并批量更新... | 对比文件提到了“在神经状态更新期间”更新连接，并且可以累积事件后进行批量更新（[0091]）。这表明计算和更新可以基于事件（如神经状态更新事件、尖峰事件）的发生来触发和执行，即事件驱动的计算模式。这与“在事件基础上执行”计算的含义相符。因此，该技术特征被直接公开。 |
| 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。 《直接公开》 | [0008] 模拟神经元102通过输入连接110接收模拟输入...输入连接的特征在于权重104。[0010] ...神经元输出108被计算为：y=wx (Eqn. 1)。对于脉冲神经元，[0021] 状态u(t)由Eqn. 4支配，其中输入电流项包含加权输入的总和。 | 对比文件在描述神经元模型时，无论是模拟神经元（Eqn. 1， y=w·x，即加权和）还是脉冲神经元（Eqn. 4，输入电流包含加权输入的总和），都隐含或明确地涉及对多个加权输入（中间值）进行求和（加总）以贡献于神经元状态（输出y或膜电位u）的计算。这与目标专利中“对中间值进行加总以形成节点状态”的技术特征作用相同。因此，该技术特征被直接公开。 |
| 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。 《未公开》 | 未发现相关描述。 | 对比文件虽然提到了神经网络可用于机器视觉和对象识别（[0181]），但完全没有涉及从3D对象的2D表示（如来自多个相机的视图）推断其3D坐标（如第三坐标）这一具体应用场景和技术方案。该特征是目标专利说明书中一个非常具体的示例性应用（图12, 13A-C），对比文件未公开此内容。 |
| 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。 《直接公开》 | [0021] 通过示例，输入信号可以来自相机：“...例如移动机器人车辆到位置A；或者使用机械臂在位置B拾取对象...” 以及 [0181] 在[0181]段中提到应用包括机器视觉。 | 对比文件明确将神经网络（包括脉冲神经网络）的应用场景与传感器输入（如相机）联系起来（[0021], [0181]）。这直接公开了输入事件可以从传感器供应的技术特征。因此，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。 《未公开》 | 未发现相关描述。 | 对比文件提到了相机作为传感器，但未具体提及“地址事件表示（AER）”相机。AER相机是一种特定类型的、输出为异步地址事件流的传感器。对比文件没有公开这一具体类型的传感器。 |
| 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》 | 未发现相关描述。 | 对比文件公开了反馈连接（[0048]）以及对输入尖峰进行滤波（[0023], Eqn. 5），但并未描述对反馈提供的附加输入事件进行特定的滤波处理，以使其产生时延。目标专利中该特征是为了实现隐马尔可夫模型（HMM）中状态转移的时间对齐，对比文件未涉及此目的或方法。 |
| 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》 | 未发现相关描述。 | 对比文件完全没有将连接权重解释为“发射概率”或“转移概率”。这些是特定于隐马尔可夫模型（HMM）的概率矩阵在神经网络中的表示方式。对比文件涉及的是通用的神经网络权重，未公开其在HMM框架下的这一特定数学含义和作用。 |
<<<B>>><<<C>>><<<H>>><<<L>>><<<M>>><<<O>>><<<P>>><<<Q>>><<<S>>>
<<<a>>><<<d>>><<<i>>><<<n>>>