**对比文件名称**：2013-08-08_US2013204814A_发明申请_US20130204814A1 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**：特征比对与公开性判断模型
### 特征比对表格
| 技术特征描述及公开性判断 | 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》** | [0125] “...using an address-event representation (AER) retina... The retina may be an AER sensor that captures events... For example, an AER camera may capture events in a given space...” | 对比文件明确公开了使用地址事件表示（AER）视网膜/相机作为传感器来捕捉事件（输入流）。虽然目标专利中具体化为“相机”，而对比文件使用了“视网膜”和“AER相机”的表述，但本领域技术人员知晓，在神经形态视觉领域，“AER视网膜”通常指代一种事件驱动的相机传感器。因此，接收来自此类传感器的输入事件流的技术特征已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》** | [0112] “...the input spikes may be used as the inputs to neuron k subject to some connection delays (such as dendritic or axonal delay)...” <br> [0116] “...for neuron k, dv_k+/dt = ρ+ v_k+ + Σ_j y_j(t - Δτ_jk)...” <br> [0128] “To implement a desired operation, one may simply set the delays, Δτ_jk = -log_q(ω_jk v_k+(τ_k))” | 对比文件公开了神经元接收输入尖峰，并应用连接延迟（Δτ_jk）来处理这些输入。这些延迟（Δτ_jk）在对比文件中被明确教导为用于实现期望的线性运算（如缩放），其作用相当于目标专利中的“连接权重”。对比文件虽然没有使用“偏置权重”一词，但其模型中的常数项（如Δω_k）和膜电位重置值（v0）起到了类似偏置的作用。应用延迟（相当于权重）以获得影响膜电位（中间值）的过程被直接公开。 |
| **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》** | [0116] “...for neuron k, dv_k+/dt = ρ+ v_k+ + Σ_j y_j(t - Δτ_jk)...” <br> [0125] “v_k+(τ_k) = e^(ρ+ τ_k) [v_k+(t_k−) + Σ_j e^(-ρ+ (τ_jk + Δτ_jk))]” | 对比文件详细描述了神经元模型（节点）的膜电位v_k+（即节点状态）的动态变化。该状态是基于输入（经延迟处理后）进行积分（求和与指数增长）而确定的。这与目标专利中“基于中间值来确定节点状态”的技术特征在作用和原理上相同，均为通过累积处理后的输入来更新神经元内部状态。因此被直接公开。 |
| **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<br>**《隐含公开》** | [0120] “Solving for τ_k, τ_k = (1/ρ+) log v_k+(τ_k) - (1/ρ+) log[v_k+(t_k−) + Σ_j e^(-ρ+ (τ_jk + Δτ_jk))]” <br> [0131] “Thus, the maximum non-self-referential input time... is τ_jk ≤ t_k+′...” <br> [0125] “...The output may be on a scale... to infer the 3D coordinates of an object in a given space.” (结合图12-13上下文) | 对比文件公开了通过计算输出尖峰时间τ_k来生成输出事件，该时间由神经元状态（膜电位v_k+）的对数函数决定。虽然对比文件没有明确使用“后验概率”和“随机点过程”的术语，但其输出时间编码了输入信息的变换结果。在对比文件的应用示例中（图12-13），系统接收来自AER相机（2D事件流）的输入，并通过神经网络推断出对象在空间中的3D坐标作为输出。因此，生成对应于对象具体位置的输出事件这一技术特征，可以从对比文件公开的内容中合理推断得出，属于隐含公开。 |
| **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<br>**《隐含公开》** | [0185] “However, feedback may also be used to accomplish the above as depicted in FIG. 17. 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 τ_jk as input to compute τ_k.” | 对比文件在图17和对应描述中明确公开了反馈结构，其中一个神经元的输出作为另一个神经元的参考输入。这相当于将输出事件作为反馈以提供附加的输入事件。因此，该技术特征被隐含公开。 |
| **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<br>**《隐含公开》** | 结合[0185]的反馈结构以及[0128]中关于设置延迟Δτ以实现运算的描述。 | 在对比文件公开的反馈结构中，反馈路径上的连接必然涉及某种变换或延迟（对应于权重）。本领域技术人员基于对比文件教导的“通过设置延迟实现运算”的原理，可以合理推断在反馈连接上也会应用相应的延迟（即第二组连接权重）来处理附加的输入事件，从而影响神经元状态（获得第二组中间值）。因此是隐含公开。 |
| **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>**《隐含公开》** | [0250]-[0254] “Let the true logical relational {i}→j be defined by a true cause function... Thus, with enough equations, given a number of unknowns x_i, a logical condition in the set {x_i} may be recognized, for example, using another neuron which receives all the ensemble neuron outputs as inputs and fires upon a threshold...” | 对比文件在“因果学习”部分描述了使用多个神经元（学习神经元模型）来识别逻辑关系。这些神经元接收输入并调整其延迟（权重），其输出状态（是否在目标时间发放）共同决定了是否满足某个隐藏的逻辑条件。这可以理解为基于输入（可类比为当前节点状态和反馈输入处理后的中间值）来计算一个隐藏的逻辑状态（是否满足因果关系）。虽然具体架构与目标专利的HMM不完全相同，但“基于多源输入计算隐藏状态”的核心思想已被隐含公开。 |
| **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>**《隐含公开》** | [0112] “...subject to some connection delays (such as dendritic or axonal delay)...” <br> [0109] “...using the methods described herein, any linear system may be efficiently computed using spiking neurons without the need for synaptic weights or post-synaptic filters...” | 对比文件强调其模型不需要突触后滤波器（post-synaptic filters）。然而，其核心操作是将输入尖峰进行**延迟**（Δτ_jk）。在基于事件的系统中，引入固定的时间延迟可以视为一种最简单的时域“滤波”或“整形”，它将输入事件在时间轴上重新定位，本质上是一种处理。虽然目标专利可能指更复杂的滤波（如EPSP），但对比文件公开的延迟处理实现了将输入事件转换为在特定时间生效的“脉冲”（即延迟后的尖峰）这一基本功能。因此可以认为是隐含公开。 |
| **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>**《隐含公开》** | [0148] “A sequence x_i(t) may be converted to an SR temporally coded spike sequence y_i(t) according to the following algorithm: 1... 2. Compute τ_i = -log_q x_i(t), where x_i(t) is a function of x_i(t)... over a short time period T...” | 对比文件公开了将实数值序列x_i(t)转换为时序编码的尖峰序列的方法。其中，尖峰时间τ_i由x_i(t)的对数决定。这表明每个输入尖峰的时间（即输入事件）编码了特定时间点或时间段内输入值x_i(t)的信息，可以视为对该输入分布在那个时刻的“样本”的编码。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。<br>**《隐含公开》** | [0128] “To implement a desired operation, one may simply set the delays, Δτ_jk = -log_q(ω_jk v_k+(τ_k))” <br> 以及[0120]中方程形式：`(1/q)^τ_k = Δω_k + Σ_j ω_jk (1/q)^τ_jk`。 | 对比文件中，延迟Δτ_jk与权重ω_jk通过对数关系关联（Δτ_jk ∝ -log(ω_jk)）。在贝叶斯模型中，连接权重常代表似然性，而偏置代表先验。对比文件模型中的Δω_k项（或膜电位初始重置值v0）起到了类似偏置的作用。虽然对比文件未在贝叶斯推断的明确语境下讨论，但其数学形式（对数变换、线性组合）是通用的。本领域技术人员知晓，在将概率值映射到对数域（即对数概率）时，乘法变为加法，权重对应于对数似然。因此，对比文件公开的“通过设置延迟来实现系数（权重）变换”的机制，可以被认为隐含公开了“连接权重表示对数似然性”以及“偏置项对应先验信息”的技术思想。 |
| **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》** | 无对应内容。 | 对比文件未提及对神经元膜电位或状态进行归一化（如赢者全得WTA或软WTA）的操作或步骤。目标专利中的归一化是为了实现概率解释或竞争机制，这在对比文件的公开内容中找不到依据。 |
| **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[0109] “...using spiking neurons...”，图4-6中的神经元模型。 | 对比文件的核心主题就是尖峰神经元（spiking neuron）模型及其计算。其“处理单元”、“神经元模型”即是目标专利中的“计算节点”。该特征被直接公开。 |
| **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。<br>**《直接公开》** | [0105] “...y_j(t) = Σ_s δ(t - t_j^s)...” (尖峰序列定义) <br> [0131] “Thus, the maximum non-self-referential input time... is τ_jk ≤ t_k+′...” (输出时间决定激发时刻) | 对比文件明确将输入和输出建模为尖峰序列（delta函数的和）。虽然对比文件主要强调通过精确的**输出时间**来编码信息，而非平均**激发率**，但输出尖峰的时间序列本身就定义了随时间变化的瞬时激发率。在基于事件的系统中，事件率可以从事件间隔中推导出来。因此，“输入事件包括尖峰序列”被直接公开，“输出事件率包括激发率”可视为其必然结果，但对比文件未强调“率”的概念，更强调“定时”。从宽松的隐含公开标准判断，可以认为该特征整体被隐含公开，但严格来说，对比文件的核心是时间编码而非速率编码。此处从宽认定为《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》** | 无对应内容。 | 对比文件描述的是确定性的或通过阈值触发机制产生输出尖峰的时间，没有引入或描述一个随机点过程（如泊松过程）及其强度函数来控制输出事件的生成。目标专利中明确提及“根据随机点过程来生成输出事件”，这是其实现贝叶斯推断（输出为后验概率采样）的关键。对比文件缺乏这一随机性要素。 |
| **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》** | [0145] “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...” | 对比文件描述了在离散时间情况下，事件时间可以舍入到时间分辨率Δt的倍数。这表明其计算可以在离散的“时间基础”上执行。虽然对比文件也支持连续时间事件驱动，但离散时间操作是其中一种实现方式。因此，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>**《直接公开》** | [0145] “...an event-based manner as follows upon an input event occurring at time t: 1. Update the neuron state variable...” | 对比文件明确详细描述了“基于事件”的操作方式：在输入事件发生时更新状态、检查是否发放尖峰、调度未来事件。这是其核心计算方法之一。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》** | [0116] “dv_k+/dt = ρ+ v_k+ + Σ_j y_j(t - Δτ_jk)” <br> [0120] “v_k+(τ_k) = e^(ρ+ τ_k) [v_k+(t_k−) + Σ_j e^(-ρ+ (τ_jk + Δτ_jk))]” | 对比文件的神经元动力学方程明确显示，膜电位（节点状态）的变化是输入项Σ_j y_j(t - Δτ_jk)的加总（积分）结果。这直接公开了通过对处理后的输入（中间值）进行加总来确定节点状态。 |
| **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>**《隐含公开》** | [0125] “...infer the 3D coordinates of an object in a given space. For example, CAM1 and CAM2 may each provide 64x64 inputs... The feature module may then convert these two 64x64 inputs... The inference engine modules may then quantize these outputs into a number of coordinates, e.g., four coordinates per dimension. In this way, 3D vision may be achieved using only 2D AER cameras...” | 对比文件在应用示例中（对应图12-13及其描述）明确公开了使用两个2D AER相机（CAM1, CAM2）捕捉对象的2D表示作为输入事件流，并通过神经网络模块推断出该对象的3D坐标（包括第三坐标）作为输出。这完全符合该技术特征的定义。因此被隐含公开（虽然是在实施例描述中，而非权利要求式语言）。 |
| **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>**《直接公开》** | [0125] “...using an address-event representation (AER) retina... The retina may be an AER sensor that captures events...” | 对比文件直接公开了输入事件来自AER视网膜传感器。该特征被直接公开。 |
| **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。<br>**《直接公开》** | [0125] “...using an address-event representation (AER) retina... For example, an AER camera may capture events...” | 对比文件明确使用了“AER相机（AER camera）”这一术语。该特征被直接公开。 |
| **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》** | [0185] 结合图17的反馈描述，以及[0112]中关于连接延迟（dendritic or axonal delay）的普遍应用。 | 对比文件公开了在反馈连接中，下游神经元的输出作为上游神经元的参考输入。在神经系统中，这样的反馈路径必然存在传导延迟。此外，对比文件的核心机制就是利用“延迟”来处理信号。因此，本领域技术人员可以合理推断，作为反馈的附加输入事件在提供给计算节点前，会经过一个延迟（即一种滤波），从而成为“经时延的”输入。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>**《隐含公开》** | [0128] “Δτ_jk = -log_q(ω_jk v_k+(τ_k))”，以及[0250]-[0254]关于用神经元学习逻辑关系（可视为状态转移）的描述。 | 对比文件公开了延迟Δτ_jk与线性变换系数ω_jk的对数关系。在隐马尔可夫模型（HMM）等概率图模型中，发射概率和转移概率通常以对数形式参与计算。虽然对比文件未明确提及HMM或这些概率术语，但其建立的“延迟编码权重”、“权重通过对数关系实现线性变换”的数学框架，是实现在对数概率域进行运算（包括发射和转移）的基础。本领域技术人员在知晓目标专利应用场景（贝叶斯网络、HMM）的情况下，可以从对比文件公开的通用计算原理中，推理出使用类似机制来表示发射概率和转移概率是可行的。因此，该特征被隐含公开。 |
### 输出代码
根据上述判断：
- **直接公开**的特征有：B, C, L, P, Q, S, T。对应代码：<<<B>>><<<C>>><<<L>>><<<P>>><<<Q>>><<<S>>><<<T>>>
- **隐含公开**的特征有：A, D, E, F, G, H, I, J, M, O, R, U, V。对应代码：<<<a>>><<<d>>><<<e>>><<<f>>><<<g>>><<<h>>><<<i>>><<<j>>><<<m>>><<<o>>><<<r>>><<<u>>><<<v>>>
<<<B>>><<<C>>><<<L>>><<<P>>><<<Q>>><<<S>>><<<T>>><<<a>>><<<d>>><<<e>>><<<f>>><<<g>>><<<h>>><<<i>>><<<j>>><<<m>>><<<o>>><<<r>>><<<u>>><<<v>>>