好的，作为一名资深专利代理师，我将严格遵循您的指示，对对比文件进行深入分析，评估其是否公开了目标专利权利要求的各技术特征。
**对比文件名称**：2013-03-21_US2013073499A_发明申请_US20130073499A1 APPARATUS AND METHOD FOR PARTIAL EVALUATION OF SYNAPTIC UPDATES BASED ON SYSTEM EVENTS
**目标专利名称**：265用于随机尖峰贝叶斯网络的基于事件的推断和学习CN106030620B
**模型名称**：本次调用
### 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<br>**《未公开》** | 对比文件未提及相机或任何特定传感器作为输入源。 | **直接公开判断**：对比文件涉及脉冲编码神经网络，提到了脉冲（尖峰）的接收和处理（例如，[0006]段提到了“spikes”或‘impulses’），但并未具体公开输入事件是“经由相机提供的输入流”。相机是目标专利中一个具体的应用场景（参见[0151]段），而对比文件未限定输入事件的来源。因此，本领域技术人员不能毫无疑义地从对比文件得出此技术方案。<br>**隐含公开判断**：对比文件公开了接收和处理脉冲事件，但并未提及或隐含这些脉冲必须或可能来自相机。相机作为输入设备属于具体应用层面的选择，而非神经网络本身固有的技术特征。因此，本领域技术人员无法从对比文件内容合理推断出此特征。 |
| **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>**《部分直接公开》** | [0008]段：“Each of the unit-to-unit connections is assigned, inter alia, a connection strength (also referred to as the synaptic weight).” <br>[0101]段描述了基于脉冲时间更新突触权重的步骤。 | **直接公开判断**：对比文件直接且明确地公开了“连接权重”（synaptic weight）的概念及其在脉冲处理中的应用（例如，在STDP规则中更新和应用权重，见[0094]-[0103]段）。因此，**“将连接权重应用于输入事件”** 这一技术特征被直接公开。<br>**关于“偏置权重”**：对比文件通篇未提及“偏置权重”（bias weight）。在目标专利中，偏置权重对应于先验概率（参见特征J及[0120]段），是贝叶斯网络框架下的特定概念。对比文件涉及的是通用的脉冲神经网络及其突触可塑性，未公开此特定概念。因此，“偏置权重”未被公开。 |
| **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>**《隐含公开》** | [0084]段：“Whenever a unit (for example the unit 122_3) processes a synaptic event (e.g., generates an output pulse), synaptic variables of the pre-synaptic and post-synaptic connections are dynamically adjusted...” <br>图1D及[0092]-[0093]段描述了基于输入脉冲和突触权重影响神经元状态（是否发放脉冲）的过程。 | **直接公开判断**：对比文件没有明确描述一个名为“节点状态”的变量及其基于“中间值”的确定过程。其更侧重于描述脉冲事件如何触发突触权重的更新，以及神经元模型如何基于输入决定是否发放脉冲。<br>**隐含公开判断**：在脉冲神经网络中，神经元（节点）的内部状态（例如膜电位）会根据接收到的加权输入（可视为“中间值”）而变化，并最终决定是否产生输出脉冲。对比文件[0092]段提到“post-synaptic unit operates according to a node dynamical model”，这隐含了节点存在内部状态，且该状态受输入影响。虽然目标专利的“节点状态”可能特指用于计算后验概率的变量（如膜电位v），而对比文件中的神经元状态更侧重于决定脉冲发放的时刻，但**从广义上讲，节点基于输入（可能经过权重缩放）更新自身状态是脉冲神经网络的基本原理**。因此，本领域技术人员可以从对比文件公开的神经元动态模型（[0092]段）合理推断出“基于中间值来确定节点状态”这一技术特征。 |
| **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》** | 对比文件未提及“后验概率”、“输出事件率表示后验概率”或“对象的具体位置”。 | **直接公开判断**：对比文件公开了神经元生成输出脉冲（例如，[0091]段），但未将这些输出脉冲描述为“表示后验概率”的事件率。目标专利中（参见[0108]段），输出事件率是贝叶斯推断的结果，表示后验概率。此外，对比文件完全没有提及输出事件对应于“给定空间中的对象的具体位置”，这是目标专利在3D视觉应用中的具体体现（参见[0151]-[0155]段）。<br>**隐含公开判断**：对比文件中的输出脉冲可以具有某种“激发率”，但这是一种统计特性，并未被赋予“后验概率”的数学含义。将神经元脉冲率解释为概率是贝叶斯神经网络的一个特定视角，并非所有脉冲神经网络的必然属性。同样，将输出事件关联到对象的具体位置是特定的应用实现，无法从对比文件的基础神经网络原理中推断出来。 |
| **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>**《未公开》** | 对比文件未描述将输出事件作为反馈输入以形成循环连接架构。 | **直接公开判断**：对比文件主要描述了前馈和通用的网络结构（[0081]段提及了反馈通道和递归网络的可能性，但未展开详细方法），并未公开如目标专利图14B、15所述的，为了求解隐马尔可夫模型（HMM）而**特意**将输出事件作为反馈输入的具体方法步骤。<br>**隐含公开判断**：虽然递归神经网络是已知的，但对比文件说明书并未具体描述或提示在其“延迟更新”方法中需要或如何使用输出反馈来提供附加的输入事件。该特征是目标专利为实现特定模型（HMM）而引入的，不能从对比文件公开的内容中合理推断。 |
| **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>**《未公开》** | 对比文件未描述存在应用于反馈输入的“第二组连接权重”。 | **直接公开判断**：由于技术特征E（反馈提供附加输入事件）未被公开，依赖于它的“第二组连接权重”的应用自然也未被公开。<br>**隐含公开判断**：无。 |
| **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》** | 对比文件未描述基于反馈输入和另一组权重计算“隐藏节点状态”的方法。 | **直接公开判断**：该特征与技术特征E、F紧密相关，均未被公开。<br>**隐含公开判断**：无。 |
| **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>**《未公开》** | 对比文件中的输入事件本身就是脉冲（spikes），例如[0006]段：“Such pulses (also referred to as “spikes” or ‘impulses’)...” 。未描述对输入进行“滤波以转换成脉冲”的步骤。 | **直接公开判断**：对比文件假设输入已经是脉冲形式。目标专利中（参见[0114]-[0115]段）的滤波（如EPSP滤波器）是为了给离散的尖峰事件提供时间持续性，生成连续的“输入踪迹”，这是一种特定的信号处理方式。对比文件未公开此步骤。<br>**隐含公开判断**：对比文件处理的是脉冲事件本身，没有隐含需要先将其他形式的输入“滤波转换成脉冲”的必要性或方法。 |
| **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>**《未公开》** | 对比文件未将输入脉冲描述为来自某个“输入分布”的样本。 | **直接公开判断**：这是目标专利贝叶斯框架下的特定表述（参见[0092]段：“输入事件可以对应于来自输入分布的样本”）。对比文件未涉及此概率化解释。<br>**隐含公开判断**：无法从对比文件公开的脉冲事件处理中推断出其具有“来自输入分布的样本”这一数学属性。 |
| **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》** | 对比文件未提及“先验概率”、“对数似然性”，也未将权重赋予此类概率含义。 | **直接公开判断**：这是目标专利将脉冲神经网络操作解释为贝叶斯推断的核心（参见[0123]、[0125]段）。对比文件中的权重仅表示突触连接强度，用于STDP学习，不具备明确的概率论解释。<br>**隐含公开判断**：权重与概率之间的这种对应关系是目标专利的特定设计，并非脉冲神经网络的通用特征，无法从对比文件隐含得出。 |
| **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》** | 对比文件未描述对节点状态进行归一化（如WTA）的操作。 | **直接公开判断**：目标专利[0121]段明确提到了通过归一化（如赢者全得WTA）来确定节点状态。对比文件的神经元模型中无此描述。<br>**隐含公开判断**：归一化是一种常见的后处理技术，但对比文件未在其描述的神经元状态更新或脉冲生成过程中提及或暗示需要此步骤。 |
| **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》** | [0007]段：“A typical artificial spiking neural network includes a plurality of units (or nodes), which correspond to neurons in a biological neural network.” <br>[0080]段同样将“units”描述为对应于神经元。 | **直接公开判断**：对比文件明确且反复地将其网络中的“单元”或“节点”对应于生物神经元或神经元模型。因此，“计算节点包括神经元”这一特征被直接公开。 |
| **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》** | [0006]段：“Such pulses (also referred to as “spikes” or ‘impulses’)...” <br>关于输出事件率（激发率）：[0091]段提及“post-synaptic unit pulse history”，[0102]段“Post-synaptic Pulse Rule: For every post-synaptic pulse generated by a unit...” 这隐含了神经元有脉冲输出，其统计特性即激发率。 | **直接公开判断**：对比文件直接公开了输入和输出都是脉冲（尖峰）（如[0006]， [0091]）。虽然“输出事件率”未被直接定义为一个计算变量，但脉冲神经元的输出通常用激发率来描述，这是本领域的公知常识。对比文件处理脉冲序列的事实，直接隐含了输入是尖峰序列，输出具有激发率特性。因此，可以认为该特征被直接公开。 |
| **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<br>**《未公开》** | 对比文件未提及“点过程”或“强度函数”。 | **直接公开判断**：目标专利（[0128]段）明确使用随机点过程（如泊松过程）及其强度函数来生成输出事件。对比文件虽然生成输出脉冲，但未将其建模为具有特定强度函数的随机点过程。<br>**隐含公开判断**：将脉冲发放建模为随机点过程是一种特定模型。对比文件未描述其脉冲生成机制符合此类模型，因此无法隐含公开。 |
| **技术特征O**：其特征在于，所述计算是在时间基础上执行的<br>**《直接公开》** | [0105]-[0107]段描述了网络操作的两种模式：同步（基于时间步）和异步（基于本地时钟或时间戳）。例如，“synchronous implementation, where operation of the network is controlled by a centralized entity (within the network apparatus) that provides the time (clock) step”。 | **直接公开判断**：对比文件明确公开了“同步”实现方式，其中网络操作由中央实体提供的时间步（时钟步）控制。这正是在“时间基础上执行”计算的典型方式。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》** | [0105]-[0107]段同样描述了“异步”实现方式，其中单元独立并基于事件（如脉冲到达）进行操作。“In another variant of the asynchronous network, the pre-synaptic pulse timing is obtained using information related to the occurrence of the pre-synaptic pulse”。此外，全文描述的“lazy synaptic update”机制（如图5A）本质上就是基于事件（预突触脉冲到达）来触发计算和更新。 | **直接公开判断**：对比文件详细描述了基于事件的异步操作模式，以及其核心发明点——“延迟更新”方法，该方法仅在特定事件（如预突触脉冲到达、系统事件）发生时执行计算和内存访问。这明确公开了“在事件基础上执行”计算的特征。 |
| **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>**《隐含公开》** | [0084]段提到单元处理突触事件。虽然未明确写出“加总”公式，但神经元模型的基本原理是整合（求和）所有加权输入以决定其状态。图2及对应描述展示了多个输入信号经权重缩放后组合作为神经元输入。 | **直接公开判断**：对比文件没有像目标专利公式（17）那样明确写出对加权输入踪迹求和的数学表达式。<br>**隐含公开判断**：在人工神经网络，特别是脉冲神经网络中，神经元对来自多个突触的输入进行整合（通常为求和或积分）是其基本操作。对比文件图2显示“组合这些经按比例缩放的输入信号”，[0084]段提到“processes a synaptic event”。本领域技术人员可以毫无困难地理解，这种“处理”或“组合”必然涉及对输入信号的某种形式的加总或积分，以决定神经元膜电位或是否达到发放阈值。因此，可以认为“对中间值进行加总以形成节点状态”这一技术特征被隐含公开。 |
| **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<br>**《未公开》** | 对比文件未提及3D对象、2D表示或坐标推断。 | **直接公开判断**：这是目标专利说明书（[0151]-[0155]段及图13）中详述的具体应用实例——使用AER相机进行3D视觉。对比文件完全没有涉及此具体应用场景。<br>**隐含公开判断**：无法从对比文件的基础神经网络原理中推断出此特定应用功能。 |
| **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>**《未公开》** | 对比文件未提及传感器作为输入源。 | **直接公开判断**：对比文件描述的是抽象的脉冲神经网络处理，未限定输入脉冲的来源。目标专利（如[0149]段）则明确提到了AER传感器等。<br>**隐含公开判断**：虽然传感器是常见的输入设备，但对比文件文本并未隐含其输入必须来自传感器。输入可以是任何产生脉冲信号的源。 |
| **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》** | 对比文件未提及“地址事件表示（AER）相机”。 | **直接公开判断**：这是非常具体的传感器类型，仅出现在目标专利的特定实施例中（[0149]段）。对比文件未公开。<br>**隐含公开判断**：无。 |
| **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>**《未公开》** | 对比文件未描述对反馈输入进行特定滤波以引入时延。 | **直接公开判断**：该特征依赖于技术特征E（反馈）的存在，且是目标专利为实现HMM而设计的特定处理（参见[0147]段：“输入滤波器η(τ)可被应用于输出事件流...可被配置为∈(τ)的时延版本”）。对比文件未公开。<br>**隐含公开判断**：无。 |
| **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》** | 对比文件未将连接权重解释为“发射概率”或“转移概率”。 | **直接公开判断**：这是目标专利在HMM语境下对权重的特定解释（参见[0146]、[0148]段）。对比文件中的权重不具备此概率含义。<br>**隐含公开判断**：无。 |
### 结论
根据以上分析，对比文件直接公开了技术特征**L、M、O、P**，隐含公开了技术特征**C、Q**。其余技术特征（A、B（关于偏置权重部分）、D、E、F、G、H、I、J、K、N、R、S、T、U、V）既未被直接公开，也未被隐含公开。
<<<L>>><<<M>>><<<O>>><<<P>>><<<c>>><<<q>>>