对比文件名称：2013-08-08_US2013204819A_发明申请_US20130204819A1 METHODS AND APPARATUS FOR SPIKING NEURAL COMPUTATION
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
本次调用的模型名称：特征比对与公开性判断模型
根据目标专利说明书和权利要求书，以及对比文件US20130204819A1的说明书，以下进行技术特征比对和公开性判断。
**特征比对表格**
| 技术特征描述及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **A: 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》** | 未找到相关描述。对比文件提及输入尖峰（input spikes）和通用输入，但未提及输入事件是“经由相机提供的输入流”。 | 该技术特征限定了输入事件的具体来源是相机。对比文件公开了在神经元模型处接收输入尖峰（如[0116]段），但其描述是通用的，并未具体公开输入事件源自相机。相机作为特定的传感器输入源，是本特征的核心限定，对比文件未公开此内容，也未隐含公开。 |
| **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《隐含公开》** | [0116]段：“... the input spikes may be used as the inputs to neuron k ...”；[0124]段：“where ωjk = q<sup>-Δτjk</sup> / v<sub>k</sub><sup>+</sup>(τ<sub>k</sup>), and Δω<sub>k</sub> = v<sub>k</sub><sup>+</sup>(t<sub>k</sub><sup>-</sup>) / v<sub>k</sub><sup>+</sup>(τ<sub>k</sub>)”；[0127]段：“To implement a desired operation, one may simply set the delays, Δτ<sub>jk</sub> = -log<sub>q</sub> (ω<sub>jk</sub> v<sub>k</sub><sup>+</sup>(τ<sub>k</sub>))”。 | 目标专利中，“权重”用于对输入事件进行缩放，以计算节点状态。对比文件虽未直接使用“权重（weight）”这一术语，但其通过设置突触连接延迟（Δτ<sub>jk</sub>）来实现对输入信号的缩放效应。在[0124]和[0127]段中，ω<sub>jk</sub> 和 Δω<sub>k</sub> 实质上起到了连接权重和偏置项的作用，它们被用来计算决定输出尖峰时间的膜电位。因此，本领域技术人员可以合理推断，通过设置延迟参数，对比文件实质上隐含公开了将类似“权重”的参数应用于输入以获得中间值（影响膜电位）的技术方案。 |
| **C: 至少部分地基于所述中间值来确定节点状态《直接公开》** | [0116]段：“For the anti-leaky domain for neuron k, dv<sub>k</sub><sup>+</sup>(t)/dt = ρ<sup>+</sup> v<sub>k</sub><sup>+</sup>(t) + Σ<sub>j</sub> y<sub>j</sub>(t - Δτ<sub>jk</sub>)”；[0124]段：“(1/q)<sup>τ<sub>k</sub></sup> = Δω<sub>k</sub> + Σ<sub>j</sub> ω<sub>jk</sub> (1/q)<sup>τ<sub>jk</sub></sup>”。 | 目标专利的“节点状态”对应于神经元的膜电位（如v<sub>k</sub>）。对比文件[0116]段明确公开了神经元k的膜电位v<sub>k</sub><sup>+</sup>(t)的动态方程，该状态基于输入（经延迟后）和当前状态值确定。[0124]段进一步给出了膜电位（或由其决定的输出时间τ<sub>k</sub>）与经缩放（通过ω<sub>jk</sub>和Δω<sub>k</sub>）的输入时间之间的关系式。因此，对比文件直接公开了基于（经加权的）输入来确定节点状态（膜电位）。 |
| **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》** | [0111]段：“if ν(t) > ν<sub>θ</sub> → y(t) = 1”；[0131]段：“and spiking condition, ν<sub>k</sub><sup>+</sup>(t) > ν<sub>θ</sub> = ν<sub>k</sub>(τ<sub>k</sub>) → y<sub>k</sub>(t) = 1”。 | 目标专利该特征包含两层含义：1) 基于节点状态计算表示后验概率的输出事件率，并根据随机点过程生成输出事件；2) 输出事件代表给定空间中对象的具体位置。对于第一层，对比文件公开了当膜电位（节点状态）超过阈值ν<sub>θ</sub>时，神经元发放输出尖峰（输出事件）。然而，对比文件的输出是确定性的（膜电位超阈即发放），并未公开基于节点状态“计算输出事件率”以及根据“随机点过程”生成输出事件。目标专利的“随机点过程”（如泊松过程）和“后验概率”表示是其基于贝叶斯推断的核心，与对比文件的确定性发放机制不同。对于第二层，对比文件完全没有提及输出事件代表“对象的具体位置”这类具体的应用场景。因此，该技术特征未被对比文件公开。 |
| **E: 供应所述输出事件作为反馈以提供附加的输入事件《隐含公开》** | [0176]段：“FIG. 17 illustrates this feedback case ...”；[0177]段：“The above modification ... may be used for another purpose ... the change in τ<sub>k</sub> is given by Δτ<sub>k</sub> = log<sub>q</sub>(ν<sub>θ</sub>/ν<sub>+</sub>)”。 图17描绘了反馈连接。 | 目标专利中，输出事件作为反馈以提供附加输入，用于构建如隐马尔科夫模型（HMM）的递归结构。对比文件图17明确示出了神经元的输出作为反馈连接到自身（自反馈），[0177]段也讨论了通过调整复位电位来影响下次发放时间，这隐含了输出事件可以影响自身后续状态，即构成反馈。虽然对比文件未明确将此反馈用于HMM，但“输出作为输入”这一基本反馈连接结构已被公开。 |
| **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《隐含公开》** | [0124]段：“(1/q)<sup>τ<sub>k</sub></sup> = Δω<sub>k</sub> + Σ<sub>j</sub> ω<sub>jk</sub> (1/q)<sup>τ<sub>jk</sub></sup>”。 结合反馈连接（特征E），反馈的输入同样需要经过处理。 | 该特征在目标专利中是与反馈（特征E）结合使用的。对比文件已公开了将连接参数（ω<sub>jk</sub>，通过延迟Δτ<sub>jk</sub>实现）应用于输入的一般性方法（见特征B论述）。当存在反馈输入时（特征E），本领域技术人员可以毫无疑义地推理出，对反馈输入同样需要应用相应的连接参数（即“第二组连接权重”）进行处理，以获得影响神经元状态的“第二组中间值”。这属于对比文件已公开的一般原理在反馈场景下的直接应用。 |
| **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《隐含公开》** | [0116], [0124]段：神经元状态由所有输入共同决定。结合特征E和F，反馈输入是输入的一部分。 | 目标专利中，“隐藏节点状态”是HMM中隐藏变量的状态。对比文件公开了神经元的状态（膜电位）由其所有输入（包括通过反馈路径来的输入）共同决定（[0116]段）。既然对比文件已隐含公开了反馈输入的存在（特征E）及其加权处理（特征F），那么基于当前节点状态和经加权的反馈输入（第二组中间值）来计算更新后的节点状态，就是其已公开的神经元动态方程的必然结果。这个更新后的状态可以对应为目标专利的“隐藏节点状态”。 |
| **H: 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》** | [0105]段：“where y<sub>i</sub>(t) is a binary value (1 representing a spike and 0 representing no spike)”。[0116]段：“... using the input spikes ...”。 | 目标专利中“滤波以转换成脉冲”可能指将连续事件流处理为尖峰脉冲。对比文件通篇假设输入本身就是尖峰脉冲（spike），即二进制事件（[0105]段）。输入事件以尖峰形式存在是尖峰神经网络的基础。因此，对比文件直接公开了输入事件是脉冲形式，无需额外的“转换”步骤。如果目标专利的“滤波”指特定的脉冲整形（如EPSP滤波），则未被公开。但权利要求特征H仅要求“转换成脉冲”，对比文件输入已是脉冲。 |
| **I: 所述输入事件对应于来自输入分布的样本《直接公开》** | [0097]段：“Suppose that information may be encoded in the relative time between spikes of a neuron ...”；[0098]段：“x = q<sup>-τ</sup> or τ = -log<sub>q</sub> x”。 | 目标专利中，输入事件代表来自输入分布（即可观察变量Y）的样本。对比文件[0097]-[0098]段明确公开了信息（值x）编码在尖峰的相对时间中，输入尖峰的时间τ对应一个值x。这意味着每个输入尖峰（事件）都携带了一个编码值，可以视为来自某个值分布（即“输入分布”）的一个样本。因此，该特征被直接公开。 |
| **J: 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》** | [0124]段中Δω<sub>k</sub>和ω<sub>jk</sub>是实现线性变换的参数。 | 目标专利中，权重被赋予了具体的概率解释（贝叶斯网络中的先验和似然）。对比文件虽然使用了功能类似的参数（Δω<sub>k</sub>和ω<sub>jk</sub>），但仅将其描述为实现任意线性变换的系数（如[0129]段“To implement a desired operation”），并未赋予它们任何概率意义，也未将其与贝叶斯推断中的“先验概率”或“对数似然性”关联。该特征是关于参数在特定数学模型（贝叶斯网络）中的解释，对比文件未公开此解释。 |
| **K: 所述节点状态是归一化的《未公开》** | 未找到相关描述。对比文件中节点状态（膜电位）未被归一化。 | 目标专利说明书[0117]段提到节点状态可以通过归一化子（如赢者全得方式）进行归一化。对比文件中，神经元膜电位是绝对值，其增长和发放基于绝对阈值，没有公开任何对节点状态（膜电位）进行归一化的过程或步骤。 |
| **L: 所述计算节点包括神经元《直接公开》** | 全文多处，例如[0116]段的“neuron k”。 | 对比文件通篇描述的是尖峰神经元模型及其操作，计算节点即是神经元。该特征被直接公开。 |
| **M: 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《部分直接公开，部分未公开》** | [0105]段：“y<sub>i</sub>(t) is a binary value (1 representing a spike and 0 representing no spike)”。[0111]段：“if ν(t) > ν<sub>θ</sub> → y(t) = 1”。 | 对于“输入事件包括尖峰序列”，对比文件直接公开输入是尖峰（spike）。对于“输出事件率包括激发率”，目标专利的输出是“输出事件率”，并表示后验概率。对比文件输出是单个尖峰事件（确定性的），并未公开计算或输出一个“激发率”。虽然尖峰序列可以统计出激发率，但权利要求特征M明确将“输出事件率”作为输出内容，这与对比文件输出单个事件不同。因此，仅前半部分被直接公开。 |
| **N: 所述点过程包括定义所述输出事件率的强度函数《未公开》** | 未找到相关描述。对比文件未使用点过程或强度函数来描述输出生成。 | 目标专利中，输出事件根据随机点过程生成，其强度函数由节点状态决定。对比文件的输出生成机制是确定性的：膜电位超阈即发放。没有涉及随机点过程或定义事件率的强度函数。 |
| **O: 所述计算是在时间基础上执行的《直接公开》** | [0116]段是连续时间微分方程；[0121]段是离散时间形式。 | 对比文件公开了神经元的操作既可以在连续时间（微分方程）也可以在离散时间（迭代方程）基础上执行。这涵盖了“在时间基础上执行”的含义。 |
| **P: 所述计算是在事件基础上执行的《直接公开》** | [0137]-[0144]段详细描述了事件驱动的操作流程：“upon an input event occurring at time t: 1. Update the neuron state ...”。 | 对比文件[0137]-[0144]段明确公开了一种基于事件（输入事件或预计输出事件）的更新和调度方法，即计算在事件基础上执行，而非固定时间步。这直接公开了该特征。 |
| **Q: 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》** | [0116]段：“dv<sub>k</sub><sup>+</sup>(t)/dt = ρ<sup>+</sup> v<sub>k</sub><sup>+</sup>(t) + Σ<sub>j</sub> y<sub>j</sub>(t - Δτ<sub>jk</sub>)”；[0124]段公式也体现加总。 | 对比文件神经元状态（膜电位）的动态方程中，输入项是求和（Σ<sub>j</sub> y<sub>j</sub>）的形式。[0124]段的转换公式也显示了输入贡献的加总。这直接公开了通过对（经延迟的）输入进行加总来影响节点状态。 |
| **R: 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》** | 未找到相关描述。 | 该特征描述了从2D表示推断3D坐标的具体应用实例（见目标专利图12、13及相关描述）。对比文件仅涉及通用的线性计算，完全没有提及任何关于3D对象、2D表示或坐标推断的具体应用。该特征未被公开。 |
| **S: 所述输入事件是从至少一个传感器供应的《隐含公开》** | 未明确提及“传感器”，但输入尖峰可源自任何源头。 | 目标专利中，输入事件来自传感器（如相机）。对比文件虽未明确提及“传感器”，但其描述的输入尖峰可以来自任何外部源头。本领域技术人员可以理解，在实现一个完整的处理系统时，输入通常来源于某种传感器或数据采集设备。虽然对比文件未明说，但“输入事件有来源”这一概念是隐含的。然而，该特征未限定具体传感器类型，故可认为被隐含公开。 |
| **T: 所述至少一个传感器是地址事件表示相机《未公开》** | 未找到相关描述。 | 该特征将传感器具体限定为“地址事件表示（AER）相机”。对比文件未提及任何特定类型的传感器，更未提及AER相机。该特征未被公开。 |
| **U: 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《直接公开》** | [0103]段：“... may involve modeling of connection delays.”；[0116]段：“y<sub>j</sub>(t - Δτ<sub>jk</sub>)”。 | 目标专利中，反馈输入被滤波以引入时延，用于构建HMM。对比文件明确公开了在神经元连接中存在延迟（Δτ<sub>jk</sub>），输入尖峰会经过这个延迟才影响神经元（[0116]段）。对于反馈输入（作为输入的一种），同样可以施加延迟。因此，“附加的输入事件是经时延的”这一技术手段被直接公开。 |
| **V: 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》** | [0124]段中ω<sub>jk</sub>是实现线性变换的参数。 | 该特征为连接权重赋予了在HMM模型中的具体概率含义（发射概率和转移概率）。对比文件中的对应参数（实现为延迟）仅用于执行通用的线性变换，并未被描述为具有任何概率意义，也未与HMM的发射或转移矩阵关联。该特征未被公开。 |
**公开性判断总结**
根据以上比对分析，对比文件US20130204819A1对目标专利权利要求的技术特征公开情况如下：
- **直接公开**的特征有：C, H, I, L, O, P, Q, U。
- **隐含公开**的特征有：B, E, F, G, S。
- **未公开**的特征有：A, D, J, K, M（部分），N, R, T, V。
<<<C>>><<<H>>><<<I>>><<<L>>><<<O>>><<<P>>><<<Q>>><<<U>>>
<<<b>>><<<e>>><<<f>>><<<g>>><<<s>>>