**对比文件名称**：2012-12-04_US8325748B_发明授权_US08325748B2 Fast vector quantization with topology learning
**目标专利名称**：用于非平稳数据的凝聚群集的并行方法 CN105247487B
**本次调用的模型名称**：专利创造性评估模型
### 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：接收所述数据点流<br>**《直接公开》** | [0030] “VA-graph combines a tree-structured vector quantizer with a fast topology-learning process... The process has three main pieces: tree construction, topology learning, and search or encoding. An example of a process 100 for VA-graph generation is shown in FIG. 1. Process begins with step 102, in which **the input data is partitioned and a tree is based on the partitions.**”<br>（译文：VA-graph结合了树结构向量量化器和快速拓扑学习过程...该过程有三个主要部分：树构建、拓扑学习和搜索或编码。图1示出了VA-graph生成过程100的示例。过程始于步骤102，其中**输入数据被划分并基于该划分构建树**。） | 对比文件明确描述了处理流程始于接收输入数据（input data）。虽然未使用“流”这一术语，但“输入数据”在本领域技术人员理解中，尤其是在向量量化和在线学习（如[0006]提及“learn the topology online”）的上下文中，通常指代连续或批量到达的数据序列，即数据点流。接收数据是执行后续所有处理（划分、构建树、学习拓扑）的前提和初始步骤。因此，本领域技术人员能够毫无疑义地从对比文件得出“接收数据点流”这一技术特征。 |
| **技术特征B**：确定多个群集质心<br>**《直接公开》** | [0031] “Process 200 builds a tree recursively, beginning with step 202, in which the process is initialized with a single root node. **The centroid of the root node is set to the mean of the data**... In step 208, After a leaf is split...”<br>（译文：过程200递归地构建树，从步骤202开始，其中过程用单个根节点初始化。**根节点的质心被设置为数据的均值**... 在步骤208，在一个叶子节点分裂后...）<br>[0031] “TSVQ uses a 2-means approach for computing **the centroids of the two child nodes** and for assigning data to the child nodes.”<br>（译文：TSVQ使用2均值方法计算**两个子节点的质心**并将数据分配给子节点。） | 对比文件详细描述了树结构向量量化器的构建过程，其中明确提到了为树中的节点（包括根节点和分裂产生的子节点）计算“质心”（centroid）。这些质心用于表示分配给该节点的数据，其作用和目标专利中作为数据点群集中心的“群集质心”完全相同。确定这些质心（如计算均值）是构建量化树的核心步骤。因此，对比文件直接公开了“确定多个群集质心”。 |
| **技术特征C**：将所述多个群集质心划分成多个群集质心群，其中每个群集质心群包含所述多个群集质心的子集并由多个线程和/或处理器中不同的线程和/或处理器独立地采用<br>**《隐含公开》** | [0047] “It is important to note that while the present invention has been described in the context of a fully functioning data processing system, those of ordinary skill in the art will appreciate that the processes of the present invention are capable of being distributed... **Multi-processor computing involves performing computing using more than one processor. Multi-tasking computing involves performing computing using more than one operating system task... Multi-thread computing...**”<br>（译文：重要的是要注意，虽然本发明是在全功能数据处理系统的上下文中描述的，但本领域普通技术人员将理解，本发明的过程能够被分布式实现...**多处理器计算涉及使用多于一个处理器执行计算。多任务计算涉及使用多于一个操作系统任务执行计算...多线程计算...**）<br>[0013] 图13示出了包括多个处理器（CPUs 1302A-1302N）的计算机系统。 | 对比文件明确其方法可在多处理器、多任务、多线程计算环境中实现（[0047]）。在构建树（涉及质心计算和数据划分）和执行搜索等计算密集型任务时，为了提升速度，本领域技术人员有动机并能够合理地采用并行处理技术。这自然隐含了将整个计算任务（包括与多个质心相关的操作）划分到不同的处理器或线程上执行。虽然对比文件没有明确描述将“质心集合”预先划分成“群”并分配给不同处理器的具体步骤，但在并行计算架构下，将待处理的数据结构（此处是代表数据划分的质心集合）进行划分并由不同处理单元独立处理，是本领域实现并行化的常规且合理的技术手段。因此，该特征被对比文件隐含公开。 |
| **技术特征D**：向所述多个线程和/或处理器中的每个线程和/或处理器指派所述数据点流的一部分<br>**《隐含公开》** | [0031] “...for assigning data to the child nodes.”<br>（译文：...用于将数据分配给子节点。）<br>结合[0047]关于多处理器/多线程计算的描述。 | 对比文件描述了在树构建过程中将数据分配给子节点（[0031]）。当该方法在并行环境（[0047]）中实施时，为了均衡负载，将输入数据流（即“数据点流”）的不同部分分配给不同的处理器或线程进行处理，是并行计算中数据并行（Data Parallelism）模式的典型体现。本领域技术人员基于对比文件公开的“多处理器计算”和“分配数据给子节点”的内容，能够合理推断出可以通过向不同处理单元指派数据流的不同部分来实现并行化。因此，该特征被隐含公开。 |
| **技术特征E**：以及组合由所述多个线程和/或处理器生成的多个群集以生成全局群集域。<br>**《未公开》** | 对比文件中未发现相关描述。 | 对比文件聚焦于构建一个树结构的向量量化器（即一种特定的群集结构）并学习其拓扑。它描述了并行计算的可能性，但并未描述将由不同线程/处理器独立处理得到的“多个群集”进行“组合”以形成一个“全局群集域”的步骤或目的。目标专利中的“组合”步骤旨在整合并行处理的结果，而对比文件中的树是作为一个整体结构被构建和搜索的，即使其构建过程可能并行化，最终结果也是单个树/图，不存在将多个独立群集域组合的环节。因此，该特征未被对比文件公开。 |
| **技术特征F**：其特征在于，所述接收包括：从一个或多个传感器接收所述数据点流。<br>**《未公开》** | 对比文件中未发现相关描述。 | 对比文件通篇讨论的是对一般“输入数据”、“数据集”进行处理，例如来自UCI机器学习档案库的数据集（[0043]）。没有提及数据来源于传感器，也没有任何与传感器数据接收相关的上下文或装置描述。因此，该特征未被对比文件公开。 |
| **技术特征G**：其特征在于，所述一个或多个传感器是加速计、陀螺仪、磁力计、或话筒中的一者或多者。<br>**《未公开》** | 对比文件中未发现相关描述。 | 如上所述，对比文件未涉及传感器数据，更不可能具体公开加速计、陀螺仪等特定类型的传感器。因此，该特征未被对比文件公开。 |
| **技术特征H**：其特征在于，所述数据点流按循环方式被指派给所述多个线程和/或处理器。<br>**《未公开》** | 对比文件中未发现相关描述。 | 对比文件虽然隐含了向不同处理单元分配数据以实现并行，但并未具体描述数据指派的调度策略，如“循环方式”。循环指派是一种具体的负载均衡算法，对比文件没有给出任何采用此方式的提示或教导。因此，该特征未被对比文件公开。 |
| **技术特征I**：其特征在于，所述数据点流按阶层式方式被指派给所述多个线程和/或处理器。<br>**《未公开》** | 对比文件中未发现相关描述。 | 对比文件未描述任何“阶层式”的数据指派方式。尽管其树结构本身是阶层式的，但这指的是数据结构，而非数据流向处理器的指派策略。因此，该特征未被对比文件公开。 |
| **技术特征J**：其特征在于，指派所述数据点流的一部分包括：将接收到的数据点指派给所述多个群集质心中的一个群集质心<br>**《未公开》** | 对比文件中未发现相关描述。 | 对比文件描述了在树搜索过程中，将输入向量映射到最近的叶节点（质心）（参见[0042]搜索过程）。然而，技术特征J和K描述的是一个两阶段指派过程：先将数据点指派给一个质心，再根据该质心指派给对应的处理器。对比文件没有描述这种以质心为中介、将数据点路由到特定处理器的指派机制。其数据分配（[0031]）是在树构建阶段确定节点关系，而非在运行时根据质心动态指派数据点到处理器。因此，该特征未被对比文件公开。 |
| **技术特征K**：以及将所述接收到的数据点指派给与所述多个群集质心中的这一个群集质心相对应的线程或处理器。<br>**《未公开》** | 对比文件中未发现相关描述。 | 理由同技术特征J。对比文件没有建立“质心”与“线程/处理器”之间的对应关系，也没有描述基于这种对应关系进行数据指派的机制。因此，该特征未被对比文件公开。 |
| **技术特征L**：其特征在于，所述多个群集质心中的群集质心数目对应于线程和/或处理器数目。<br>**《未公开》** | 对比文件中未发现相关描述。 | 对比文件没有讨论质心数目与线程或处理器数目之间的任何对应关系。质心数目（即树中叶节点数或码本大小k）是向量量化精度的参数，而处理器/线程数目是并行计算资源，两者在对比文件中是独立设定的，未建立关联。因此，该特征未被对比文件公开。 |
| **技术特征M**：其特征在于，所述多个群集质心中的群集质心数目大于线程和/或处理器数目，并且其中所述接收到的数据点基于与所述多个群集质心中的每个群集质心相关联的数据点计数被指派给线程或处理器。<br>**《未公开》** | 对比文件中未发现相关描述。 | 对比文件既未公开质心数大于处理器数的情况，也未公开基于“与质心相关联的数据点计数”来指派数据点到处理器的负载均衡方法。因此，该特征未被对比文件公开。 |
| **技术特征N**：其特征在于，所述数据点流基于所述多个线程和/或处理器中的每个线程和/或处理器的速度被指派给所述多个线程和/或处理器。<br>**《未公开》** | 对比文件中未发现相关描述。 | 对比文件没有提及在数据指派时考虑处理器速度这一因素。这是一种动态负载均衡策略，对比文件未给出任何相关启示。因此，该特征未被对比文件公开。 |
| **技术特征O**：其特征在于，所述多个线程和/或处理器中的每个线程和/或处理器生成围绕向所述多个线程和/或处理器中的每个线程和/或处理器置备的一个或多个质心的一个或多个群集。<br>**《直接公开》** | [0031] 描述了树构建过程：每个节点（可视为一个处理单元或由其管理）根据分配给它的数据计算质心，并将数据围绕该质心进行组织（通过分配到子节点或作为叶节点代表）。在并行化场景（[0047]）下，不同的处理器/线程将负责处理树的不同部分（子树），即围绕其负责的节点（质心）对分配给该部分的数据进行“群集”（形成树结构）。 | 对比文件的核心就是构建一个树结构的向量量化器，该过程本质上是将数据点围绕一系列质心（树节点）进行分组（群集）。当在多个处理器/线程上并行执行此过程时（如[0047]所启示），每个处理单元自然是在对其获分配的数据，围绕其负责维护的一个或多个质心（节点）生成群集结构（子树）。这与目标专利中每个线程/处理器生成围绕其质心的群集的作用相同。因此，本领域技术人员能够从对比文件直接得出该技术特征。 |
| **技术特征P**：其特征在于，所述多个线程和/或处理器中的每个线程和/或处理器在其开始接收所述数据点流的所述部分时开始生成所述一个或多个群集。<br>**《未公开》** | 对比文件中未发现相关描述。 | 对比文件未描述线程或处理器开始处理数据的触发时机或实时性细节。其方法更偏向于对已有数据集的批量处理。因此，“在开始接收时即开始生成”这一具体实时处理特征未被公开。 |
| **技术特征Q**：其特征在于，所述多个线程和/或处理器中的每个线程和/或处理器在开始生成所述一个或多个群集之前缓冲所述部分的数据点中的一个或多个数据点。<br>**《未公开》** | 对比文件中未发现相关描述。 | 对比文件未提及任何数据缓冲机制。因此，该特征未被公开。 |
| **技术特征R**：其特征在于，还包括：丢弃所述数据点流中的数据点以减少所述数据点流中的数据点数目。<br>**《未公开》** | 对比文件中未发现相关描述。 | 对比文件处理的是给定的数据集，未提及在数据流处理过程中主动丢弃数据点以控制数据量的技术。因此，该特征未被公开。 |
| **技术特征S**：其特征在于，还包括：降低生成所述数据点流的一个或多个传感器的采样率以减少所述数据点流中的数据点数目。<br>**《未公开》** | 对比文件中未发现相关描述。 | 对比文件未涉及传感器，更未提及调整传感器采样率。因此，该特征未被公开。 |
| **技术特征T**：其特征在于，还包括：对所述全局群集域执行后处理。<br>**《隐含公开》** | [0030] “It then **uses the learned topology to enhance the performance of the vector quantizer.**”<br>（译文：然后**使用学习到的拓扑来增强向量量化器的性能**。）<br>[0042] 描述了使用学习到的拓扑图来增强对最佳匹配单元（BMU）的搜索。 | 对比文件在完成拓扑学习后，明确描述了利用学习到的拓扑结构来改进（增强）向量量化器的搜索性能（[0030], [0042]）。这种在生成主要结构（量化树/拓扑图）之后，利用该结构进行进一步优化或应用（如更精确的搜索）的步骤，可以理解为一种“后处理”。虽然目标专利的“后处理”可能特指数据挖掘等，但对比文件公开的“利用结果进行增强”在广义上属于后处理范畴，且作用类似（优化或利用群集结果）。因此，本领域技术人员能够从对比文件隐含推断出包含后处理步骤。 |
| **技术特征U**：其特征在于，所述多个处理器和/或线程驻留在一用户装备上。<br>**《未公开》** | [0013] “An exemplary block diagram of a **computer system 1300** in which the present invention may be implemented...”<br>（译文：本发明可以在其中实现的示例性**计算机系统1300**的框图...） | 对比文件将其实施环境描述为一般的“计算机系统”（图13及对应描述），并未限定或提及“用户装备”（UE，通常指手机、移动设备等）。因此，该特征未被对比文件公开。 |
| **技术特征V**：其特征在于，所述多个处理器和/或线程驻留在多个用户装备上。<br>**《未公开》** | 对比文件中未发现相关描述。 | 对比文件未提及多个计算机系统或用户装备之间的分布式协同处理。其多处理器是在单个计算机系统内的（[0013], [0047]）。因此，该特征未被公开。 |
<<<A>>><<<B>>><<<O>>><<<c>>><<<d>>><<<t>>>