对比文件的名称：1998-11-13_None_发明专利_JPH10301981A Color determination supporting system for appearance of building
目标专利的名称：345在多维范围上对包括可分离子系统的系统的评估CN105580031B
本次调用的模型名称：GPT-4
## 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：通过确定所述神经网络的第一群互连神经元的输入与第二群互连神经元的输出之间的单向依赖性来将所述神经网络串行化成所述第一群互连神经元和所述第二群互连神经元，《直接公开》 | 【0042】“各色相決定部１０の内部構成は、図１０に示すように、対応する明度・彩度決定部９で決定された明度Ｖと彩度Ｃ並びにイメージプロフィール（対応する明度・彩度決定部８を介して与えられたり、イメージプロフィール決定部２から直接与えられたりする）の３種類の計３２個の入力データをニューラルネットワークＣに与え、色相を特定するための２つのパラメータ（ＭＡ，ＭＢ）を算出して出力するようになる。”<br>【0038】“第２階層となる明度・彩度決定部９では、１０種類の色相区分に対応して、１０個を並列的に設け、各明度・彩度決定部９に対してそれぞれ第１階層に入力したものと同一のＳＤ尺度評価値をニューラルネットワークＢに入力し、各明度・彩度決定部９では、それぞれ自己の色相に属する色彩の中の明度Ｖと彩度Ｃを特定し、次段の対応する色相についての色相決定部１０に対して出力する。” | 对比文件公开了一个三层神经网络系统（图10及对应描述）。第一层“信頼度算出部8”接收输入（SD尺度評価值）并输出各色相的信頼度。第二层“明度・彩度決定部9”接收与第一层相同的输入，并输出明度(V)和彩度(C)给第三层“色相決定部10”。第三层“色相決定部10”接收第二层的输出（V，C）以及原始输入（SD尺度評価值），并最终输出色相(H)。这种结构清晰地体现了层与层之间的单向依赖性：第一层的输出（信頼度）不直接影响第二层的计算（【0038】明确指出信頼度在第二层“反映されずそのままスルーする”），但第二层的输出（V，C）是第三层的必需输入。整个信息流是从第一层（输入层）到第二层，再到第三层（输出层），构成了串行化的层级结构。本领域技术人员能够毫无疑义地确定，对比文件的神经网络被划分成了具有单向依赖关系的多个层级（群），即实现了“串行化”。 |
| **技术特征B**：所述单向依赖性是基于所述第一群互连神经元的输入不同于所述第二群互连神经元的输出来确定的，《直接公开》 | 【0036】“信頼度算出部８…入力データ（ＳＤ尺度評価値）に適した色彩が各色相区分に属する可能性の指標を示す適合度・信頼度を算出し、出力する。”<br>【0038】“各明度・彩度決定部９では、…自己の色相に属する色彩の中の明度Ｖと彩度Ｃを特定し、…出力する。” | 对比文件中，作为第一群示例的“信頼度算出部8”（第一层）的输入是“SD尺度評価值”（图像特征向量），其输出是各“色相区分”的“信頼度”（概率或置信度向量）。作为第二群示例的“明度・彩度決定部9”（第二层）的输入同样是“SD尺度評価值”，但其输出是针对特定色相的“明度V”和“彩度C”（具体的颜色属性值）。两者的输出在数据形式和所代表的物理意义上均截然不同（信頼度 vs. 明度/彩度）。这种输入相同但输出功能不同的架构，本身就是确定单向依赖关系的基础：因为第二层需要完成与第一层不同的计算任务（从特征估计具体参数），且其输出被后续层（第三层）所依赖。因此，该技术特征被直接公开。 |
| **技术特征C**：基于所述第一群互连神经元的第一输入参数是否影响所述第一群互连神经元来修剪所述第一输入参数，《隐含公开》 | 【0036】“信頼度算出部８…入力データ（ＳＤ尺度評価値）…信頼度を算出し、出力する。”<br>【0005】“入力情報としては、ＳＤ法（ｓｅｍａｎｔｉｃ ｄｉｆｆｅｒｅｎｔｉａｌ ｍｅｔｈｏｄ）による１６組の形容詞対（ＳＤ尺度評価値）を用いた。” | 对比文件公开了神经网络的输入是“SD尺度評価值”，即一组形容詞对的评分（参见【0005】）。对于“信頼度算出部8”（可作为第一群互连神经元的示例），其功能是根据全部的输入“SD尺度評価值”来计算各色相的信頼度。虽然对比文件没有明确描述“修剪”这一动作，但本领域技术人员可以理解，在构建和训练这样一个具有特定功能的神经网络（信頼度计算）时，必然需要确定哪些输入参数（即哪些形容詞对的评分）是有效的、对输出（信頼度）有影响的。无效或影响微小的输入参数在模型训练和优化过程中自然会被弱化或忽略，这实质上隐含了“基于输入参数是否影响该群神经元来修剪输入参数”的思想。因为若不进行此种筛选或权重调整，模型精度将难以保证。因此，该技术特征被隐含公开。 |
| **技术特征D**：基于所述第二群互连神经元的第二输入参数是否影响所述第二群互连神经元来修剪所述第二输入参数，《隐含公开》 | 【0038】“各明度・彩度決定部９に対してそれぞれ第１階層に入力したものと同一のＳＤ尺度評価値をニューラルネットワークＢに入力し、各明度・彩度決定部９では、それぞれ自己の色相に属する色彩の中の明度Ｖと彩度Ｃを特定し、出力する。” | 对比文件中，“明度・彩度決定部9”（可作为第二群互连神经元的示例）同样接收全部的“SD尺度評価值”作为输入，并为特定的色相输出明度和彩度。与特征C的推理类似，本领域技术人员可以合理推断，为了使每个针对特定色相的“明度・彩度決定部9”能准确预测该色相下的明度和彩度，在神经网络的设计和训练过程中，必然会对输入参数（即全部的SD尺度評価值）进行选择或赋予不同的权重，以保留对该特定色相预测有效的参数，排除无效或干扰参数。这个过程在逻辑上隐含了“基于输入参数是否影响该第二群神经元来修剪输入参数”的步骤。因此，该技术特征被隐含公开。 |
| **技术特征E**：其特征在于，所述串行化和/或所述修剪至少部分地取决于存储器存储要求、存储器访问时间和/或计算时间。《未公开》 | （无相关内容） | 对比文件全文专注于通过神经网络结构改进来提升色彩预测的精度和功能（如分组学习提高精度、使用色相参数MA,MB避免边界问题等）。没有任何段落提及在决定神经网络串行化结构（即分层）或进行任何可能的参数修剪时，需要考虑“存储器存储要求”、“存储器访问时间”或“计算时间”这些与硬件性能、存储优化相关的工程实现因素。对比文件解决的是算法功能性问题，而非目标专利所针对的、旨在优化参数扫掠执行效率的系统性能问题。因此，该技术特征既未被直接公开，也未被隐含公开。 |
| **技术特征F**：其特征在于，进一步包括基于以下各项来定义所述第一群互连神经元和所述第二群互连神经元：所述神经网络的连通性和/或监视所述参数扫掠的活跃性水平。《隐含公开》 | 【0036】“色相区分は、「ＲＰ，Ｒ，ＹＲ，Ｙ，ＧＹ，Ｇ，ＢＧ，Ｂ，ＰＢ，Ｐ」の１０種類に分類でき…ニューラルネットワークＡを用い、入力データ（ＳＤ尺度評価値）に適した色彩が各色相区分に属する可能性の指標を示す適合度・信頼度を算出し、出力する。”<br>【0038】“第２階層となる明度・彩度決定部９では、１０種類の色相区分に対応して、１０個を並列的に設け…” | 对比文件明确描述了其神经网络子系统的划分依据是“色相区分”（Hue categories）。第一层（信頼度算出部）负责评估输入对所有色相的信頼度，第二层由10个并行的“明度・彩度決定部”组成，每个专门负责一个色相区分。这种划分本质上就是基于“神经网络的连通性”来定义的：系统根据色彩空间的内在结构（色相），预先定义了不同的处理路径（信道），每个路径（子系统）处理特定类型的数据。这等同于基于功能模块的连通关系来定义不同的神经元群。虽然对比文件未提及“监视参数扫掠的活跃性水平”，但“基于神经网络的连通性”来定义子系统这一方式已被公开。因此，该技术特征被部分隐含公开。 |
| **技术特征G**：其特征在于，进一步包括：对于所述扫掠的每一步骤，存储所述第一群互连神经元的输出和所述第二群互连神经元的所述输出。《未公开》 | （无相关内容） | 对比文件描述了系统接收一组输入（SD尺度評価值）后，经过各层处理，最终输出色彩候補及信頼度的过程（参见【0045】、【0046】）。这是一个单次的前向传播计算和结果输出过程。全文没有任何地方提及“参数扫掠”（即系统地改变输入参数进行多次评估）的概念，更没有描述在这样一个假设的扫掠过程中，需要“对于扫掠的每一步骤”去存储中间层（如第一层、第二层）的输出。对比文件的功能是单次预测，而非目标专利中针对参数空间进行探索性评估。因此，该技术特征未被公开。 |
| **技术特征H**：其特征在于，进一步包括评估所述神经网络的输出以确定期望的参数值集。《隐含公开》 | 【0045】“出力制御部１１では、色彩候補算出部７から与えられた色彩候補データに基づいて、所定の表示型式に従って表示装置５に出力する。…信頼度の高いものから順に上位５つまでを表示するようになっている。”<br>【0048】“建物外壁の色彩を決定した場合に、その色彩のもつイメージがどのようになっているかを予測し、それを表示することにより、設計者が自分の想定したイメージ通り或いはそれに近いものとなっているか否かを検証し、最終的に色彩を決定する際の資料として用いるものである。” | 对比文件系统的最终目的是为用户提供色彩建议以辅助决策。系统输出的是带有信頼度的多个色彩候補（【0045】）。用户（设计者）需要查看这些输出，并基于信頼度高低、个人偏好等准则，从中选择或确定最终要使用的色彩参数值（H, V, C）。【0048】更明确指出了用户会对输出进行“検証”（验证），并作为“最終的に色彩を決定する際の資料”（最终决定色彩时的资料）。这个过程隐含了“评估神经网络的输出以确定期望的参数值集”这一步骤。系统提供候选，用户进行评估和决策，从而确定期望的最终参数集合。因此，该技术特征被隐含公开。 |
<<<A>>><<<B>>><<<c>>><<<d>>><<<f>>><<<h>>>