对比文件名称：2009-03-10_US7502763B_发明授权_US07502763B2 Artificial neural network design and evaluation tool
目标专利名称：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：未提供
### 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 |
| **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，<br>**未公开** | 对比文件描述了配置前馈网络：“第一层是指一群互连神经元，这群互连神经元不具有内部输入并且伸展到另一群互连神经元...第二串行化层是从第一串行化层接收输入的一群互连神经元。”（说明书第[0089]段） | **论述**：目标专利的技术特征A核心在于“通过确定...单向依赖性来将神经网络串行化”。根据目标专利说明书[0102]-[0104]、[0130]段，这是指分析神经网络的结构，自动识别出具有单向依赖关系（如前馈连接）的子系统（或层），从而实现串行化，旨在分解网络以优化参数评估。对比文件（说明书第[0089]段）虽然提到了“第一层”和“第二层”，并描述了层间的前馈连接关系，但这部分内容是对目标专利串行化概念的描述，而非对比文件自身公开的内容。对比文件实际公开的是用户通过图形界面（如网络拓扑面板168）手动配置网络层和连接（参见[0080]-[0081]段），并未公开任何自动分析网络结构以“确定单向依赖性”并据此进行“串行化”的方法或过程。对比文件的作用是提供用户友好的网络拓扑编辑工具，而非自动进行网络依赖关系分析和模块化分解。二者作用不同。因此，本领域技术人员不能从对比文件毫无疑义地得出或合理推断出技术特征A的方案。 |
| **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<br>**未公开** | 未找到相关描述。 | **论述**：技术特征B进一步限定了确定单向依赖性的具体依据，即基于第一群神经元（如前一层）的输入与第二群神经元（如后一层）的输出不同。目标专利说明书[0102]-[0103]段隐含了这种思想，即子系统因其功能（输入/输出角色）不同而形成依赖。对比文件全文专注于提供图形化配置、训练和评估神经网络的工具，并未涉及任何基于比较不同神经元群的输入和输出来分析或确定它们之间依赖关系的技术内容。因此，该技术特征既未被直接公开，也无法从对比文件公开的内容中合理推断出来。 |
| **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<br>**未公开** | 对比文件提到了对模式数据集进行敏感性分析：“该模式数据模块可包括模式数据分析例程，其识别第一模式数据集或第二模式数据集中不必要的变量。”（说明书第[0016]段，译文）<br>“这样的敏感性分析可用于识别模式数据集中由于一个变量与另一个变量相似而不必要的任何变量。”（说明书第[0123]段，译文） | **论述**：技术特征C涉及“修剪”输入参数，其核心在于根据参数对特定子系统（第一群互连神经元）的影响性来决定是否移除该参数。目标专利说明书[0106]-[0108]、[0130]段说明，修剪是为了减少每个子系统需要评估的参数数量，从而提高整体评估效率。对比文件公开的“敏感性分析”（说明书[0016]、[0123]段）用于识别模式数据集中冗余或不必要的输入变量，其目的是简化训练数据集，提高训练效率或模型泛化能力，而非在子系统级别上为了优化参数扫掠（评估）而修剪输入参数。两者的目的、应用场景和技术效果均不相同。因此，对比文件未公开基于参数对特定子系统的影响性进行“修剪”的技术特征。 |
| **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。<br>**未公开** | （同技术特征C引用） | **论述**：与技术特征C同理，技术特征D针对第二群互连神经元进行参数修剪。对比文件公开的敏感性分析是针对整个网络的输入数据集进行冗余变量识别，并非针对网络中特定的、已定义的子系统（如第二群神经元），也非用于参数扫掠优化中的参数修剪。因此，该技术特征未被对比文件公开。 |
| **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。<br>**未公开** | 未找到相关描述。 | **论述**：技术特征E限定了串行化和修剪操作的决策依据包括存储要求、访问时间和计算时间等系统资源因素。目标专利说明书[0110]-[0111]段通过优化函数（方程15）明确体现了这一点，旨在权衡计算与存储以优化性能。对比文件作为神经网络设计和评估工具，虽然涉及网络训练和评估（这本身消耗计算和存储资源），但其说明书全文未提及在决定如何组织网络结构（串行化）或简化输入（修剪）时，需要考虑或优化这些具体的资源指标（存储器存储要求、存储器访问时间、计算时间）。因此，该技术特征未被对比文件公开。 |
| **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。<br>**未公开** | 对比文件描述了通过图形界面配置网络连通性：“网络拓扑面板168通常为用户提供图形化配置网络拓扑的接口...用户然后可以使用鼠标指针通过单击一个神经元并将鼠标指针拖向另一个神经元来连接神经元。”（说明书第[0081]段，译文） | **论述**：技术特征F提供了定义子系统（神经元群）的两种方式：基于网络连通性，或基于监视参数扫掠的活跃性水平。目标专利说明书[0117]-[0118]段对此进行了说明。对比文件公开了用户通过图形化界面手动配置神经元之间的连接（即定义连通性），但这是一种设计时的人工操作，而非目标专利所涉及的、为优化参数评估而自动“基于连通性来定义子系统”的过程。此外，对比文件完全没有提及“监视参数扫掠的活跃性水平”这一概念。因此，该技术特征未被对比文件公开。 |
| **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。<br>**未公开** | 对比文件提到了在训练过程中保存网络状态：“暂停训练也可能提供保存或记录网络当前配置（或版本）的机会...”（说明书第[0107]段，译文） | **论述**：技术特征G要求在参数扫掠的每一步都存储各子系统的输出。目标专利说明书[0118]段指出，存储输出是为了便于后续根据组合网络的输出定义函数进行分析。对比文件提到在训练过程中可以暂停并保存网络配置（权重、偏置等），其目的是为了教学观察、检查收敛性或用于后续的网络平均（参见[0107]、[0141]段），这与在系统性的参数扫掠过程中每一步都存储特定子系统输出的目的和上下文不同。因此，该技术特征未被对比文件公开。 |
| **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。<br>**隐含公开** | 对比文件描述了性能评估：“性能评估模块110...可包括用于通过网络评估模块经由混淆矩阵分析和接收器操作特性（ROC）分析来支持网络评估的多个显示接口...”（说明书第[0068]段，译文）<br>“一旦配置，支持向量机可供用户与通过其他网络配置模块102之一设计的人工神经网络进行性能比较。”（说明书第[0068]段，译文）<br>“网络评估模块然后提供第三显示接口以基于人工神经网络的测试生成性能度量。”（说明书第[0023]段，译文） | **论述**：技术特征H要求评估神经网络的输出以确定期望的参数值集。目标专利的总体目的就是通过改进参数搜索来发展和测试神经网络，评估输出是参数搜索过程的一部分，旨在找到性能良好的参数组合。对比文件详细描述了其工具包含网络评估模块（性能评估模块110），该模块提供例如ROC分析、混淆矩阵分析等功能，以生成神经网络性能度量（参见[0023]、[0068]、[0128]段）。虽然对比文件没有明确将“评估输出”与“确定期望的参数值集”直接关联表述，但本领域技术人员可以理解，对神经网络性能的评估（通过测试其输出）是神经网络设计、训练和调参过程中的一个核心步骤，其自然目的就是为了识别出使网络性能达到期望水平的配置或参数集。因此，从对比文件公开的“基于测试生成性能度量”这一内容，本领域技术人员能够合理推断出“评估神经网络输出以确定期望参数值”这一技术方案。该特征被对比文件隐含公开。 |
<<<h>>>