本次调用的模型名称：gpt-4
对比文件名称：2006-10-05_US2006224533A_发明申请_US20060224533A1 Neural network development and data analysis 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
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，《隐含公开》 | 说明书第[0036]段：“The MLP is a neural network having three or more layers of switches or neurons. Each neuron within any given layer has connections to every neuron within a subsequent layer.”<br>（MLP是一种具有三层或更多层开关或神经元的神经网络。任何给定层中的每个神经元都与后续层中的每个神经元有连接。） | 目标专利中，“串行化”是指识别具有单向依赖性的子系统（例如第一群和第二群互连神经元），形成如输入层、隐藏层等序列（参见说明书图5B、6B及[0108]-[0110]段）。对比文件公开了典型的多层感知器（MLP）架构，包含多个层（如输入层、隐藏层、输出层），且明确指出层间连接是从给定层到“后续层”（subsequent layer），这定义了从前一层到后一层的单向信息流（前馈连接），构成了单向依赖性。因此，对比文件描述的MLP分层结构，本质上就是基于神经元群（层）之间单向依赖性的一种串行化组织方式。本领域技术人员能够从对比文件公开的MLP层结构毫无疑义地推断出神经网络可以被组织成具有单向依赖性的连续群组（层），即隐含公开了通过确定单向依赖性进行串行化的概念。 |
| **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《未公开》 | 未发现相关内容。 | 目标专利说明书（如[0108]段）指出，串行化是递归地进行的，例如第一层（输入层）被定义为“不具有内部输入”且其输出影响第二层。这里强调了通过分析各群神经元的输入和输出来确定依赖方向。对比文件虽然描述了层间的单向连接（特征A），但完全没有提及如何“确定”这种单向依赖性，更没有揭示“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”这一具体判断依据或方法。因此，对比文件既未直接公开也未隐含公开该技术特征。 |
| **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《未公开》 | 未发现相关内容。 | 目标专利中的“修剪”是指移除对特定子系统（如一群互连神经元）的输出没有影响的输入参数，以减少参数扫掠的复杂度（参见说明书[0112]-[0114]段及图6D）。对比文件提及了在“骨架化（skeletonization）”视图中，通过调整权重阈值滑块来仅显示对特定输出影响最大的连接权重（参见说明书[0159]-[0163]段及图5-9）。这只是一种**可视化分析手段**，用于理解网络已学习到的权重重要性，并非在参数评估（扫掠）过程中，基于输入参数对子系统的影响性分析来主动“修剪”（移除）某些输入参数以优化计算过程。两者目的和操作对象不同。因此，对比文件未公开该修剪技术特征。 |
| **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。《未公开》 | 未发现相关内容。 | 理由同技术特征C。对比文件未涉及在参数评估过程中，基于输入参数对特定神经元群（如第二群）的影响性进行修剪的操作。其“骨架化”功能是针对已训练网络权重的显示过滤，而非对输入参数的修剪。 |
| **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》 | 未发现相关内容。 | 目标专利说明书[0125]-[0129]段及图7、图8详细描述了在执行串行化和修剪后，需要评估子系统的计算时间(Te)、存储要求(S)和访问时间(Ta)，并利用优化函数（如方程15）来决定是否缓存子系统输出，这表明其串行化/修剪策略与存储、计算成本紧密相关。对比文件全文未提及在进行网络架构设计、训练或分析时，需要考虑“存储器存储要求、存储器访问时间和/或计算时间”这些因素来决定如何串行化（分层）或进行任何形式的修剪。因此，该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。《未公开》 | 说明书第[0121]段：“The algorithm within the system will independently develop an appropriate network architecture based on the information that is supplied by the user.”<br>（系统内的算法将根据用户提供的信息独立开发合适的网络架构。）<br>说明书第[0122]段：“In another embodiment, the system algorithm will generate a best guess for an appropriate network architecture based on a selected training data file.”<br>（在另一个实施例中，系统算法将基于选定的训练数据文件生成对合适网络架构的最佳猜测。） | 目标专利说明书[0116]-[0117]段指出，除了基于网络连通性定义子系统（串行化/并行化）外，还可以通过监视参数扫掠期间子系统的活跃性水平（例如输出是否相似）来定义。对比文件描述了系统算法可以自动生成或推荐网络架构（层数、每层节点数），这确实基于对训练数据的分析，但并未明确揭示此过程是基于分析“神经网络的连通性”来动态定义互连神经元群，更未提及通过“监视参数扫掠的活跃性水平”来定义。对比文件的架构生成是训练前的预设或基于数据特征的猜测，而非目标专利中在参数评估（扫掠）过程中通过监控动态定义。因此，该特征未被公开。 |
| **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》 | 说明书第[0097]段：“<DFile>—A child of Data, this specifies the filename of the summary. This file will be written when training stops and will contain a short summary of the network architecture and the number of epochs and amount of error when training stopped.”<br>（<DFile>—Data的子标签，指定摘要的文件名。该文件将在训练停止时写入，并包含网络架构的简短摘要以及训练停止时的周期数和误差量。）<br>说明书第[0099]段：“<RMSFile>—A child of Data, this specifies the filename of the RMS error log. This file will be written during training and will contain one line of text representing the error of the network.”<br>（<RMSFile>—Data的子标签，指定RMS错误日志的文件名。该文件将在训练期间写入，并包含一行代表网络错误的文本。） | 目标专利说明书[0118]段指出，在参数扫掠的每一步之后，存储每个子系统的输出，以便后续分析。对比文件提到了在训练过程中或训练结束时保存权重文件（.wts）、误差日志（RMSFile）和训练摘要（DFile）。这些存储的内容是网络的最终权重、训练误差或架构摘要，而非目标专利所要求的在“参数扫掠”过程中，针对“每一步骤”存储“每个子系统的输出”。两者存储的目的、内容和时机均不相同。因此，对比文件未公开该特征。 |
| **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。《未公开》 | 说明书第[0078]段：“<TargRMS>—This specifies the target RMS for the network to train down to. Once the error from the network drops below this RMS, training will stop...”<br>（<TargRMS>—指定网络训练要达到的目标RMS。一旦网络误差低于此RMS，训练将停止...）<br>说明书第[0156]段：“During or after training, the user can test the network by manually adjusting the inputs for the network in the Manual view, which is shown in FIG. 4. By adjusting each slider that represents an input to the network, you can see how it affects the outputs of the network.”<br>（在训练期间或之后，用户可以通过在手动视图（如图4所示）中手动调整网络的输入来测试网络。通过调整代表网络输入的每个滑块，您可以看到它如何影响网络的输出。） | 目标专利的“评估输出以确定期望的参数值集”是其整个方法的核心目的，即通过参数扫掠（尝试不同的参数组合）并评估网络在这些参数下的输出性能，从而找到一组最优或期望的参数值（参见说明书[0098]-[0101]段）。对比文件描述了：（1）训练网络以达到目标误差（TargRMS），这是训练过程的停止准则，而非通过评估输出来选择参数值；（2）在手动视图中调整输入并观察输出变化，这是一种交互式敏感性分析或网络行为探索，并非系统性的参数扫掠和基于输出评估来“确定期望的参数值集”的过程。对比文件未公开系统性参数扫掠及基于输出评估选择参数集的技术特征。 |
<<<a>>>