非显而易见性评估仅供参考，不构成法律建议。
权利要求列表点击可跳转
对比文件列表
| 编号 | 名称 |
|---|---|
| 0 | 1984-07-24_CA1171322A_发明专利_CA1171322A BRAZE REPAIR METHOD.docx |
| 0 | 2010-05-18_US7720779B_发明授权_US07720779B1 Extensible bayesian network editor with inferencing capabilities_+++K_S_a_b_c_i_o+++.docx |
| 0 | 2012-12-06_US2012308136A_发明申请_US20120308136A1 APPARATUS AND METHODS FOR PULSE-CODE INVARIANT OBJECT RECOGNITION_+++A_C_L_M_O_P_Q_S_b_h_t+++.docx |
| 0 | 2013-03-21_US2013073499A_发明申请_US20130073499A1 APPARATUS AND METHOD FOR PARTIAL EVALUATION OF SYNAPTIC UPDATES BASED ON SYSTEM EVENTS_+++L_M_O_P_c_q+++.docx |
| 0 | 2013-04-25_US2013103626A_发明申请_US20130103626A1 METHOD AND APPARATUS FOR NEURAL LEARNING OF NATURAL MULTI-SPIKE TRAINS IN SPIKING NEURAL NETWORKS_+++C_L_Q_b_m_o_p+++.docx |
| 0 | 2013-08-08_US2013204814A_发明申请_US20130204814A1 METHODS AND APPARATUS FOR SPIKING NEURAL COMPUTATION_+++B_C_L_P_Q_S_T_a_d_e_f_g_h_i_j_m_o_r_u_v+++.docx |
| 0 | 2013-08-08_US2013204819A_发明申请_US20130204819A1 METHODS AND APPARATUS FOR SPIKING NEURAL COMPUTATION_+++C_H_I_L_O_P_Q_U_b_e_f_g_s+++.docx |
| 0 | 2013-08-08_US2013204820A_发明申请_US20130204820A1 METHODS AND APPARATUS FOR SPIKING NEURAL COMPUTATION_+++B_C_E_F_L_O_P_Q_a_b_h_i_m_s_u+++.docx |
| 0 | 2013-11-14_US2013304681A_发明申请_US20130304681A1 METHOD AND APPARATUS FOR STRATEGIC SYNAPTIC FAILURE AND LEARNING IN SPIKING NEURAL NETWORKS_+++C_L_M_q+++.docx |
| 0 | 2013-12-05_US2013325768A_发明申请_US20130325768A1 STOCHASTIC SPIKING NETWORK LEARNING APPARATUS AND METHODS_+++B_C_L_M_N_O_P_Q_S_h+++.docx |
| 0 | 2013-12-05_US2013325776A_发明申请_US20130325776A1 APPARATUS AND METHODS FOR REINFORCEMENT LEARNING IN ARTIFICIAL NEURAL NETWORKS_+++B_C_H_L_M_O_P_Q_S_a_d_i_n+++.docx |
| 0 | JP2017509978A_Description_20260309_2135_+++A_B_C_D_E_F_G_H_I_K_L_M_N_O_P_Q_R_S_T_U_V_j+++.docx |
权利要求1
一种计算机实现的用于在计算网络中执行基于事件的贝叶斯推断的方法，包括：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； 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； 至少部分地基于所述中间值来确定节点状态；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； 其中所述方法进一步包括： 供应所述输出事件作为反馈以提供附加的输入事件； 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；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。
这份权利要求1涉及一种利用脉冲神经网络（SNN）或神经形态硬件进行贝叶斯推断的方法，其核心在于将基于事件的视觉输入（如AER相机数据）、随机点过程（Stochastic point process）以及隐马尔可夫模型（HMM）的反馈机制（计算隐藏节点状态）结合在了一起。
以下是紧密结合目标专利说明书与各对比文件原文的详细侵权/创造性特征比对分析。
注：您提供的文本中未包含对比文件D10（US20130325776A1）的详细原文，以下分析基于完整提供的D1-D9展开。
一、 对比文件特征比对与原文出处
在给定的对比文件中，D2（US20120308136A1） 和 D9（US2013325768A1） 与本专利权利要求的相关度最高，分别在“视觉对象位置识别”与“随机脉冲网络概率计算”两个维度上实质公开了权利要求的部分特征。D3-D8主要涉及基础的脉冲神经网络（SNN）权重调整（STDP规则）或突触延迟，为背景技术。
以下是特征A-G的比对表格及详细出处：
| 技术特征 | D2 (US20120308136A1) 披露情况 | D9 (US2013325768A1) 披露情况 | 其他对比文件 (D1, D3-D8) |
| A: 接收输入事件，经由相机提供的输入流 |
实质公开。 明确提到了来自相机的视觉帧/脉冲输入。 原文 |
实质公开。 提到了包含像素阵列的输入信号。 原文 |
未公开基于相机的事件流。 |
| B: 应用偏置权重或连接权重以获得中间值 |
实质公开。 提到了应用突触权重。 原文 |
实质公开。 提到了输入通道的权重。 原文 |
D3, D4, D8均公开了突触权重(Synaptic weight)的概念。 |
| C: 基于中间值确定节点状态 |
实质公开。 提到了检测器节点基于输入脉冲转换状态。 原文 |
实质公开。 明确定义了神经元的状态变量（如膜电压）。 原文 |
均公开了神经元状态/膜电位(Membrane potential)。 |
| D: 基于节点状态计算表示后验概率的输出事件率以生成输出事件(随机点过程)，输出事件是对象的具体位置 | 部分公开。 D2公开了基于节点输出识别对象的具体位置/不变性（如 [0083] "invariant image encoding with respect to object position"），但未公开使用“随机点过程”及“后验概率”。 |
实质公开（概率部分）。 D9极详尽地公开了随机脉冲神经元的瞬时概率密度与点过程。 原文 |
x)"；[0025]："exponential stochastic threshold..."。但未明确输出事件是“对象的具体位置”。 |
| E: 供应输出事件作为反馈提供附加输入 | 未明确公开。 D2主要为前馈结构（多层检测器）。 |
实质公开。 提及了自适应系统中的输出反馈。 原文 |
未明确公开权利要求所述的循环反馈结构。 |
| F: 将第二组权重应用于附加输入获得第二组中间值 | 未明确公开。 | 未明确公开。 虽涉及突触权重更新，但未明确对应隐马尔可夫模型的第二组反馈权重。 | 未公开。 |
| G: 基于节点状态和第二组中间值计算隐藏节点状态 | 未公开。 | 未明确公开。 D9有内部状态(internal state)的描述，但未明确公开利用输出反馈计算“隐藏节点状态”(Hidden node state)。 | D1公开了隐藏变量(Hidden Markov相关)，但脱离了SNN硬件基础。 |
二、 最接近的对比文件（CPA）分析
在创造性分析中，确定最接近的对比文件（CPA）需要看哪个文件与目标专利解决的整体技术问题和达到的技术效果最匹配。针对本案，存在两个合理的CPA切入点：
1. 适合作为 CPA 选项一：D9 (US2013325768A1)
-
整体解决的技术问题： D9致力于解决在随机脉冲神经元系统（Stochastic spiking neuron systems）中如何实现基于概率的推理和学习。
-
技术效果： 通过条件概率密度函数（类似于点过程）来生成脉冲，控制神经元状态。
-
入选理由： 权利要求1的核心算法架构是“根据随机点过程来生成输出事件，并计算后验概率”。D9是所有对比文件中唯一在SNN底层逻辑上深度探讨“随机概率阈值（Stochastic threshold）”和“概率密度”的文件。以D9为CPA，可以论证权利要求1中关于“随机点过程”和“概率”的特征D已被实质公开。
2. 适合作为 CPA 选项二：D2 (US20120308136A1)
-
整体解决的技术问题： D2致力于解决如何利用脉冲编码系统处理相机视觉信号，并识别对象（Object recognition）的空间属性（位置、大小等）。
-
技术效果： 能够直接接收CCD/CMOS相机的输入帧，将其编码为事件脉冲，并在特定节点输出对象的具体位置。
-
入选理由： 权利要求1在应用层的限定是“输入流经由相机提供”且“输出事件是空间中对象的具体位置”。D2完美契合了这一物理应用场景。
策略建议： 在实务答复中，D9 (US2013325768A1) 更适合作为首选的CPA。因为本专利的本质是对SNN底层计算模型（贝叶斯/隐马尔可夫模型）的改进，D9的底层数学模型（概率驱动的脉冲网络）与本专利最接近。D2更适合作为结合对比文件，用于论证“将该网络用于相机图像的位置识别属于本领域的常规应用”。
三、 未被公开的特征及其他对比文件分析
即使结合了最接近的对比文件，权利要求1中仍有显著的特征未被现有技术公开，这也是答复审查意见时争取创造性的核心壁垒：
未被公开的核心特征：特征E、F、G的完整组合（隐马尔可夫模型在SNN中的硬件级映射）
-
分析： 权利要求1明确限定了“将输出事件作为反馈供应（特征E）”，“应用第二组连接权重（特征F）”，从而“计算至少一个隐藏节点状态（特征G）”。结合目标专利说明书（如HMM隐马尔科夫模型部分），这是在利用脉冲网络的反馈连接（回流连接）来推断先前的隐藏状态。
-
其他对比文件的表现：
-
D1 (US7720779B1) 提到了贝叶斯网络和隐变量，但它完全是一个纯软件层面的编辑器架构（Classical Bayesian network），没有结合脉冲事件（Spikes/Events）、中间值累加、节点状态等硬件级SNN执行步骤。
-
D3-D8 集中探讨了前馈网络中的STDP学习规则、突触延迟、资源消耗等，但均未教导如何利用脉冲输出作为反馈，结合两组分离的权重（前馈与反馈）来推算概率模型中的“隐藏节点状态”。
-
结论： 没有任何单一对比文件或显而易见的对比文件组合能够完整教导在随机脉冲网络架构中引入隐马尔可夫（HMM）反馈闭环以推算隐藏节点状态这一技术方案。权利要求1具备较强的创造性答辩空间。
需要我为您起草一份针对这些对比文件的正式《审查意见通知书》答复逻辑，或对未提供的D10进行补充检索分析吗？
权利要求2
如权利要求1所述的方法，其特征在于，进一步包括对所述输入事件进行滤波以将所述输入事件转换成脉冲。
权利要求3
如权利要求1所述的方法，其特征在于，所述输入事件对应于来自输入分布的样本。
权利要求4
如权利要求1所述的方法，其特征在于，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。
权利要求5
如权利要求1所述的方法，其特征在于，所述节点状态是归一化的。
权利要求6
如权利要求1所述的方法，其特征在于，所述计算节点包括神经元。
权利要求7
如权利要求1所述的方法，其特征在于，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。
权利要求8
如权利要求1所述的方法，其特征在于，所述点过程包括定义所述输出事件率的强度函数。
权利要求9
如权利要求1所述的方法，其特征在于，所述计算是在时间基础上执行的。
权利要求10
如权利要求1所述的方法，其特征在于，所述计算是在事件基础上执行的。
权利要求11
如权利要求1所述的方法，其特征在于，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。
权利要求12
如权利要求1所述的方法，其特征在于，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。
权利要求13
如权利要求12所述的方法，其特征在于，所述输入事件是从至少一个传感器供应的。
权利要求14
如权利要求13所述的方法，其特征在于，所述至少一个传感器是地址事件表示相机。
权利要求15
如权利要求1所述的方法，其特征在于，进一步包括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。
权利要求16
如权利要求1所述的方法，其特征在于，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。
权利要求17
一种用于在计算网络中执行基于事件的贝叶斯推断的装置，包括：存储器；以及 耦合到所述存储器的至少一个处理器，所述至少一个处理器配置成：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； 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； 至少部分地基于所述中间值来确定节点状态；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； 其中所述至少一个处理器被进一步配置成： 供应所述输出事件作为反馈以提供附加的输入事件； 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；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。
权利要求18
如权利要求17所述的装置，其特征在于，所述至少一个处理器被进一步配置成对所述输入事件进行滤波以将所述输入事件转换成脉冲。
权利要求19
如权利要求17所述的装置，其特征在于，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。
权利要求20
如权利要求17所述的装置，其特征在于，所述至少一个处理器被进一步配置成在时间基础上计算所述输出事件率。
权利要求21
如权利要求17所述的装置，其特征在于，所述至少一个处理器被进一步配置成在事件基础上计算所述输出事件率。
权利要求22
如权利要求17所述的装置，其特征在于，所述至少一个处理器被进一步配置成通过对所述中间值进行加总以形成所述节点状态的方式来确定所述节点状态。
权利要求23
如权利要求17所述的装置，其特征在于，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。
权利要求24
如权利要求23所述的装置，其特征在于，进一步包括用于供应所述输入事件的至少一个传感器。
权利要求25
如权利要求17所述的装置，其特征在于，所述至少一个处理器被进一步配置成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。
权利要求26
如权利要求25所述的装置，其特征在于，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。
权利要求27
一种用于在计算网络中执行基于事件的贝叶斯推断的设备，包括：用于在多个计算节点中的每个计算节点处接收输入事件的装置，其中所述输入事件是经由相机提供的输入流； 用于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的装置； 用于至少部分地基于所述中间值来确定节点状态的装置；以及用于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的装置，其中所述输出事件是给定空间中的对象的具体位置； 其中所述设备进一步包括： 用于供应所述输出事件作为反馈以提供附加的输入事件的装置； 用于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的装置；以及用于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的装置。
权利要求28
一种其上编码有用于在计算网络中执行基于事件的贝叶斯推断的程序代码的非瞬态计算机可读介质，所述程序代码包括：用于在多个计算节点中的每个计算节点处接收输入事件的程序代码，其中所述输入事件是经由相机提供的输入流； 用于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的程序代码； 用于至少部分地基于所述中间值来确定节点状态的程序代码；以及用于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的程序代码，其中所述输出事件是给定空间中的对象的具体位置； 其中所述程序代码进一步包括： 用于供应所述输出事件作为反馈以提供附加的输入事件的代码； 用于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的代码；以及用于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的代码。