**对比文件名称：** 1996-05-01_发明公开_CN1121759A 差分编码与解码方法以及相应的电路
**目标专利名称：** 神经网络中的差分编码CN107077637B
**本次调用模型名称：** DeepSeek最新版本模型
**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 |
| **A. 包括：由所述神经网络的第一层的第一神经元基于所述第一神经元的激活历史以及提供给所述第一神经元的附加值来预测所述第一神经元的激活值，所述附加值是至少部分地基于图像运动估计来计算的** <br>**未直接公开或隐含公开** | 未找到对应内容。对比文件涉及通用差分编码及视频应用，但未提及“神经网络”、“神经元”、“激活历史”、“附加值”或基于“图像运动估计”为神经元计算附加值以进行预测的概念。 | 对比文件公开的是通用信号（特别是视频DCT系数）的差分编码方法。其预测器可以是简单的延迟线，或在视频应用中利用相邻块（方阵）的DCT系数进行线性预测（见公式）。虽然视频应用隐含了利用图像帧间或块间相关性（可视为一种广义的“运动”或变化估计）进行预测，但该预测是直接应用于待编码的信号本身（如DCT系数），并非在神经网络架构中，由“神经元”基于其自身的“激活历史”并结合一个专门计算的“附加值”来预测其“激活值”。两者在技术领域、主体（通用信号处理器 vs. 神经网络神经元）和作用机制上均不相同。因此，对比文件既未直接公开也未隐含公开该特征。 |
| **B. 由所述第一神经元至少部分地基于所述神经网络中的所述第一神经元的预测激活值与实际激活值之间的差值来对值进行编码** <br>**《直接公开》** | “差分编码是以求出输入信号和它的预测信号之间的差分代替直接对输入信号编码的一种特殊型式的编码。”；“令：Val为被预测的样本数值；pred为预测数值；算式如下：Δ＝val－pred；” | 对比文件的核心就是差分编码，其定义为计算输入信号（val，对应于目标专利的“实际激活值”）与预测信号（pred，对应于目标专利的“预测激活值”）之间的差值（Δ）。该差值即用于后续处理或传输的编码值。虽然术语不同（输入/预测信号 vs. 激活值），但本领域技术人员能毫无疑义地认识到，在编码的上下文中，这正是“基于预测值与实际值之间的差值来对值进行编码”。作用完全相同：都是通过差分来减少待编码/传输的信息量。因此，该技术特征被对比文件直接公开。 |
| **C. 以及将经编码的值传达给所述神经网络的第二层的第二神经元而不传播所述实际激活值。** <br>**《隐含公开》** | “通常用来减少所传输的信息量的一种方法是求传输信号与它的预测信号之间的差分。”；“从真值中减去这样得到的预测值，并将差分传送出去。” | 对比文件明确教导了为了减少传输的信息量，不是传输原始信号（“实际激活值”），而是传输差分信号（“经编码的值”）。虽然对比文件的传输场景是通信或存储，而目标专利是在神经网络内部层级间通信，但“传达经编码的值而不传播实际值”这一核心操作逻辑是相同的。本领域技术人员能够从对比文件中“传输差分”的教导，合理推断出在需要减少通信量的神经网络内部，也可以采用相同的策略，将差分值（而非原始激活值）传递给下一层级的处理单元（可对应为“第二神经元”）。因此，该技术特征被对比文件隐含公开。 |
| **D. 其中，所传达的经编码值进一步基于所述预测激活值与所述实际激活值之间的取阈差值。** <br>**《直接公开》** | “假定输入信号数值包括在集合(一幅值，……，幅值-1)中……这一信号和它的预测信号之间的差分有一个双倍数的幅值。因此，产生的问题就是如何能将差分信号导入原幅度内。”；“if(Δ＜－range)Δ＝Δ＋2 range； elseif(Δ＞range－1)Δ＝Δ－2range；” | 对比文件明确提出了差分值可能超出原始信号允许范围（“幅值”）的问题，并给出了具体的算法将差分值“导入原幅度内”。该算法通过判断差值Δ是否超出阈值（-range, range-1）来对其进行调整（加或减2*range）。这本质上就是对原始差值进行“取阈”处理，确保最终输出的编码值（调整后的Δ）是基于原始差值并受阈值约束的结果。这与目标专利中“基于取阈差值”进行编码的技术特征作用相同：控制编码值的范围。因此，该技术特征被对比文件直接公开。 |
| **E. 其中，所传达的经编码值进一步基于所述预测激活值与所述实际激活值之间的取阈差值。** <br>**《直接公开》** | 同上（D特征引用）。 | 此特征描述与特征D完全相同。基于相同的理由，对比文件公开了通过阈值处理差值来控制编码值范围的方法。因此，该技术特征也被对比文件直接公开。 |
| **F. 其中，所传达的经编码值是至少部分地基于所述经编码值的位数来选择的。** <br>**《隐含公开》** | “在这一情况下，所估计的值一般都要占用一个大于允许值的比特数，由一种简单的平均饱和量化法把信号再重新导入正确的幅度。” | 对比文件提到，预测值（进而差分值）可能占用超过允许的比特数，并通过“平均饱和量化法”将其调整到正确幅度。这隐含了编码值的表示（包括其值域和精度）受限于预设的位数（比特数）。本领域技术人员可以合理推断，在实现差分编码系统时，需要根据分配给编码值的位数（位宽）来设计或选择相应的处理算法（如对比文件中的幅度控制、饱和量化），以确保编码值能被有效表示。因此，该技术特征被对比文件隐含公开。 |
| **G. 其中，所述预测是至少部分地基于接收到输入来执行的。** <br>**《隐含公开》** | “为要预测输入信号，可以使用任何型式的预测器，在最简单的情形，用前面已经编过码的数值作为预测信号。” | 对比文件指出，在最简单的预测器实现中，使用“前面已经编过码的数值”作为当前信号的预测值。“前面已经编过码的数值”即是先前接收并处理过的输入信号。因此，预测的执行依赖于已接收到的历史输入。本领域技术人员能够理解，预测行为必然基于已获得的数据（即接收到的输入）来进行。因此，该技术特征被对比文件隐含公开。 |
| **H. 进一步包括至少部分地基于所述值的位宽来对所述值进行编码。** <br>**《隐含公开》** | 同特征F引用：“占用一个大于允许值的比特数，由一种简单的平均饱和量化法把信号再重新导入正确的幅度。” | 对比文件所述“允许值的比特数”即对应了编码值的“位宽”。为了解决编码值超出位宽表示范围的问题，采用了“平均饱和量化法”进行调整。这体现了编码过程（具体是后处理调整）基于位宽约束来进行。本领域技术人员可以合理推断，在差分编码系统中，编码方案的设计和实现需要考虑目标位宽。因此，该技术特征被对比文件隐含公开。 |
| **I. 其中，所述编码是至少部分地基于以神经网络输出为基础的触发来执行的。** <br>**未直接公开或隐含公开** | 未找到对应内容。对比文件未提及“神经网络”或基于其输出的任何触发机制。 | 对比文件描述的编码过程是确定性的，基于输入信号和预测算法，不涉及任何来自高级别处理单元（如神经网络分类输出）的反馈或触发来控制编码模式。该特征涉及神经网络系统级的控制逻辑，在对比文件中完全没有相应记载或启示。 |
| **J. 其中，所述编码相对于至所述神经网络的输入被延迟。** <br>**未直接公开或隐含公开** | 未找到对应内容。对比文件未讨论编码相对于输入的延迟。 | 对比文件未提及编码操作在时间上相对于输入信号的延迟。其描述聚焦于差分计算本身，并未涉及引入有意延迟的机制或场景。 |
| **K. 其中，所述编码进一步至少部分地基于所述神经网络的输出。** <br>**未直接公开或隐含公开** | 未找到对应内容。对比文件未提及“神经网络”或其输出。 | 同特征I，该特征依赖于神经网络架构的存在及其输出，而对比文件是完全独立的信号编码方案，未涉及此类概念。 |
| **L. 其中，当输入‑输出关系是确定性的时，所述至少一个先前激活值包括输入历史。** <br>**未直接公开或隐含公开** | 未找到对应内容。对比文件未区分确定性与随机性输入-输出关系，也未在预测的语境下特别定义“激活值”或“输入历史”。其预测基于“前面已经编过码的数值”（即历史信号值）。 | 虽然对比文件的预测器使用历史信号值（可宽泛理解为“输入历史”），但其并未将其与“确定性输入-输出关系”这一条件相关联。目标专利该特征是在神经网络神经元模型的特定上下文（参见说明书第[0128]-[0130]段）中，对状态变量存储内容的限定。对比文件缺乏该特定上下文和条件关联。 |
| **M. 其中，当输入‑输出关系是随机的时，所述至少一个先前激活值包括输入历史和输出历史。** <br>**未直接公开或隐含公开** | 未找到对应内容。对比文件未涉及随机性输入-输出关系，也未提及存储“输出历史”用于预测。 | 同特征L，该特征依赖于神经网络中随机模型（如RBM、DBN）的特定上下文。对比文件未涉及此概念。 |
| **N. 进一步包括至少部分地基于预测输入值来计算所述预测激活值。** <br>**未直接公开或隐含公开** | 未找到对应内容。对比文件中的预测是针对“输入信号”（val）本身，即直接预测“输入值”。它没有区分“预测输入值”和“预测激活值”这两个概念，也没有描述基于前者计算后者。 | 在对比文件中，预测的对象就是待编码的样本值（输入信号）。目标专利该特征引入了“预测输入值”作为计算“预测激活值”的中间步骤，这反映了神经网络中神经元接收加权输入并产生激活的特定过程。对比文件未公开此分步计算关系。 |
| **O. 进一步包括通过将所述经编码值与所述预测输入值相组合来计算实际输入值。** <br>**《直接公开》** | “至于说到差分信号解码，只要对编码算法中所述的那些执行反演运算就足够了。” | 差分编码的标准解码过程即是将接收到的差分信号（经编码值）与预测信号（预测值）相加，以重构原始信号（实际输入值）。虽然对比文件在解码部分表述简略，但本领域技术人员根据差分编码的基本原理，能毫无疑义地得出该解码操作。该操作在对比文件中的作用（重构信号）与在目标专利中的作用（计算神经网络神经元的实际输入）在数学原理上是完全相同的。因此，该技术特征被对比文件直接公开。 |
| **P. 其中，计算所述预测输入值和所述预测激活值包括使用所述神经元的多个先前输入值和多个先前激活值的线性组合。** <br>**《直接公开》** | “PRx0 = K0Cx0pre - K1(Cx1pre + Cx1att) + K2(Cx2pre - Cx2att) - …（公式省略）”；“为要预测输入信号，可以使用任何型式的预测器” | 对比文件在视频编码应用实施例中，明确公开了使用多个先前方阵的DCT系数（Cxypre, Cxyatt）的线性组合（带加权系数Kx）来预测当前方阵的DCT系数（PRx0）。这公开了使用多个先前值进行线性预测的方法。虽然这些值是视频块的变换系数而非神经元的激活值，但作为预测算法的一种具体形式（线性组合），其已被公开。本领域技术人员能够理解，这种线性预测方法可以应用于需要预测的信号，包括在神经网络语境下对输入或激活值的预测。因此，该技术特征被对比文件直接公开。 |
| **Q. 其中，所述神经元的所述预测激活值至少部分地基于所述神经元的状态以及至所述神经元的输入。** <br>**未直接公开或隐含公开** | 未找到对应内容。对比文件没有“神经元的状态”这一概念。其预测器可能具有内部状态（如记忆的历史值），但并未将其抽象或描述为“神经元的状态”。 | 目标专利该特征明确限定了预测基于“神经元的状态”，这是神经网络模型中特有的概念。对比文件的预测器是独立的信号处理模块，不处于神经网络的神经元架构中，因此未公开此特征。 |
| **R. 其中，所述神经元的状态是基于以下至少一者来更新的：先前状态、输入值、输出值、预测激活值、以及定向激活值。** <br>**未直接公开或隐含公开** | 未找到对应内容。对比文件没有描述“神经元的状态”及其更新机制。 | 该特征完全依赖于目标专利的神经网络神经元模型。对比文件中不存在对应的概念或方法。 |
| **S. 其中，所述神经元的状态包括以下至少一者：输入历史、输出历史、预测激活值历史、以及定向激活值历史。** <br>**未直接公开或隐含公开** | 未找到对应内容。对比文件没有“神经元的状态”这一概念，虽然其预测器可能存储历史值，但并非在“神经元状态”的语境下定义。 | 同特征R，该特征与目标专利的特定神经网络模型紧密相关，对比文件未涉及。 |
| **T. 其中，所述预测至少部分地基于另一神经元的状态。** <br>**未直接公开或隐含公开** | 未找到对应内容。对比文件未提及基于另一处理单元或“神经元”的状态进行预测。 | 对比文件中的预测基于同一信号流的历史值或相关信号（如相邻视频块系数），并非基于另一独立实体（如神经元）的内部状态。该特征体现了神经网络中神经元间的状态依赖关系，未被对比文件公开。 |
| **U. 其中，所述预测激活值至少部分地基于多个先前实际激活值的线性组合或先前输入值的线性组合。** <br>**《直接公开》** | 同特征P引用。 | 对比文件公开的预测公式是多个先前系数值的线性组合。这些系数值在编码端是“实际”的已知值，对应于目标专利中的“先前实际激活值”或“先前输入值”。因此，该技术特征被对比文件直接公开。 |
| **V. 其中，所述附加值包括来自另一神经元的反馈信号。** <br>**未直接公开或隐含公开** | 未找到对应内容。对比文件未提及在预测中使用来自其他处理单元的“反馈信号”作为附加值。 | 对比文件的预测是前向的，基于过去或相邻的数据。未涉及利用后续层级或其它并行处理单元的反馈信号来调整预测。该特征涉及神经网络中可能存在的反馈机制，未被对比文件公开。 |
<<<B>>><<<D>>><<<E>>><<<O>>><<<P>>><<<U>>><<<c>>><<<f>>><<<g>>><<<h>>>