**对比文件名称**：2001-09-27_发明申请_US20010025232A1 Hybrid linear-neural network process control
**目标专利名称**：136神经网络中的差分编码CN107077637B
**本次调用的模型名称**：专利创造性评估模型
## 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：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>《未公开》 | 无相关内容。 | 对比文件涉及工业过程控制（如炼油厂、化工厂），其输入变量为过程变量（如流量、温度、浓度等），未提及任何与“图像运动估计”相关的技术，也未公开基于此类估计计算“附加值”并将其用于神经元预测。本领域技术人员无法从对比文件中得出或推断出该技术方案。 |
| **技术特征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》 | 第[0043]-[0044]段：“...计算主要分析器132的输出与目标输出变量115之间的残差或差值...误差校正分析器136的输出137...被提供至加法器138的一个输入...加法器138通过将主要输出133与误差校正模型输出137相加来生成校正后输出139。” | 在对比文件的混合模型中，误差校正分析器（神经网络）被专门训练用于预测和输出“主要分析器（线性模型）的预测输出与实际目标值之间的差值”（即残差）。该差值就是“预测值与实际值之间的差值”。误差校正分析器的输出即为对该差值的“编码”。因此，该特征被对比文件直接公开。 |
| **技术特征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》 | 第[0045]段及图4：“运行时主要分析器130的输出和运行时误差校正分析器131的输出被提供至加法器134。加法器134...生成校正后输出。加法器134的输出作为输入被提供至图2的DCS 124。” | 在对比文件的运行架构中，误差校正分析器将其输出（经编码的差值）提供给加法器。加法器使用该差值与主要分析器的预测值进行组合，以重构最终输出。系统通信路径中传递的是差值而非原始的实际目标值（“实际激活值”）。本领域技术人员可合理推断，在这种误差校正框架下，层间（或处理单元间）通信的是差值信息。因此，该特征被隐含公开。 |
| **技术特征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>《未公开》 | 无相关内容。 | 对比文件公开了计算和使用差值，但未提及对该差值进行任何阈值处理（例如，仅当超过某阈值时才发送或进行量化）。该特征未被公开。 |
| **技术特征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>《未公开》 | 无相关内容。 | 同特征D。 |
| **技术特征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>《未公开》 | 无相关内容。 | 对比文件处理连续值，未涉及基于位数的编码值选择机制。 |
| **技术特征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>《直接公开》 | 第[0037]段：“...历史数据...被提供给延迟和变量选择模块112...模块112的输出被提供给混合开发分析器或模型114。” 图3-4显示了分析器接收输入变量。 | 对比文件中的主要分析器和误差校正分析器的预测功能，均基于接收到的输入变量（如操纵变量MV、扰动变量DV）来执行。这是预测模型的基本运作方式。因此，该特征被直接公开。 |
| **技术特征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>《未公开》 | 无相关内容。 | 同特征F，未涉及位宽。 |
| **技术特征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>《未公开》 | 无相关内容。 | 对比文件未描述基于神经网络输出作为触发条件来启动或改变编码过程的机制。 |
| **技术特征J**：其中，所述编码相对于至所述神经网络的输入被延迟。<br>《隐含公开》 | 第[0031]段：“为了将测量值与特定的过程控制步骤正确关联，所收集的数据可能需要被延迟或时移，以考虑制造过程的时序。” 图2中的“延迟和变量选择模块112/120”。 | 对比文件明确指出，为处理过程动态中的时间延迟，输入数据可被延迟（时移）。虽然这主要用于对齐变量，但本领域技术人员可以理解，这种延迟机制可应用于整个数据处理流程，包括误差校正（编码）值的生成或传输时机。因此，可合理推断编码可能相对于原始输入存在延迟。 |
| **技术特征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>《直接公开》 | 图3及第[0043]-[0044]段。误差校正分析器136是一个神经网络，其输出137就是基于该网络内部计算产生的差值编码。 | 在对比文件中，用于编码差值的装置本身就是误差校正神经网络，其输出即编码结果。因此，“编码基于神经网络的输出”这一特征被直接公开。 |
| **技术特征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>《未公开》 | 无相关内容。 | 对比文件未区分确定性或随机性模型，也未讨论基于此区分来存储不同历史（仅输入历史 vs 输入输出历史）的机制。 |
| **技术特征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>《未公开》 | 无相关内容。 | 同特征L。 |
| **技术特征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>《隐含公开》 | 图3-4及系统架构。主要分析器基于输入变量生成预测输出。误差校正分析器预测主要分析器输出的残差。最终输出是两者之和。 | 整个系统的工作流程隐含了基于输入值（可视为预测的基础）来计算最终预测输出（“预测激活值”）。主要分析器（如PLS模型）本质上是对输入数据进行处理以产生预测。本领域技术人员可合理推断该计算过程。 |
| **技术特征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》 | 第[0045]段及图4：“加法器134通过将主要运行时分析器130的输出与运行时误差校正分析器131的输出相加来生成校正后输出。” | 对比文件中的加法器134明确执行了将预测值（主要分析器输出）与经编码的差值（误差校正分析器输出）相组合的操作，以产生更接近实际值的最终输出。这直接对应于通过组合差值与预测值来重构（计算）实际值。 |
| **技术特征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>《隐含公开》 | 第[0048]-[0075]段对偏最小二乘(PLS)模型的描述。PLS是一种线性回归模型，使用输入数据矩阵X（可包含多个变量）通过潜在变量（输入变量的线性组合）来预测输出Y。 | 对比文件的核心预测模型（PLS）本质上是使用输入变量的线性组合进行预测。虽然其实施例未明确针对时间序列，但本领域技术人员在面对时间序列预测时，能够很容易地将历史数据作为扩展的输入向量，并应用该线性组合方法进行预测。因此，该特征被隐含公开。 |
| **技术特征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>《未公开》 | 无相关内容。 | 对比文件中的模型（PLS或神经网络）是静态的，预测基于当前输入和固定参数即时计算，没有引入或维护一个独立的、动态更新的“状态”变量来存储历史并影响预测。 |
| **技术特征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>《未公开》 | 无相关内容。 | 同特征Q，无“状态”及其更新机制。 |
| **技术特征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>《未公开》 | 无相关内容。 | 同特征Q。 |
| **技术特征T**：其中，所述预测至少部分地基于另一神经元的状态。<br>《未公开》 | 无相关内容。 | 对比文件未描述神经元间通过共享状态进行预测的机制。 |
| **技术特征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>《隐含公开》 | 同特征P的分析。PLS模型使用输入数据的线性组合进行预测。 | 对比文件公开的线性预测模型（PLS）为基于历史数据（无论是先前激活值还是输入值）进行线性组合预测提供了直接的技术启示。本领域技术人员可将其应用于时间序列预测场景。 |
| **技术特征V**：其中，所述附加值包括来自另一神经元的反馈信号。<br>《未公开》 | 无相关内容。 | 对比文件的模型是前馈式的，输入是过程变量，未提及在预测中使用来自其他神经元的反馈信号作为“附加值”。 |
<<<B>>><<<G>>><<<K>>><<<O>>><<<c>>><<<j>>><<<n>>><<<p>>><<<u>>>