对比文件名称：2002-10-15_US6466614B_发明授权_US06466614B1 Method and apparatus for classifying a baseband signal
目标专利名称：711通信系统中的端到端学习CN111566673B
本次调用的模型名称：Gemini-3-Pro
### 特征比对表格
| 技术特征描述及公开性判断 | 对比文件原文引用 | 公开性论述 |
| **技术特征A：** <br>包括：<br>将多个发射器神经网络和多个接收器神经网络组织成多个发射器接收器神经网络对<br><br>**判断结果：未公开** | 对比文件US6466614B1公开了一种使用神经网络对基带信号进行分类的方法和装置。其核心在于接收端使用聚类算法和神经网络（作为非线映射器）对接收到的调制信号（如2/4级FSK）进行分类，以确定信号类型、质量、调制级数和符号率。对比文件全文涉及的是接收机侧的信号处理，完全没有提及“发射器神经网络”，更没有将发射器神经网络与接收器神经网络组织成“发射器接收器神经网络对”的任何内容。因此，对比文件未公开本技术特征。 | |
| **技术特征B：** <br>其中发射器接收器神经网络对针对多载波传输系统的多个子载波频带中的每个子载波频带而被定义<br><br>**判断结果：未公开** | 目标专利的技术方案涉及多载波传输系统（如OFDM），其核心是将帧划分为传输块，并针对不同的子载波频带定义不同的神经网络对。对比文件US6466614B1处理的信号是单载波的FSK调制信号，其分类算法基于信号的相位和电平进行聚类。对比文件中完全没有“多载波传输系统”、“子载波频带”的概念或相关描述。本领域技术人员无法从对比文件中得出针对每个子载波频带定义神经网络对的技术方案。 | |
| **技术特征C：** <br>将所述多载波传输系统的多个符号布置成多个传输块<br><br>**判断结果：未公开** | 对比文件US6466614B1涉及对接收到的基带信号样本进行处理，提到了“输入符号（input symbols）”和“符号数（Nsymbols）”等概念。然而，它并未公开将多载波传输系统的符号“布置成多个传输块”的操作。目标专利中，“传输块”是帧内的一组子载波符号坐标的集合，用于映射到不同的神经网络对。对比文件中不存在这种帧结构或传输块划分。 | |
| **技术特征D：** <br>将所述传输块中的每个传输块映射到所述发射器接收器神经网络对中的一个发射器接收器神经网络对<br><br>**判断结果：未公开** | 对比文件US6466614B1中，接收信号被送入一个聚类信号分类器，该分类器包含MSOM聚类、自适应k均值聚类和一个作为非线映射器的神经网络。但是，对比文件并未公开任何将“传输块”映射到不同的“发射器接收器神经网络对”的过程。其神经网络（非线映射器900）是一个固定的、用于计算标准差的模块，而不是多个可选择的神经网络对。 | |
| **技术特征E：** <br>使用所映射的所述发射器接收器神经网络对来传输每个符号<br><br>**判断结果：未公开** | 对比文件US6466614B1是一种信号分类装置，其功能是分析已经接收到的基带信号，而不是主动“传输”符号。它没有发射器结构，也没有使用神经网络对来执行符号传输的动作。因此，该技术特征完全未被公开。 | |
| **技术特征F：** <br>针对每个发射器接收器神经网络对，使用损失函数来训练发射神经网络和接收神经网络的至少一些权重。<br><br>**判断结果：《隐含公开》** | 1. “...The weights of the non-linear mapper are determined using a conjugate gradient algorithm to minimize the mean square error between the actual and desired non-linear mapper output.” (神经网络非线映射器部分)<br>2. “The neural network implements the following equation: &sgr;est—nn = w(0) + w(1)·X(1) + w(2)·X(2) + w(3)·X(1)2 + w(4)·X(2)2 + w(5)·X(1)·X(2)” (图9说明部分) | 对比文件公开了使用神经网络（非线映射器900），并明确指出其权重（w(0)到w(5)）是通过“共轭梯度算法（conjugate gradient algorithm）”进行训练的，训练目标是最小化“实际输出与期望输出之间的均方误差（minimize the mean square error between the actual and desired ... output）”。这里，“均方误差”就是一种典型的“损失函数”，而调整权重的过程就是“训练”。虽然对比文件的应用是信号分类而非端到端通信传输，且未提及“发射器接收器对”，但它隐含公开了在包含神经网络的系统中，使用损失函数（均方误差）来训练神经网络权重的通用技术手段。本领域技术人员有可能从该对比文件的训练过程中得到启示，将其应用于其他包含神经网络的通信系统组件中。因此，本技术特征被隐含公开。 |
| **技术特征G：** <br>还包括映射在所述多个接收器神经网络处接收的每个符号，以生成对传输的所述符号的估计。<br><br>**判断结果：《隐含公开》** | 1. “The clustering signal classifier algorithm uses concepts from neural networks to classify the signal.” (具体实施方式部分)<br>2. “...the algorithm uses two types of clustering and a neural network.” (具体实施方式部分)<br>3. “The neural network serves as a non-linear mapper to compensate for samples which fall outside the cluster radius...”(具体实施方式部分)<br>4. “This process is a multi-variable mapper to calculate the standard deviation of the input noise or symbols about the cluster means.” (非线映射器414说明) | 对比文件中的接收信号处理流程包括：接收基带样本 -> 聚类处理 -> 非线映射器（神经网络）处理 -> 信号决策。其中，非线映射器（神经网络）接收聚类统计信息（如相位簇计数Npc和加权标准差σwest_s）作为输入，并输出一个估计值（&sgr;est—nn），即对输入噪声或符号标准差的估计。这个过程在广义上构成了一个“映射接收信号以生成估计”的动作。尽管目标专利中的“估计”是指对传输符号的重构，而对比文件中的“估计”是对信号质量/噪声的估计，但两者在“利用神经网络处理接收信号以生成某个估计值”这一技术构思上存在共通之处。本领域技术人员有可能通过对比文件的启发，将神经网络用于处理接收信号以生成所需估计。因此，本技术特征被隐含公开。 |
| **技术特征H：** <br>其中所述发射神经网络和接收神经网络的所述至少一些权重使用随机梯度下降而被训练。<br><br>**判断结果：未公开** | 对比文件US6466614B1明确记载了训练神经网络权重的方法是“共轭梯度算法（a conjugate gradient algorithm）”。目标专利权利要求明确限定为“随机梯度下降（stochastic gradient descent）”。共轭梯度法和随机梯度下降是两种不同的优化算法，本领域技术人员无法从对比文件明确公开的共轭梯度法中，毫无疑义地得出使用随机梯度下降法的技术方案。 | |
| **技术特征I：** <br>其中所述损失函数与块错误率有关。<br><br>**判断结果：未公开** | 对比文件US6466614B1中使用的损失函数是“均方误差（mean square error）”，用于衡量实际标准差输出与期望标准差输出之间的差异。它完全不涉及“块错误率（block error rate）”。目标专利中的损失函数与数据传输的块错误率有关，用于端到端优化通信性能。两者在损失函数的具体定义和目的上完全不同，对比文件未公开此特征。 | |
| **技术特征J：** <br>其中每个符号经由信道从所映射的所述发射器接收器神经网络对的所述发射器神经网络被传输到所述接收器神经网络。<br><br>**判断结果：未公开** | 对比文件US6466614B1描述的是一个接收机内的基带信号分类器，其输入是已经过信道传输并由FM解调器处理后的基带样本。对比文件完全没有描述信号从发射器通过信道传输到接收器的完整链路，更没有发射器神经网络通过信道连接到接收器神经网络的系统架构。 | |
| **技术特征K：** <br>其中所述信道对于所述多个发射器和接收器神经网络对中的每个发射器和接收器神经网络对是公共的。<br><br>**判断结果：未公开** | 如技术特征J所述，对比文件未公开包含发射器和接收器神经网络对及其中间信道的系统。因此，更无从谈及该信道是否为多个神经网络对所“公共”。该特征未被公开。 | |
| **技术特征L：** <br>其中所述信道是包括一个或多个计算层的模型。<br><br>**判断结果：未公开** | 对比文件US6466614B1处理的信号来自真实的无线接收机前端（参见图12，接收机前端1202），而不是一个用于训练的计算信道模型。虽然其内部的DSP算法可以模拟某些效应，但并未公开将信道本身构建为一个包含可配置计算层的模型，并用于连接发射器和接收器神经网络进行端到端训练。 | |
| **技术特征M：** <br>还包括优化所述传输块中的每个传输块到所述发射器接收器神经网络对的所述映射。<br><br>**判断结果：未公开** | 对比文件US6466614B1的分类过程是确定接收信号是2电平FSK还是4电平FSK，这是一个判决过程，而不是一个对“传输块到神经网络对映射”进行“优化”的过程。对比文件没有传输块，没有多个神经网络对，因此也没有优化映射的概念。 | |
| **技术特征N：** <br>其中所述传输块中的每个传输块的所述映射使用增强学习而被优化。<br><br>**判断结果：未公开** | 对比文件US6466614B1完全没有提及或使用“增强学习（reinforcement learning）”技术。其神经网络训练使用的是共轭梯度法，信号分类使用的是基于阈值的决策逻辑。因此，该特征未被公开。 | |
| **技术特征O：** <br>还包括跨不同符号的数据比特的交织。<br><br>**判断结果：未公开** | 对比文件US6466614B1涉及的是对调制信号的物理层分类，如判断波特率、调制级数等，完全不涉及数据链路层或更高层的处理，如“数据比特的交织（interleaving of data bits）”。该特征未被公开。 | |
| **技术特征P：** <br>还包括使用载波频率偏移神经网络模块来校正载波频率偏移。<br><br>**判断结果：未公开** | 1. “...a phase cluster mean, which is an estimate of the frequency offset, at a second output 420.” (信号决策设备416)<br>2. “Mpc2 = ... which is equivalent to the frequency offset error.” (相位簇均值部分) | 对比文件确实公开了估计频率偏移（frequency offset）的能力，其输出的相位簇均值（Mpc）即为频率偏移误差的估计值。但是，对比文件的目的是利用这个估计值来帮助分类信号，而不是“校正载波频率偏移”。对比文件中既没有一个专门的“载波频率偏移神经网络模块”，也没有将估计出的频率偏移值用于补偿或校正接收信号的步骤。目标专利的CFO模块是一个包含CFO神经网络和CFO补偿模块的完整校正系统，对比文件并未公开此方案。 |
| **技术特征Q：** <br>还包括使用信道均衡神经网络模块来执行信道均衡。<br><br>**判断结果：未公开** | 对比文件US6466614B1完全没有提及“信道均衡（channel equalization）”或相关的神经网络模块。它的处理对象是FM解调后的基带信号，核心任务是识别FSK信号的调制特性，不涉及用于补偿信道失真的均衡技术。 | |
| **技术特征R：** <br>其中所述多载波传输系统是正交频分复用系统。<br><br>**判断结果：未公开** | 对比文件US6466614B1明确其处理的信号类型是FSK（频移键控）调制，并提及可扩展到QAM、QPSK、GMSK等，但完全没有提及多载波传输系统，更没有涉及“正交频分复用（OFDM）”系统。OFDM是一种与单载波FSK完全不同的多载波调制技术。因此，该特征未被公开。 | |
| **技术特征S：** <br>其上存储有计算机可读指令，当所述计算机可读指令由计算装置执行时使所述计算装置执行根据权利要求1至13中任一项所述的方法。<br><br>**判断结果：未公开** | 对比文件US6466614B1公开了其算法可以在DSP（数字信号处理器）中通过编程实现（参见图11及说明），存储器1106中存储了各种程序。这表明其方法是通过计算机可读指令实现的。然而，这些指令执行的是对比文件自己的信号分类方法，而非目标专利权利要求1-13中任一项所述的方法（该方法包括了发射器/接收器神经网络对、多载波传输等未被公开的技术特征）。因此，存储有执行目标专利所述方法的计算机可读指令这一特征未被公开。 |
<<<f>>>
<<<g>>>