本次评估针对的对比文件为：2016-01-07_WO2016003334A_发明申请_WO2016003334A1 PREDICTING RESOURCE SCHEDULING（下称“对比文件”），目标专利为：711通信系统中的端到端学习CN111566673B（下称“目标专利”）。评估模型为：ERNIE-4.5-8K-Preview。
以下基于目标专利权利要求的技术特征划分，逐一比对对比文件的公开情况。
### 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**：包括：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。 **未公开。** | 无直接对应的公开内容。对比文件涉及使用机器学习（包括神经网络）进行资源调度预测（参见[0054]段），但未描述将发射器/接收器神经网络组织成对。 | 对比文件的核心是预测资源块调度以进行小区间干扰协调，其预测模块虽然可使用神经网络，但该神经网络用于根据输入参数（如负载、SINR等）输出预测矩阵，并不构成通信传输意义上的“发射器神经网络”和“接收器神经网络”，更没有将它们组织成“发射器接收器神经网络对”。目标专利中的“发射器接收器神经网络对”是实现端到端学习的特定架构，对比文件中没有公开或暗示该架构。 |
| **技术特征B**：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。 **未公开。** | 对比文件提到OFDM子载波和资源块（[0005]段），但未提及为子载波频带定义神经网络对。 | 对比文件描述了OFDM资源块由12个子载波组成，但其调度预测是针对整个资源块（时间-频率网格）进行的，并不涉及为“每个子载波频带”分别定义独立的“发射器接收器神经网络对”。目标专利明确要求针对每个子载波频带定义一对神经网络，该粒度级别的对应关系在对比文件中毫无体现。 |
| **技术特征C**：将所述多载波传输系统的多个符号布置成多个传输块。 **未公开。** | 对比文件提及资源元素、资源块和TTI（[0005]段），但未描述将符号布置成传输块。 | 对比文件中的最小调度单位是资源块对，它由时频资源组成，但并未公开将“多个符号”特意“布置”或划分成“传输块”的步骤。目标专利中的“传输块”是人为定义用于映射到神经网络对的符号集合，对比文件中不存在这样的概念。 |
| **技术特征D**：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。 **未公开。** | 对比文件涉及资源块到UE的映射（调度），但无传输块到神经网络对的映射。 | 对比文件中，调度器将资源块分配给UE，这是一种资源到用户的映射。然而，它完全没有公开将“传输块”映射到“发射器接收器神经网络对”这一机制。目标专利的映射是为了选择不同的自动编码器进行传输，而对比文件的映射是为了资源分配和干扰避免，两者目的和对象均不同。 |
| **技术特征E**：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。 **未公开。** | 对比文件未描述使用神经网络对进行符号传输。 | 对比文件中的数据传输是基于传统OFDM的，即符号经过调制后映射到资源元素上传输。它没有使用“发射器接收器神经网络对”来“传输每个符号”。目标专利的核心创新之一在于用神经网络替代传统调制/编码进行端到端传输，对比文件完全没有触及这一方案。 |
| **技术特征F**：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。 **未公开。** | 对比文件提及机器学习中的训练和测试模块（[0051]-[0056]段），但未明确使用损失函数训练发射/接收神经网络权重。 | 对比文件中的学习模块用于训练一个预测模型，其输入是各种网络参数，输出是调度预测。虽然训练过程可能隐含地使用了某个损失函数（如预测误差最小化），但它并非针对“发射神经网络和接收神经网络”的权重进行训练，因为根本不存在这样成对的神经网络。目标专利的训练对象和损失函数（如分类交叉熵）与对比文件完全不同。 |
| **技术特征G**：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。 **未公开。** | 无相关描述。 | 对比文件仅涉及调度预测和资源分配，不涉及接收端如何对接收信号进行解调/解码以生成符号估计。目标专利中接收器神经网络的作用是将接收向量映射为符号概率并生成估计，对比文件中没有对应的接收处理过程。 |
| **技术特征H**：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。 **未公开。** | 对比文件未提及随机梯度下降。 | 对比文件虽然提到可以使用多种机器学习算法（[0054]段），但并未具体公开使用“随机梯度下降（SGD）”来训练任何神经网络权重。因此，该具体训练方法未被公开。 |
| **技术特征I**：其中所述损失函数与块错误率有关。 **未公开。** | 对比文件未提及块错误率。 | 对比文件中损失函数（即使隐含存在）的目的在于最小化预测误差，与通信中的“块错误率”无关。目标专利明确指出损失函数可与块错误率有关，这在对比文件中找不到依据。 |
| **技术特征J**：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。 **未公开。** | 对比文件存在无线信道，但未描述符号在神经网络对之间传输。 | 对比文件中的信道是UE与基站之间的物理无线信道，用于传输资源块。但它并未公开符号是“经由信道从发射器神经网络被传输到接收器神经网络”这一特定路径。目标专利将信道作为神经网络对之间端到端链路的一部分，对比文件没有构建这样的链路。 |
| **技术特征K**：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。 **未公开。** | 对比文件未提及多个神经网络对共享信道。 | 对比文件中不存在多个“发射器接收器神经网络对”，因此自然不存在“公共信道”供它们共享的概念。 |
| **技术特征L**：其中所述信道是包括一个或多个计算层的模型。 **未公开。** | 对比文件未明确将信道描述为计算层模型。 | 对比文件中的信道是实际的无线传播环境或基于测量的模型，并未被明确描述为“包括一个或多个计算层的模型”。目标专利为了端到端训练而采用可微的信道模型，对比文件无此设计。 |
| **技术特征M**：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。 **未公开。** | 对比文件中的ICIC算法优化资源分配，但非优化块到神经网络对的映射。 | 对比文件的优化目标是资源调度以减小干扰，其优化对象是资源块到UE的分配。目标专利的优化对象是“传输块到发射器接收器神经网络对的映射”（即选择哪个自动编码器），两者优化对象截然不同。 |
| **技术特征N**：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。 **未公开。** | 对比文件未提及增强学习。 | 对比文件列举的算法包括线性回归、神经网络、SVM等（[0054]段），但未提及“增强学习”。因此，该具体优化方法未被公开。 |
| **技术特征O**：还包括跨不同符号的数据比特的交织。 **未公开。** | 对比文件未明确提及交织。 | 对比文件主要关注调度预测，未涉及比特级的交织操作。目标专利中的交织用于增加分集，对比文件无此技术手段的记载。 |
| **技术特征P**：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。 **未公开。** | 对比文件未提及CFO校正或相关神经网络模块。 | 对比文件完全没有涉及接收端的载波频率偏移估计或补偿，更没有使用神经网络模块来进行CFO校正。该特征是对比文件的技术空白。 |
| **技术特征Q**：还包括使用信道均衡神经网络模块来执行信道均衡。 **未公开。** | 对比文件未提及信道均衡神经网络模块。 | 类似地，对比文件不涉及接收端的信道均衡处理，更不用说使用神经网络模块来执行均衡。该特征未被公开。 |
| **技术特征R**：其中所述多载波传输系统是正交频分复用系统。 **《直接公开》** | 对比文件[0005]段：“In Long-Term Evolution (LTE) communications networks, orthogonal frequency-division multiplexing (OFDM) modulation is employed... A resource block consists of 12 OFDM subcarriers over a 0.5 ms slot.”（在长期演进(LTE)通信网络中，采用正交频分复用(OFDM)调制...一个资源块由12个OFDM子载波组成，持续时间为0.5ms时隙。） | 对比文件明确记载其通信系统采用OFDM调制，且资源块基于OFDM子载波定义。这与目标专利中“多载波传输系统是正交频分复用系统”完全一致。本领域技术人员可以直接、毫无疑义地确定对比文件中的系统即为OFDM系统，因此该特征被直接公开。 |
| **技术特征S**：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。 **未公开。** | 对比文件[0017]段提及计算机程序产品，但所述方法并非目标专利的方法。 | 对比文件公开了计算机程序产品，其上存储的指令用于执行对比文件自身的方法（即预测资源调度的方法）。目标专利权利要求1-13的方法是一套完全不同的技术方案（涉及神经网络对的组织、块映射、端到端训练等）。对比文件的计算机可读指令并未使计算装置执行目标专利的方法，因此该特征未被公开。 |
<<<R>>>