**对比文件名称**：US11496507B2_Description_20251229_2135
**目标专利名称**：交通工具进入检测
**本次调用模型名称**：DeepSeek-R1
**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 |
| **技术特征A**：一种用于事件状态检测的方法<br>**判断结果**：未直接公开，也未隐含公开 | [0005] 本发明涉及一种异常检测设备、异常检测方法及异常检测程序。<br>[0083] 根据本发明的异常序列检测装置是检测控制序列中异常的装置。 | 对比文件公开的是一种用于检测工业控制系统等“控制序列”是否异常的“异常检测方法”。虽然“事件状态检测”与“异常检测”在广义上都属于状态判断，但两者要解决的技术问题、应用场景和技术领域截然不同。目标专利的“事件状态检测”特指通过多传感器融合判断用户行为状态（如进入交通工具），而对比文件的“异常检测”是指判断控制命令或系统状态序列是否偏离正常模型以发现网络攻击或系统故障。本领域技术人员无法从对比文件中确定其公开了“用于事件状态检测的方法”这一技术特征。 |
| **技术特征B**：在计算设备处接收多个传感器信号<br>**判断结果**：未直接公开，也未隐含公开 | [0080] 异常序列检测装置从控制PC、中继装置和传感器获取控制序列。<br>[0090] 构成控制序列的状态数据例如是由任意实际值、离散值等构成的多维向量。 | 对比文件提到了从“传感器”获取数据，并且状态数据可以是多维向量。然而，对比文件未公开“接收多个传感器信号”这一技术特征。对比文件中的“传感器”是工业控制系统中用于监测物理量（如温度、压力）或系统状态的部件，其输出的“控制序列”或“状态数据”本质上是系统状态或命令的序列化表示，而非目标专利中所述的来自移动设备上不同模态（如音频、加速度计）的原始或经初步处理的“传感器信号”。两者在数据来源、形式和目的上均不同。 |
| **技术特征C**：在所述计算设备处基于所述多个传感器信号使用人工神经网络针对多个时间区间中的每个时间区间确定子事件状态的概率<br>**判断结果**：未直接公开，也未隐含公开 | [0004] PTL 2描述了一种检测工业控制系统（ICS）中异常的方法...，据认为，对于事件数据，采用了诸如罕见模式发现、朴素贝叶斯、隐马尔可夫模型等技术。<br>[0090] 正常模型可以通过对控制序列的状态数据应用隐马尔可夫模型等来提取。 | 对比文件提到了在处理事件数据时可以采用包括“隐马尔可夫模型”在内的技术，并且正常模型可以通过应用“隐马尔可夫模型”来提取。然而，对比文件自始至终没有公开使用“人工神经网络”来确定“子事件状态的概率”。对比文件的核心技术方案是基于状态转移图（有向图）或隐马尔可夫模型进行序列匹配和异常判断，其“状态”是系统内部的控制状态或命令状态，而非目标专利中定义的“子事件状态”（如步行、开门等）。本领域技术人员无法从中确定公开了使用人工神经网络计算子事件概率的特征。 |
| **技术特征D**：以及在所述计算设备处基于所述子事件状态的概率经由状态序列模型来检测事件状态<br>**判断结果**：未直接公开，也未隐含公开 | [0005] 根据本发明的异常检测设备...包括：确定单元...每次输入一个数据时，根据由该输入数据与紧接在该输入数据之前输入的另一数据所指示的排列，当该排列不包括在正常模型中时，确定待检测数据序列为局部异常...<br>[0090] 正常模型可以通过对控制序列的状态数据应用隐马尔可夫模型等来提取。 | 对比文件公开了基于“正常模型”（可基于隐马尔可夫模型提取）来检测数据序列是否异常。这可以认为是一种基于状态序列模型的检测。然而，对比文件检测的是“控制序列”是否偏离正常模型（即是否“异常”），而目标专利检测的是“事件状态”（如用户进入交通工具）。更重要的是，对比文件的检测是基于输入数据与正常模型的直接匹配，而非基于如特征C所述的“子事件状态的概率”。因此，对比文件未公开“基于所述子事件状态的概率...来检测事件状态”这一技术特征。 |
| **技术特征E**：对所述事件状态的检测包括：基于对所述概率的确定来检测所述子事件状态的序列。<br>**判断结果**：未直接公开，也未隐含公开 | [0005] 确定单元...每次输入一个数据时，根据由该输入数据与紧接在该输入数据之前输入的另一数据所指示的排列...确定待检测数据序列为局部异常或局部正常。 | 对比文件确实检测状态（数据）的序列是否正常，但其检测逻辑是基于当前输入数据与前一数据构成的“排列”是否存在于预定义的正常模型中，而不是基于对一系列“子事件状态的概率”的确定。目标专利的特征E明确依赖于特征C中“确定子事件状态的概率”这一步骤，而该步骤在对比文件中未被公开。因此，特征E未被公开。 |
| **技术特征F**：检测所述事件状态包括检测用户进入交通工具。<br>**判断结果**：未直接公开，也未隐含公开 | 对比文件全文未提及任何关于“用户进入交通工具”、“交通工具进入”或类似场景的内容。 | 对比文件的应用场景是工业控制系统、网络攻击检测等，其要解决的技术问题是及时发现控制序列的异常以预防安全事故。目标专利的“检测用户进入交通工具”是一个特定的、具体的应用场景和技术问题。本领域技术人员阅读对比文件后，无法获得任何关于检测用户进入交通工具的技术启示或内容。因此，该特征既未直接公开，也未隐含公开。 |
| **技术特征G**：所述多个传感器信号包括音频信号和至少一个运动传感器信号。<br>**判断结果**：未直接公开，也未隐含公开 | 对比文件全文未提及“音频信号”或“运动传感器信号”（如加速度计、陀螺仪）。[0080]中提到的“传感器”是泛指工业环境中的传感器。 | 对比文件未具体公开传感器信号的类型包括“音频信号”和“运动传感器信号”。其背景和应用领域（工业控制、网络安全）与目标专利（移动设备、用户行为识别）差异巨大，所使用的传感器类型自然不同。本领域技术人员无法从对比文件中确定其公开了包含音频和运动信号的传感器组合。 |
| **技术特征H**：所述至少一个运动传感器信号包括加速度计传感器信号、陀螺仪传感器信号、或磁力计传感器信号中的至少一者。<br>**判断结果**：未直接公开，也未隐含公开 | 对比文件全文未提及“加速度计”、“陀螺仪”或“磁力计”。 | 该特征是对运动传感器信号类型的具体限定。对比文件完全没有涉及这些特定类型的移动设备运动传感器。因此，该特征未被公开。 |
| **技术特征I**：所述多个传感器信号包括运动传感器信号。<br>**判断结果**：未直接公开，也未隐含公开 | 同特征G、H的论述，对比文件未公开“运动传感器信号”。 | 该特征要求传感器信号中包含运动传感器信号。对比文件未公开任何与运动传感器相关的内容。因此，该特征未被公开。 |
| **技术特征J**：所述多个传感器信号包括音频信号。<br>**判断结果**：未直接公开，也未隐含公开 | 同特征G的论述，对比文件未公开“音频信号”。 | 该特征要求传感器信号中包含音频信号。对比文件未公开任何与音频信号相关的内容。因此，该特征未被公开。 |
| **技术特征K**：确定所述子事件状态的概率包括：经由卷积神经网络CNN来确定与所述多个传感器信号中的每个传感器信号相对应的状态概率；以及经由深度神经网络DNN来融合所述状态概率。<br>**判断结果**：未直接公开，也未隐含公开 | 对比文件全文未提及“卷积神经网络（CNN）”、“深度神经网络（DNN）”或通过神经网络“融合状态概率”。[0004]和[0090]仅提及了隐马尔可夫模型。 | 该特征限定了使用特定类型的神经网络（CNN和DNN）进行概率确定和融合的具体架构。对比文件虽然提到了“人工神经网络”一词（在背景技术中引用其他文献时），但在其自身的技术方案描述中，核心使用的是基于图或隐马尔可夫模型的序列匹配方法，并未公开使用CNN提取各传感器信号特征，再用DNN进行融合的技术手段。因此，该特征未被公开。 |
| **技术特征L**：所述CNN包括三个神经网络层。<br>**判断结果**：未直接公开，也未隐含公开 | 对比文件全文未提及“CNN”，更未提及CNN的层数。 | 该特征是对神经网络结构的具体且细微的限定。由于对比文件根本未公开使用CNN，自然不可能公开其具有三个神经网络层。因此，该特征未被公开。 |
| **技术特征M**：所述DNN包括单个神经网络层。<br>**判断结果**：未直接公开，也未隐含公开 | 对比文件全文未提及“DNN”，更未提及DNN的层数。 | 该特征是对神经网络结构的具体限定。由于对比文件根本未公开使用DNN进行融合，自然不可能公开其具有单个神经网络层。因此，该特征未被公开。 |
| **技术特征N**：所述状态序列模型包括隐马尔科夫模型或隐半马尔科夫模型。<br>**判断结果**：直接公开 | [0004] PTL 2描述了一种检测工业控制系统（ICS）中异常的方法...，据认为，对于事件数据，采用了诸如...隐马尔可夫模型等技术。<br>[0090] 正常模型可以通过对控制序列的状态数据应用隐马尔可夫模型等来提取。 | 对比文件明确且多次提及在其异常检测方法中可以使用“隐马尔可夫模型”（Hidden Markov Model）。虽然对比文件主要将其用于构建“正常模型”，但该模型正是其进行序列检测（即目标专利所称的“状态序列模型”）的核心组成部分。因此，对比文件直接公开了“状态序列模型包括隐马尔科夫模型”这一技术特征。其在对比文件中的作用与在目标专利中类似，都是用于建模和判断状态序列。 |
| **技术特征O**：所述事件状态是基于所述子事件状态的序列和所述子事件状态中的每个子事件状态的历时来检测的。<br>**判断结果**：未直接公开，也未隐含公开 | [0005] 确定单元...每次输入一个数据时，根据由该输入数据与紧接在该输入数据之前输入的另一数据所指示的排列... | 对比文件检测异常时，关注的是数据（状态）出现的“序列”或“排列”是否正确，但没有公开考虑每个状态的“历时”（duration）。目标专利明确强调了基于“历时”进行检测（如图9和描述所示）。这是一个重要的区别。对比文件未公开基于状态“历时”进行检测的技术特征。 |
| **技术特征P**：所述子事件状态的序列包括含15个子事件状态的序列。<br>**判断结果**：未直接公开，也未隐含公开 | 对比文件全文未提及“15个子事件状态”这一具体数量。 | 该特征是对子事件状态序列长度的具体数值限定。对比文件完全没有公开这一具体数值。因此，该特征未被公开。 |
| **技术特征Q**：经由所述状态序列模型来确定所述事件状态已发生的置信水平，其中当所述置信水平超过阈值时所述事件状态被检测到。<br>**判断结果**：未直接公开，也未隐含公开 | [0091] ...异常序列检测装置101具有如下功能：当状态数据连续以正确顺序被观察到指定数量的状态数据时，确定包括这些状态数据的控制序列为“正常”。<br>[0112] 如果确定计数器i的值等于或大于正常性确定阈值T（步骤S112中为True），则输出单元150输出指示控制序列正常的确定结果。 | 对比文件在确定序列“正常”时，使用了“计数器”和“阈值”（正常性确定阈值T）的概念。当连续匹配正常的次数达到阈值，则输出“正常”。这可以看作是一种基于累积匹配次数的“置信”判断。然而，目标专利的“置信水平”是经由“状态序列模型”（如HMM）计算出的一个概率或分值，与对比文件中简单的计数累加在技术手段上有本质区别。对比文件未公开通过状态序列模型计算置信水平的技术特征。 |
| **技术特征R**：从所述多个传感器信号中的每个传感器信号中提取特征，其中所述子事件状态的概率是基于所提取的特征来确定的。<br>**判断结果**：未直接公开，也未隐含公开 | 对比文件未描述从原始传感器信号中“提取特征”的过程。其处理的对象已经是“状态数据”或“控制序列”。 | 该特征限定了在确定概率之前，有一个从原始传感器信号“提取特征”的步骤。对比文件的技术方案直接从“状态数据”开始处理，并未公开从多模态传感器原始信号中进行特征提取这一预处理步骤。因此，该特征未被公开。 |
| **技术特征S**：所述计算设备包括可穿戴设备或移动设备，并且其中，所述多个传感器信号是从所述可穿戴设备或移动设备的传感器接收的。<br>**判断结果**：未直接公开，也未隐含公开 | 对比文件全文未提及“可穿戴设备”或“移动设备”。其设备环境是工业控制系统中的“异常序列检测装置”。 | 该特征对计算设备和传感器来源进行了具体限定。对比文件涉及的设备是用于监控工业系统的专用检测装置，与目标专利的消费电子领域（可穿戴/移动设备）完全不同。因此，该特征未被公开。 |
| **技术特征T**：对所述多个传感器信号进行时间同步，其中，对所述子事件状态的概率的确定基于经时间同步的传感器信号。<br>**判断结果**：未直接公开，也未隐含公开 | 对比文件未提及对多个传感器信号进行“时间同步”。 | 时间同步是多传感器融合中的一项关键技术。对比文件的技术方案不涉及对多个独立、异步的传感器信号流进行同步处理。因此，该特征未被公开。 |
| **技术特征U**：对所述经时间同步的传感器信号中的每一者进行重采样以使得所述经时间同步的传感器信号具有相同的采样率，其中对所述子事件状态的概率的确定基于重采样的经时间同步的传感器信号。<br>**判断结果**：未直接公开，也未隐含公开 | 对比文件未提及对信号进行“重采样”以达到“相同的采样率”。 | 重采样是统一不同传感器数据速率的常见手段。对比文件的技术方案不涉及处理具有不同采样率的原始信号流，因此没有公开重采样的技术特征。 |
| **技术特征V**：基于对所述事件状态的检测来执行动作。<br>**判断结果**：未直接公开，也未隐含公开 | 对比文件描述了输出“正常”或“异常”的检测结果（例如，输出单元150），但未明确公开基于该检测结果去“执行”某个具体的后续“动作”。 | 该特征限定了检测到事件状态后要执行动作。对比文件的核心在于检测和告警（输出结果），其说明书未记载检测到异常后自动触发如激活导航、显示信息等具体应用层面的动作。因此，该特征未被公开。 |
| **技术特征W**：执行所述动作包括以下至少一者：激活导航系统；为用户显示信息；或者向交通工具传送要执行一个或多个动作的指示。<br>**判断结果**：未直接公开，也未隐含公开 | 对比文件全文未提及“激活导航系统”、“显示信息”或“向交通工具传送指示”。 | 该特征是对所执行动作的具体举例，这些例子都与移动设备、用户交互和交通工具控制密切相关。对比文件的应用场景完全不同，完全没有涉及这些具体动作。因此，该特征未被公开。 |
| **技术特征X**：所述多个传感器信号包括至少两种不同类型的传感器信号。<br>**判断结果**：未直接公开，也未隐含公开 | [0080] 异常序列检测装置从控制PC、中继装置和传感器获取控制序列。 | 对比文件提到从“控制PC、中继装置和传感器”多种来源获取信息，但这与目标专利中来自同一移动设备上集成的、物理模态不同（如声学、惯性）的“传感器信号”有本质区别。对比文件中的不同来源提供的是系统不同组件产生的“控制序列”或“状态数据”，其类型是逻辑上的（命令、日志、传感器读数），而非物理传感模态上的不同类型。本领域技术人员无法确定其公开了来自同一设备上至少两种物理类型不同的传感器信号。 |
<<<N>>>