**对比文件名称**：2012-10-04_WO2012130251A_发明申请_WO2012130251A1 IMAGE UNDERSTANDING BASED ON FUZZY PULSE - COUPLED NEURAL NETWORKS
**目标专利名称**：CN106796667B 动态空间目标选择
**本次调用的模型名称**：gpt-4
以下是根据目标专利权利要求的技术特征划分，与对比文件WO2012130251A1进行比对的分析表格。判断标准已严格遵循指示，并紧密结合目标专利说明书原文进行解释。
### **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**：将多个目标中的每个目标映射到目标地图中的不同位置。<br>**判断结果**：**未直接公开，未隐含公开** | 对比文件涉及将图像中的感兴趣区域（ROIs）进行分割和定位。例如，在[p0047]段提到“the locality of the abnormality is given as the co-ordinate of its center”，在[p0050]段提到“tracing boundary contours of all regions (label, pectoral muscle and ROIs)”。 | **论述**：目标专利中的“目标地图”是指用于机器人导航的**空间环境**中的位置地图，其映射关系是**空间位置**到**地图位置**的对应（参见说明书[0107]-[0110]段）。对比文件处理的是**医学图像**，其“映射”是将图像中的像素或区域（如肿瘤）识别并标记出来，这是**图像坐标空间**内的操作，目的是为了图像分割和诊断（参见[p0046], [p0050]）。两者作用完全不同：前者为空间导航提供环境表示，后者为图像分析提供病变定位。本领域技术人员无法从对比文件的图像处理中，毫无疑义地或通过合理推断得出用于机器人动态空间目标选择的“目标地图”映射技术方案。 |
| **技术特征B**：所述目标地图包括空间环境中相对于机器人设备的位置的多个位置。<br>**判断结果**：**未直接公开，未隐含公开** | 对比文件未提及任何机器人设备或与机器人相关的空间环境。其系统处理的是静态的医学图像数据集（如[p0046]描述的MIAS数据库）。 | **论述**：该特征明确限定了目标地图是相对于**机器人设备**的**空间环境**位置。这是目标专利实现动态目标选择的基础场景（参见说明书[0107]-[0109]段）。对比文件自始至终都在处理医学图像的理解和诊断，完全不涉及机器人、物理空间环境或自我中心/非自我中心坐标变换（参见说明书[0108]段）。因此，对比文件既未公开也未隐含该技术特征。 |
| **技术特征C**：每个位置由所述人工神经网络中的神经元表示。<br>**判断结果**：**未直接公开，但隐含公开** | 对比文件使用脉冲耦合神经网络（PCNNs/Fuzzy-PCNNs）处理图像，图像中的像素或区域由神经元的激活状态来表征。例如，公式(1)-(4)描述了神经元$F_{ij}$、$L_{ij}$、$U_{ij}$、$Y_{ij}$的活动，这些活动对应图像中(i, j)位置或区域的特征（参见[p0070]-[p0072], [p0096]）。 | **论述**：目标专利中，空间地图中的每个位置由**特定神经元**表示，其活跃性（如尖峰发放率）指示该位置是否为目标（参见说明书[0103]段）。对比文件中，神经网络（Fuzzy-PCNNs）的神经元同样用于表示图像中的**特定位置或区域**，并通过其脉冲输出来指示该区域是否属于感兴趣区域（ROI）（参见[p0070]-[p0072]）。尽管应用领域不同（空间导航 vs. 图像分割），但从“用神经元表示特定空间/图像位置的信息”这一**抽象的技术手段**来看，本领域技术人员可以从对比文件合理推断出“用神经元表示位置”这一技术方案。因此，该特征被**隐含公开**。但需注意，两者作用不同：目标专利中用于目标选择，对比文件中用于图像区域分割。 |
| **技术特征D**：通过控制至所述人工神经网络的神经元的失衡量来动态地修改目标选择函数以使所述机器人设备偏向或偏离候选目标地移动。<br>**判断结果**：**未直接公开，未隐含公开** | 对比文件描述了调整神经网络参数以实现更好的图像分割。例如，通过模糊规则和熵最大化来动态调整链接系数β和阈值参数θ（参见[p0084]-[p0095]， 公式(6)）。 | **论述**：这是目标专利的核心发明点。其“失衡量”特指在**目标选择网络**中，通过控制神经元间**连接的抑制性或兴奋性权重的不平衡**，来**动态修改选择函数**，最终目的是**使机器人设备产生偏向或偏离的移动行为**（参见说明书[0104]-[0106], [0129], [0160]段）。对比文件中动态调整参数（如β）的目的是为了**优化医学图像的分割效果**，使肿瘤区域与正常组织分离更准确（参见[p0020]-[p0021]）。两者在技术目的、应用场景和最终产生的效果（图像分割 vs. 机器人运动控制）上存在根本差异。本领域技术人员无法从图像分割的参数调整中，合理推断出用于控制机器人移动目标选择的动态修改方法。 |
| **技术特征E**：所述失衡量基于偏置准则来激励至所述神经元的连接或抑制至所述神经元的连接。<br>**判断结果**：**未直接公开，未隐含公开** | 对比文件中调整参数（如链接系数β）所基于的“准则”是图像特性，如像素的灰度值、局部邻域的同质性（homogeneity）和边缘性（edgeness）等（参见[p0084]）。 | **论述**：目标专利中的“偏置准则”是用于空间目标选择的特定规则，例如目标的价值、与机器人的距离、历史访问记录等（参见说明书[0102], [0117]段），其作用是**偏置机器人的选择行为**。对比文件中的“准则”（如图像局部特征）是用于**优化图像分割质量**的判据。虽然两者在广义上都是“基于某种规则进行调整”，但所基于的规则内容、技术领域和所要解决的技术问题截然不同。本领域技术人员无法从图像分割的优化准则中，毫无疑义地或通过合理推断得出用于机器人空间目标选择的“偏置准则”。 |
| **技术特征F**：所述神经元代表与所述候选目标相对应的位置。<br>**判断结果**：**未直接公开，但隐含公开** | 如特征C所述，对比文件中神经元的激活状态代表了图像中可能为肿瘤的候选区域（ROIs）的位置（参见[p0070]-[p0072], [p0096]）。 | **论述**：目标专利中，活跃的神经元代表机器人待选择的**空间候选目标**的位置（参见说明书[0103], [0126]段）。对比文件中，激活的神经元（产生脉冲）代表图像中待进一步分析的**候选病变区域**（ROIs）的位置（参见[p0050], [p0101]）。尽管“目标”的物理含义不同（空间位置 vs. 图像病变区域），但从“神经元的活动代表一个候选目标的位置”这一**信息表示层面**来看，技术手段是相似的。本领域技术人员可以从对比文件的图像ROI检测中，合理推断出神经元可用于代表候选目标位置。因此，该特征被**隐含公开**。但二者作用不同：前者用于导航选择，后者用于病变定位。 |
| **技术特征G**：其特征在于，所述连接包括耦合在每一对输入和输出神经元之间的中间神经元，并且所述动态地修改包括以下至少一者：动态地修改所述中间神经元的可兴奋性、动态地修改所述中间神经元与相应的输入和输出神经元对之间的突触权重的功效、或其组合。<br>**判断结果**：**未直接公开，未隐含公开** | 对比文件未描述在输入和输出神经元之间存在明确的“中间神经元”结构。其Fuzzy-PCNNs模型中的动态调整主要通过数学公式修改链接系数β和内部活动U等参数来实现（参见公式(1)-(4), [p0084]-[p0090]），这是一个连续的计算过程，而非通过一个独立的中间神经元实体来仲裁连接。 | **论述**：目标专利明确引入了“中间神经元”作为仲裁抑制/兴奋的关键组件，通过修改其可兴奋性或连接功效来动态偏置选择（参见说明书[0113]-[0115], 图8及对应描述）。这是一种特定的**网络结构设计**。对比文件的Fuzzy-PCNNs模型虽然参数可调，但其模型结构是标准的PCNN变体，没有公开或暗示在每对神经元间插入一个可独立调节的中间神经元实体。本领域技术人员无法从对比文件的参数调整公式中，合理推断出目标专利所要求保护的这种带有中间神经元的特定连接结构。 |
| **技术特征H**：其特征在于，所述动态地修改包括用外部输入来动态地修改。<br>**判断结果**：**未直接公开，但隐含公开** | 对比文件中，组织类型识别单元（MLPNNs）的结果作为外部输入，用于选择不同的初始化阈值参数（参见[p0091], [p0104]-[p0105]）。例如，“according to tissue types see table 2”。 | **论述**：目标专利说明书中提到可通过“外部输入”来动态修改选择函数（参见说明书[0120]段）。对比文件中，神经网络（Fuzzy-PCNNs）的阈值参数根据外部系统（MLPNNs分类器）识别的组织类型结果进行选择和调整。这体现了“用外部输入来动态修改神经网络处理过程”的技术思想。尽管外部输入的内容和作用不同（组织类型 vs. 聚焦地图/任务指令），但“利用外部输入影响网络内部参数或状态”这一**控制手段**是共通的。因此，本领域技术人员可以合理推断出动态修改可包括使用外部输入。该特征被**隐含公开**。 |
| **技术特征I**：其特征在于，所述动态地修改包括以下至少一者：动态地修改所述神经元的可兴奋性、动态地修改突触权重的功效、或其组合。<br>**判断结果**：**未直接公开，但隐含公开** | 对比文件中通过调整链接系数β（影响内部活动U，见公式(3)）和动态阈值θ（见公式(4),(6)）来改变神经元的激发行为，这实质上修改了神经元的有效输入和激发阈值，即影响了其“可兴奋性”。同时，调整β也可以被视为对链接输入通道功效的修改（参见[p0084]-[p0095]）。 | **论述**：目标专利中动态修改选择函数的手段包括修改神经元的可兴奋性及突触权重功效（参见说明书[0120]段）。对比文件中，通过模糊规则动态调整链接系数β和阈值衰减参数αθ，直接改变了神经元对输入信号的响应特性（可兴奋性）以及链接输入对内部活动的调制强度（突触权重功效）。虽然应用目的不同，但所采用的“通过调整网络内部参数来改变神经元响应特性”的**技术手段**是相同的。因此，本领域技术人员可以从对比文件合理推断出该技术特征。该特征被**隐含公开**。 |
| **技术特征J**：其特征在于，所述突触权重是至少针对输入突触、神经元之间的连接、或其组合的。<br>**判断结果**：**未直接公开，但隐含公开** | 对比文件中的Fuzzy-PCNNs模型包含多种连接和权重，例如：馈送输入F与周围神经元的连接（通过矩阵M，见公式(1)），链接输入L与周围神经元的连接（通过矩阵W，见公式(2)）。这些连接具有权重，并影响神经元的内部活动（参见[p0070]-[p0072]）。 | **论述**：该特征是对神经网络中突触权重所作用位置的进一步限定。目标专利的神经网络（包括中间神经元结构）自然包含输入突触和神经元间的连接权重。对比文件描述的PCNNs模型是一个完整的神经网络模型，其公式(1)(2)明确包含了神经元之间的连接（M, W），这些连接本质上就是带有权重的突触。虽然对比文件未明确使用“输入突触”一词，但神经网络的基本构成即包含各类突触连接。本领域技术人员可以毫无困难地从对比文件的神经网络模型中推断出突触权重可针对神经元之间的连接。该特征被**隐含公开**。 |
| **技术特征K**：其特征在于，所述目标选择函数基于以下至少一者：回报的抑制、选择了所述目标的对象的行为状态、时间段、所指派的任务、时间复用函数、从与多个人工神经网络相对应的多个任务中选择任务的事件、或其组合。<br>**判断结果**：**未直接公开，未隐含公开** | 对比文件未涉及任何关于“回报抑制”、“对象行为状态”、“时间段”、“所指派的任务”、“时间复用函数”或“多任务选择事件”的内容。其系统功能是单一的医学图像分析与诊断。 | **论述**：该特征限定了目标选择函数所依据的特定高级准则或上下文，这些准则与**机器人的行为决策、任务规划和学习**紧密相关（参见说明书[0117]段）。对比文件的功能纯粹是图像处理和分析，其决策（分类）仅基于图像提取的特征（纹理、形状等），完全不涉及与机器人行为学或任务调度相关的任何概念。因此，对比文件既未公开也未隐含这些特定的选择函数依据。 |
| **技术特征L**：其特征在于，每个任务对应于所述多个人工神经网络中的一个，并且每个人工神经网络是静态网络或动态网络。<br>**判断结果**：**未直接公开，未隐含公开** | 对比文件描述的是一个用于医学图像理解的单一集成系统，其内部虽有不同处理单元（如预处理、分割、分类），但并未描述存在多个可对应于不同任务的、可切换的独立人工神经网络，也未提及网络有静态或动态之分。 | **论述**：该特征描述了用于多任务场景的**网络架构**，其中不同任务对应不同的（静态或动态）网络，这可能是实现功能重用或并行处理的高级设计（参见说明书[0133]段）。对比文件的系统是专用于乳腺X光图像分析的**单一、固定的处理流程**，没有公开或暗示存在多个可对应于不同任务的独立神经网络实例，也没有对网络进行静态或动态的分类。本领域技术人员无法从对比文件中推断出该技术特征。 |
| **技术特征M**：其特征在于，进一步包括基于对所述人工神经网络的输入、来自所述人工神经网络的输出、或其组合中的至少一者来控制所述人工神经网络中的失衡量。<br>**判断结果**：**未直接公开，但隐含公开** | 对比文件中，Fuzzy-PCNNs的处理是一个迭代过程。前一迭代的输出（$Y_{kl}[n-1]$）作为反馈，影响当前迭代的馈送输入$F_{ij}[n]$（参见公式(1)）。同时，整个分割单元的输出（ROIs）作为特征提取单元（34）的输入，构成了系统级的数据流（参见[p0103]）。 | **论述**：该特征涉及基于网络自身输入/输出来调节失衡量的**控制回路或反馈机制**。目标专利中可能通过输出结果来调整连接权重以实现持续优化。对比文件中，PCNNs模型本身具有脉冲反馈机制（公式(1)），且整个系统是流水线式的，后一单元的输入依赖于前一单元的输出。这体现了“基于网络活动的输出（或系统内部数据流）来影响后续处理”的**控制思想**。尽管具体调节对象（失衡量 vs. 图像分割参数）和目的不同，但“利用输入/输出信息进行调节”这一基本控制原理是相通的。因此，本领域技术人员可以合理推断出该技术特征。该特征被**隐含公开**。 |
<<<c>>><<<f>>><<<h>>><<<i>>><<<j>>><<<m>>>