**对比文件名称：** 2005-09-06_US6941289B_发明授权_US06941289B2 Hybrid neural network generation system and method
**目标专利名称：** 动态空间目标选择 CN106796667B
**模型名称：** 本次调用未指定具体模型名称，基于任务上下文，可视为“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 |
| **特征A《未公开》**<br>将多个目标中的每个目标映射到目标地图中的不同位置。 | 对比文件未涉及将目标映射到“目标地图”或空间位置的相关内容。 | 目标专利的特征A涉及为空间选择目的，将目标映射到“目标地图”中的位置。对比文件涉及使用神经网络进行通用预测建模（如贷款风险评估），其处理的是抽象的数据变量（预测变量和目标变量），并未涉及“目标”、“目标地图”或空间位置的映射。因此，该特征未被对比文件公开。 |
| **特征B《未公开》**<br>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。 | 对比文件未涉及“空间环境”、“机器人设备”或相对于机器人的位置。 | 目标专利的特征B明确了目标地图的物理和上下文含义，即它是包含相对于机器人位置的“空间环境”。对比文件全篇讨论的是数据处理和神经网络构建，未提及任何机器人、空间环境或自我/非自我中心坐标系。因此，该特征未被对比文件公开。 |
| **特征C《未公开》**<br>每个位置由所述人工神经网络中的神经元表示。 | 对比文件描述了神经网络中的神经元/节点（例如，第[0048]段提及“神经网络的节点”）。 | 虽然对比文件公开了神经网络包含神经元（节点），但目标专利中神经元的作用是“表示”空间环境中的特定位置，这是其用于空间目标选择机制的核心。对比文件中的神经元是通用的计算单元，用于处理输入数据（如主成分得分）以生成预测输出，其功能是计算而非“表示”空间位置。两者作用截然不同，因此该特征未被对比文件公开。 |
| **特征D《未公开》**<br>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。 | 对比文件涉及通过优化算法（如Levenberg-Marquardt）确定神经网络连接的权重（参数）（例如，第[0055]-[0057]段）。 | 目标专利的特征D是方法的核心，即通过动态控制连接的“失衡量”来修改“选择函数”，目的是使机器人产生空间上的偏向性移动。对比文件公开了在神经网络训练过程中调整连接权重（参数），但其目的是最小化预测误差（如SSE），以提高模型对静态数据集的拟合精度，而非为了动态修改一个引导机器人移动的“选择函数”。两者目的、应用场景和技术效果均不同。因此，该特征未被对比文件公开。 |
| **特征E《未公开》**<br>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。 | 对比文件未提及“偏置准则”，其权重优化基于统计拟合优度（如R-Square, SSE）。 | 目标专利的特征E限定了失衡量是基于“偏置准则”（如空间注意力、回报抑制等）来激励或抑制连接。对比文件中权重调整的依据是数学上的优化目标（如最小二乘法），不存在“偏置准则”的概念。因此，该特征未被对比文件公开。 |
| **特征F《未公开》**<br>所述神经元代表与所述候选目标相对应的位置。 | 对比文件未提及“候选目标”或神经元代表空间位置。 | 如特征C所述，对比文件中的神经元不代表空间位置或候选目标。因此，该特征未被对比文件公开。 |
| **特征G《未公开》**<br>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。 | 对比文件未描述在输入和输出神经元之间使用“中间神经元”来仲裁或控制抑制/兴奋，也未提及动态修改神经元的“可兴奋性”。 | 目标专利的特征G引入了特定的网络结构（带中间神经元的连接）和修改机制（修改可兴奋性或突触功效），用于实现动态的空间选择偏置。对比文件构建的是前馈神经网络层，其节点（神经元）直接通过加权连接到下一层或输出，没有提及用于交叉抑制仲裁的“中间神经元”结构，也未涉及“可兴奋性”的动态修改。因此，该特征未被对比文件公开。 |
| **特征H《未公开》**<br>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。 | 对比文件未描述通过“外部输入”来动态修改神经网络的选择函数或权重。 | 目标专利说明书中提及可通过外部输入（如聚焦地图）来动态修改选择函数。对比文件中的神经网络训练和参数优化是基于给定的训练数据集内部进行的，没有引入或描述用于实时控制网络行为的“外部输入”机制。因此，该特征未被对比文件公开。 |
| **特征I《未公开》**<br>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。 | 对比文件公开了在训练过程中修改突触权重的功效（即参数值）（例如，第[0055]段描述优化参数a和b）。 | 目标专利的特征I是动态修改“神经元的可兴奋性”或“突触权重的功效”。对比文件在训练阶段通过优化算法调整连接权重（参数a, b），这实质上是修改了“突触权重的功效”。尽管对比文件是在离线训练中完成此操作，而目标专利可能涉及更动态的在线调整，但“修改突触权重的功效”这一技术手段本身已被对比文件公开。然而，修改“神经元的可兴奋性”这一替代手段未被公开。由于特征I是“或”关系（至少一者），且对比文件仅公开了其中一部分（修改权重功效），但未公开另一部分（修改可兴奋性），且公开部分的应用场景和作用（通用预测模型训练 vs. 空间目标选择动态偏置）完全不同，本领域技术人员无法从对比文件公开的权重调整中毫无疑义地或合理地推断出目标专利中用于空间目标选择的“动态修改”技术方案。因此，**该特征作为整体未被对比文件公开**。 |
| **特征J《直接公开》**<br>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。 | 第[0052]段，表5 “Activation Functions” 列出了激活函数及其公式，如“SQUARE: (a + b*x)*x”。第[0055]-[0056]段描述了优化这些激活函数的参数（a和b）。 | 对比文件明确公开了神经网络中使用的激活函数具有参数（如a和b），这些参数在优化过程中被确定，并应用于神经元的输入连接上。例如，在第[0048]段描述的节点计算“a11*tanh(b11*PC16)”中，参数a11和b11就是针对该神经元输入突触（接收PC16输入）的权重。这直接对应于目标专利中的“突触权重”，并且是针对“输入突触”和“神经元之间的连接”的。本领域技术人员能够毫无疑义地从对比文件得出该技术特征。 |
| **特征K《未公开》**<br>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。 | 对比文件未提及“目标选择函数”，也未涉及“回报的抑制”、“行为状态”、“时间段”、“任务”、“时间复用函数”或任务切换事件等概念。 | 目标专利的特征K定义了目标选择函数所依据的一系列具体准则，这些准则与自适应行为、任务管理和时间动态密切相关。对比文件专注于通过统计方法构建预测模型，其“函数”（如优化目标函数SSE）完全基于数据拟合，不涉及上述任何行为学或任务相关的准则。因此，该特征未被对比文件公开。 |
| **特征L《未公开》**<br>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。 | 对比文件未描述多个任务与多个人工神经网络的对应关系，也未讨论网络的静态或动态属性。 | 目标专利的特征L涉及多网络、多任务系统。对比文件仅涉及构建单一的神经网络用于预测一个或多个目标变量，没有提及为不同任务配置不同网络，或网络的静态/动态特性。因此，该特征未被对比文件公开。 |
| **特征M《直接公开》**<br>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。 | 第[0057]段：“The vector y is the target vector for the first stage and is the residuals vector from the previous stage for the other stages ...”。第[0055]段描述了使用Levenberg-Marquardt算法最小化目标函数（如SSE）来优化参数。 | 对比文件公开的神经网络生成方法中，每个阶段（层）的权重（失衡量）是通过优化算法确定的。该优化过程明确基于神经网络的“输入”（即当前阶段选定的主成分得分）和“输出”（即第一阶段的“目标变量”或后续阶段的“残差”——这是前一阶段的输出与目标之间的差异）来计算并调整权重，以最小化误差。这直接对应于“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”。本领域技术人员能够毫无疑义地从对比文件得出该技术特征。 |
<<<J>>><<<M>>>