# 特征比对分析
**对比文件名称：** 2012-06-27_CN102521653A_发明公开_CN102521653A 井下多机器人联合搜救的生物刺激神经网络设备及其方法
**目标专利名称：** 208动态空间目标选择CN106796667B
**模型名称：** 特征比对分析模型
以下是根据目标专利权利要求划分的技术特征与对比文件的比对表格：
| 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《直接公开》** | [0007] 利用位置射频标签标记出井下巷道各处的坐标(x，y，z)；…<br>[0065] …将环境空间离散化，其中每个离散点是一个4维空间，分别由(x，y，z，s)构成，(x，y，z)是该离散点的地理位置坐标，通过射频标签读取； | 目标专利特征A是将多个目标映射到目标地图的不同位置。对比文件明确公开了利用射频标签标记井下各处坐标（位置）[0007]，并将环境空间离散化，每个离散点具有地理位置坐标(x,y,z)[0065]。这些离散点构成了地图，每个位置（目标点，如矿工位置、已搜索点）被映射到该地图中。因此，对比文件直接公开了将多个位置（目标）映射到地图中不同位置的技术特征。 |
| **技术特征B《隐含公开》** | [0065] …将环境空间离散化，其中每个离散点是一个4维空间，分别由(x，y，z，s)构成，(x，y，z)是该离散点的地理位置坐标，通过射频标签读取；<br>[0073] …而pn是机器人探测范围内所有神经元中动态活性值最大的那个… | 目标专利特征B要求目标地图包括相对于机器人位置的多个位置，即自我中心式坐标。对比文件构建的地图基于全局坐标(x,y,z)[0065]。然而，在机器人路径规划时，机器人选择“探测范围内”活性值最大的神经元作为移动目标[0073]。这表明机器人在决策时使用的是以其自身当前位置为参考的局部信息（探测范围），本领域技术人员可以理解，为了实现这种基于探测范围的实时路径规划，机器人需要将全局地图信息转换或关联到其自身相对的局部坐标系中进行处理。因此，对比文件隐含公开了地图包含相对于机器人设备位置的多个位置这一特征。 |
| **技术特征C《直接公开》** | [0065] …s是生物刺激神经网络神经元的活性值…<br>[0066] 在这个方程中，k表示与该神经元有连接的神经元个数… | 目标专利特征C是每个位置由人工神经网络中的神经元表示。对比文件明确说明每个离散点（即位置）对应一个神经元，并具有活性值s[0065]，且描述了神经元之间的连接关系[0066]。因此，对比文件直接公开了用神经元表示地图中的每个位置。 |
| **技术特征D《隐含公开》** | [0066] …s是生物刺激神经网络神经元的活性值，由下式计算：…<br>[0070][0071] 生物刺激神经网络模型中的刺激性输入和抑制性输入…分别来自于所要搜寻的矿工和搜索过程中发现的障碍物…<br>[0073] 机器人朝已知活性值最大的神经元运动。 | 目标专利特征D是通过控制至神经元的失衡量来动态修改目标选择函数，以使机器人移动偏向或偏离候选目标。对比文件中，神经元的活性值s由公式动态计算[0066]，其输入包括刺激性输入（来自矿工）和抑制性输入（来自障碍物）[0070][0071]，这实质上是通过控制不同性质输入（激励与抑制）的“量”来动态影响神经元的活性值。机器人选择朝活性值最大的神经元移动[0073]，这构成了一个目标选择函数（选择最高活性值位置）。活性值受外部发现的矿工（偏向）和障碍物（偏离）影响而动态变化，从而修改了机器人的移动目标选择。因此，对比文件隐含公开了通过控制输入至神经元的激励与抑制量来动态修改选择函数，进而引导机器人移动的特征。 |
| **技术特征E《直接公开》** | [0070] …刺激性输入…来自于所要搜寻的矿工…<br>[0071] …抑制性输入…来自于搜索过程中发现的障碍物… | 目标专利特征E是失衡量基于偏置准则来激励或抑制连接。对比文件明确公开了“刺激性输入”来自矿工（可视为一种吸引/激励的偏置准则），“抑制性输入”来自障碍物（可视为一种避免/抑制的偏置准则）[0070][0071]。这两种输入分别起到了激励和抑制神经元活性的作用。因此，对比文件直接公开了基于特定偏置准则（目标类型）来提供激励性或抑制性输入（连接影响）的特征。 |
| **技术特征F《直接公开》** | [0065] …每个离散点是一个4维空间，分别由(x，y，z，s)构成…<br>[0070] …刺激性输入…来自于所要搜寻的矿工… | 目标专利特征F是神经元代表与候选目标相对应的位置。对比文件中，每个神经元代表一个离散的地理位置(x,y,z)[0065]。当该位置存在矿工（候选搜救目标）时，该位置神经元会接收到刺激性输入[0070]，其活性值增高，成为机器人移动的候选目标。因此，神经元确实代表了与候选目标（矿工）相对应的位置，对比文件直接公开了该特征。 |
| **技术特征G《未公开》** | (未找到相应内容) | 目标专利特征G限定了连接包含中间神经元，并通过修改中间神经元的可兴奋性或突触权重功效来实现动态修改。对比文件描述的神经网络模型中，神经元的活性值计算直接依赖于输入和连接权值wij[0066]，未提及任何位于输入与输出神经元对之间的“中间神经元”结构，也未涉及修改此类中间神经元的可兴奋性。因此，该特征未被对比文件公开。 |
| **技术特征H《直接公开》** | [0070][0071] 生物刺激神经网络模型中的刺激性输入和抑制性输入 和 分别来自于所要搜寻的矿工和搜索过程中发现的障碍物… | 目标专利特征H是动态修改包括用外部输入来动态修改。对比文件明确说明，神经元的刺激性输入和抑制性输入分别来自外部环境中的矿工和障碍物[0070][0071]。这些外部输入直接参与了神经元活性值s的动态计算过程[0066]，从而动态修改了整个系统的状态（地图）和机器人的选择。因此，对比文件直接公开了利用外部输入进行动态修改的特征。 |
| **技术特征I《未公开》** | [0066] …wij表示连接权值… A、B和D都是常数； | 目标专利特征I是动态修改包括动态修改神经元自身的可兴奋性或突触权重的功效。对比文件给出了神经元活性值的计算公式，其中连接权值wij、常数A、B、D均未在说明书中被描述为可动态修改的参数[0066]。活性值的动态变化来源于外部输入量的变化，而非神经元内在属性（可兴奋性）或连接权重本身的动态调整。因此，该特征未被对比文件公开。 |
| **技术特征J《直接公开》** | [0066] 在这个方程中，k表示与该神经元有连接的神经元个数，wij表示连接权值… | 目标专利特征J是突触权重针对输入突触、神经元之间的连接或其组合。对比文件在神经元活性值计算公式中明确提到了“连接权值wij”[0066]，这对应于人工神经网络中神经元之间的连接的权重。因此，对比文件直接公开了突触权重针对神经元之间连接的技术特征。 |
| **技术特征K《部分隐含公开》** | [0070][0071] …刺激性输入…来自于所要搜寻的矿工…抑制性输入…来自于搜索过程中发现的障碍物… | 目标专利特征K列举了选择函数可基于的多种准则，如回报抑制、行为状态等。对比文件中，机器人选择目标（移动方向）的函数基于神经元活性值，而活性值受“矿工”（可视为一种正向回报/目标）和“障碍物”（可视为一种抑制/负面因素）的影响[0070][0071]。这相当于部分公开了选择函数基于“回报”（矿工）和“抑制”（障碍物）的准则。然而，对比文件未提及目标专利中列出的其他准则，如对象的行为状态、时间段、所指派的任务等。从广义和宽松的隐含公开标准判断，对比文件至少部分公开了基于“回报”和“抑制”这一组合准则，因此可以认为技术特征K被部分隐含公开。 |
| **技术特征L《未公开》** | (未找到相应内容) | 目标专利特征L涉及多个任务、多个人工神经网络及其静态/动态属性。对比文件仅描述了一个用于井下搜救和返程路径规划的单一生物刺激神经网络模型，未提及多个不同的任务、与之对应的多个人工神经网络，也未讨论网络的静态或动态性质。因此，该特征未被对比文件公开。 |
| **技术特征M《直接公开》** | [0070][0071] …刺激性输入…来自于所要搜寻的矿工…抑制性输入…来自于搜索过程中发现的障碍物… | 目标专利特征M是进一步包括基于对人工神经网络的输入来控制失衡量。对比文件明确说明，神经元的刺激性输入和抑制性输入（即失衡量的来源）分别来自于外部环境中的矿工和障碍物[0070][0071]。这些输入直接作为神经网络计算的依据，从而控制着整个网络中神经元活性的失衡状态。因此，对比文件直接公开了基于对神经网络的输入来控制失衡量的特征。 |
<<<A>>><<<C>>><<<E>>><<<F>>><<<H>>><<<J>>><<<M>>><<<b>>><<<d>>><<<k>>>