**本次调用的模型名称：** 专利创造性评估模型
**对比文件名称：** 2011-11-22_US8065244B_发明授权_US08065244B2 Neural-network based surrogate model construction methods and applications thereof
**目标专利名称：** 345在多维范围上对包括可分离子系统的系统的评估CN105580031B
以下是根据目标专利权利要求的技术特征划分创建的特征比对表格。
### 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（段落标号或部分） | 公开性论述 |
| **技术特征A**：包括：通过确定所述神经网络的第一群互连神经元的输入与第二群互连神经元的输出之间的单向依赖性来将所述神经网络串行化成所述第一群互连神经元和所述第二群互连神经元。 <br> **判断结果：未公开** | 无直接对应内容。对比文件描述了构建由多个独立神经网络（成员网络）组成的集成（ensemble），这些成员网络平行地接收相同输入并产生输出，然后组合这些输出（例如，第[0061]段，图7）。例如，第[0061]段：“The computer trains a set of neural networks in block 420, varying the training parameters for each network. ... By varying the training parameters, the computer obtains a pool of unique neural networks that each perform adequately over their respective training sets.” | **论述**：目标专利的“串行化”是指基于子系统（或神经元群）之间的**单向依赖性**（如说明书第[0051]段所述的第一隐藏子系统输出至第二隐藏子系统，但第二隐藏子系统不输出回第一隐藏子系统）将网络划分为具有层级顺序的层（如输入层、隐藏层）。对比文件构建的神经网络集成（ensemble）是由多个独立的、功能完整的神经网络平行组合而成，以提升预测的鲁棒性。集成中的成员网络之间是**并列、独立**的关系，它们接收相同的输入并各自计算，不存在一个网络的输出作为另一个网络的输入这种**单向的、层级化的依赖性**。因此，对比文件既未直接公开也未隐含公开通过确定单向依赖性进行“串行化”这一技术特征。 |
| **技术特征B**：所述单向依赖性是基于所述第一群互连神经元的输入不同于所述第二群互连神经元的输出来确定的。 <br> **判断结果：未公开** | 无直接对应内容。对比文件未涉及基于不同神经元群的输入/输出来确定单向依赖性的概念。 | **论述**：该特征进一步限定了如何确定“单向依赖性”，即通过比较第一群神经元（如输入层）的输入与第二群神经元（如隐藏层）的输出来判断。目标专利说明书（例如第[0051]-[0053]段）通过示例说明了这种依赖性，例如输入层接收外部参数，其输出影响隐藏层，但隐藏层的输出不影响输入层。对比文件完全没有提及任何关于分析神经网络内部不同“群互连神经元”之间输入/输出关系以确定依赖性或划分层级的内容。其核心在于集成多个完整的网络，而非分析单个网络内部的结构依赖性。因此，该特征未被对比文件公开。 |
| **技术特征C**：基于所述第一群互连神经元的第一输入参数是否影响所述第一群互连神经元来修剪所述第一输入参数。 <br> **判断结果：未公开** | 无直接对应内容。对比文件提到在训练神经网络时会使用不同的训练集、隐藏节点数等参数来创建多样性（第[0058]段），但这属于模型构建时的参数选择，而非基于参数对特定子系统（神经元群）影响的“修剪”。 | **论述**：目标专利的“修剪”是指在确定了子系统（如串行化或并行化后的神经元群）后，移除那些对该特定子系统的输出没有影响的输入参数，以优化计算（如说明书第[0063]-[0065]段，图6D所示，参数A只影响第一并行化群集，因此其他参数被从该群集的输入中修剪掉）。对比文件虽然涉及选择不同的网络结构和训练参数（第[0058]段），但其目的是为了创建具有多样性的候选神经网络池，以提高集成的整体性能，而不是为了减少特定子系统或神经元群的输入参数数量以优化参数扫掠的计算效率。两者目的和手段均不相同。因此，该特征未被对比文件公开。 |
| **技术特征D**：基于所述第二群互连神经元的第二输入参数是否影响所述第二群互连神经元来修剪所述第二输入参数。 <br> **判断结果：未公开** | 无直接对应内容。同技术特征C，对比文件无相应描述。 | **论述**：理由同技术特征C。目标专利的修剪是针对每个已识别的子系统（神经元群）独立进行的。对比文件没有揭示将神经网络划分为具有不同输入参数依赖关系的子系统的概念，因此也就不存在基于参数对特定“第二群互连神经元”的影响进行修剪的技术方案。该特征未被公开。 |
| **技术特征E**：其特征在于，所述串行化和/或所述修剪至少部分地取决于存储器存储要求、存储器访问时间和/或计算时间。 <br> **判断结果：未公开** | 无直接对应内容。对比文件提到了使用替代模型是为了解决高保真仿真计算成本高的问题（第[0026]段），并提及了集成复杂度（SSW）作为优化目标之一（第[0064]段方程(1)），但未将其与串行化/修剪的决策直接关联。 | **论述**：目标专利说明书（第[0070]-[0071]段）明确描述了一个优化函数（方程15），该函数基于评估时间(Te)、访问时间(Ta)和存储要求(S)来决定是否缓存子系统的输出，这直接影响串行化/修剪后的执行策略。对比文件虽然关注计算效率（使用替代模型加速优化），但其优化目标（如方程(1)中的EMSE， SSW, P）是针对集成模型的**预测准确性、复杂度和多样性**，而不是为了指导是否进行“串行化”或“修剪”这些网络结构重组操作，也不是为了在参数扫掠中权衡存储与计算。两者解决的问题层面不同。因此，该特征未被对比文件公开。 |
| **技术特征F**：其特征在于，进一步包括基于以下各项来定义所述第一群互连神经元和所述第二群互连神经元：所述神经网络的连通性和/或监视所述参数扫掠的活跃性水平。 <br> **判断结果：未公开** | 无直接对应内容。对比文件未提及基于网络连通性定义神经元群，也未提及监视“参数扫掠的活跃性水平”。 | **论述**：目标专利说明书（第[0051]-[0053]段，图5B）指出子系统（神经元群）可以基于网络连通性（如前馈连接）来定义。此外，第[0067]段提到可以通过监视扫掠的活跃性水平（例如，输出是否相似）来定义子系统。对比文件在构建神经网络候选池时，通过改变网络结构（隐藏层节点数）和训练数据来获得多样性（第[0058]段），但这并非基于分析网络内部神经元的**连接关系（连通性）** 来划分功能性子系统。同时，对比文件也没有任何关于在参数扫掠过程中监视神经元或子系统“活跃性水平”的描述。因此，该特征未被对比文件公开。 |
| **技术特征G**：其特征在于，进一步包括：对于所述扫掠的每一步骤，存储所述第一群互连神经元的输出和所述第二群互连神经元的所述输出。 <br> **判断结果：未公开** | 无直接对应内容。对比文件提到了存储训练数据、验证数据以及集成预测结果（如第[0057]段图5，第[0072]段表1），但这不是在“参数扫掠的每一步骤”存储特定神经元群的输出。 | **论述**：目标专利说明书第[0068]段明确指出：“在扫掠中的每一步骤之后，存储每个子系统的输出。” 这是为了后续对组合网络的输出进行分析。对比文件中存储的是用于训练和验证的**原始数据样本**（输入-输出对），以及训练好的模型（神经网络或集成）对某些验证点的**最终预测结果**（如第[0072]段表1中的误差）。这不同于在系统的参数优化扫掠过程中，实时存储中间子系统（第一群、第二群神经元）的输出。对比文件的过程是模型构建和验证，而非目标专利所针对的、在已定义子系统基础上进行高效参数扫掠的过程。因此，该特征未被对比文件公开。 |
| **技术特征H**：其特征在于，进一步包括评估所述神经网络的输出以确定期望的参数值集。 <br> **判断结果：直接公开** | 第[0090]段：“The global ensemble that is selected in block 428 of FIG. 4 can then be used as a surrogate model in block 430 to conduct a search of the parameter space for an optimal solution. The solutions can be evaluated for optimality in block 432 until a likely candidate or range of parameter values is identified.” | **论述**：该特征被对比文件直接公开。对比文件明确描述了使用构建好的神经网络集成（即目标专利中的一种“神经网络”）作为替代模型（surrogate model），在参数空间中进行搜索以找到最优解（最优参数值集）。例如，在第[0090]段，对比文件指出选定的全局集成可用于“在参数空间中搜索最优解”，并对解进行评估直到确定可能的候选参数值范围。这完全对应于目标专利中“评估神经网络的输出以确定期望的参数值集”的技术特征。两者目的和作用相同，都是利用神经网络的预测输出来指导选择最优的参数组合。 |
<<<H>>>