非显而易见性评估仅供参考，不构成法律建议。
权利要求列表点击可跳转
对比文件列表
| 编号 | 名称 |
|---|---|
| 0 | 2012-10-22_JP2012204910A_发明专利_JP2012204910A Communication system, base station device, mobile station device, and method and integrated circuit for managing throughput of mobile station device_+++R+++.docx |
| 0 | 2017-05-11_WO2017076964A_发明申请_WO2017076964A1 ANLAGE ZUR HERSTELLUNG VON KOHLENSTOFFFASERN.docx |
| 0 | 2017-04-20_US2017111916A_发明申请_US20170111916A1 Predicting Resource Scheduling_+++R+++.docx |
| 0 | 2017-01-12_US2017011734A_发明申请_US20170011734A1 METHOD FOR SYSTEM COMBINATION IN AN AUDIO ANALYTICS APPLICATION.docx |
| 0 | 2016-01-07_WO2016003334A_发明申请_WO2016003334A1 PREDICTING RESOURCE SCHEDULING_+++R+++.docx |
| 0 | 2015-09-03_US2015249554A_发明申请_US20150249554A1 ADAPTIVE DEMODULATION METHOD AND APPARATUS USING AN ARTIFICIAL NEURAL NETWORK TO IMPROVE DATA RECOVERY IN HIGH SPEED CHANNELS_+++R_g_h_q+++.docx |
| 0 | 2015-05-13_CN104618291A_发明公开_CN104618291A 基于余量自适应准则的资源分配方法及装置_+++R+++.docx |
| 0 | 2015-02-12_JP5668050B_发明专利_JP5668050B2 電気的に切り替え可能な高分子膜アセンブリおよびその使用.docx |
| 0 | 2014-05-21_JP5498551B_发明专利_JP5498551B2 Ultrasonic diagnostic apparatus and ultrasound transmission and reception conditions optimization program.docx |
| 0 | 2013-03-05_US8391383B_发明授权_US08391383B2 Dynamic tone grouping and encoding for multi-carrier quadrature amplitude in OFDM_+++O_R+++.docx |
| 0 | 2013-01-24_JP2013013759A_发明专利_JP2013013759A Ultrasonic diagnostic apparatus and ultrasonic transmission_reception condition optimizing program.docx |
| 0 | 2012-12-26_EP2538553A_发明公开_EP2538553A1 Apparatus and method for mitigating impairments of a transmit signal.docx |
| 0 | 2012-11-08_US2012281780A_发明申请_US20120281780A1 PARTIAL INTERFERENCE ALIGNMENT FOR K-USER MIMO INTERFERENCE CHANNELS.docx |
| 0 | 2001-05-15_US6233230B_发明授权_US06233230B1 Neural network IS-95 rate determination_+++f_g_h_i_s+++.docx |
| 0 | 2012-10-04_JP2012523809A_发明专利_JP2012523809A Electrically switchable polymer membrane assembly and the use thereof.docx |
| 0 | 2011-05-26_US2011125684A_发明申请_US20110125684A1 Method for identifying multi-input multi-output hammerstein models.docx |
| 0 | 2010-02-04_WO2010013960A_发明申请_WO2010013960A2 METHOD AND APPARATUS FOR ALLOCATING RESOURCE OF MULTIPLE CARRIERS IN OFDMA SYSTEM_+++R+++.docx |
| 0 | 2008-03-13_JP2008507532A_发明专利_JP2008507532A Diarylether β2 adrenergic receptor agonist.docx |
| 0 | 2007-08-09_JP2007522685A_发明专利_JP2007522685A Transmission signal, a method and apparatus_+++R+++.docx |
| 0 | 2006-04-26_CN1765097A_发明公开_CN1765097A 传输信号,方法和设备_+++O_R+++.docx |
| 0 | 2006-02-08_CN1731779A_发明公开_CN1731779A 基于神经网络均衡器的小波包多载波扩频系统及控制方法_+++Q+++.docx |
| 0 | 2005-09-08_US2005195734A_发明申请_US20050195734A1 Transmission signals, methods and apparatus_+++O_R+++.docx |
| 0 | 2005-09-01_WO2005081487A_发明申请_WO2005081487A1 TRANSMISSION SIGNALS, METHODS AND APPARATUS_+++O_R+++.docx |
| 0 | 2005-08-24_GB2411327A_发明专利_GB2411327A Training sequence for MIMO-OFDM which is suitable for use with null sub-carriers.docx |
| 0 | 2005-08-24_EP1566936A_发明公开_EP1566936A1 MIMO OFDM system_+++R_o+++.docx |
| 0 | 2002-10-15_US6466614B_发明授权_US06466614B1 Method and apparatus for classifying a baseband signal_+++f_g+++.docx |
权利要求1
一种通信方法，包括： 将多个发射器神经网络和多个接收器神经网络组织成多个发射器接收器神经网络对，其中发射器接收器神经网络对针对多载波传输系统的多个子载波频带中的每个子载波频带而被定义； 将所述多载波传输系统的多个符号布置成多个传输块； 将所述传输块中的每个传输块映射到所述发射器接收器神经网络对中的一个发射器接收器神经网络对； 使用所映射的所述发射器接收器神经网络对来传输每个符号；以及针对每个发射器接收器神经网络对，使用损失函数来训练发射神经网络和接收神经网络的至少一些权重。
作为一名经验丰富的专利代理师，我针对权利要求1及提供的对比文件（D1: US6233230B1; D2: US6466614B1）进行深度法律与技术分析。
### 权利要求解释与说明书对照
权利要求1的核心在于一种基于**端到端学习（End-to-End Learning）**的多载波通信架构。
* **技术特征A/B（神经网络组织结构）：** 说明书[0030]-[0035]指出，这不同于传统通信模块的单独优化，而是将发射器和接收器均实现为深度神经网络（NN），并形成“自动编码器”结构。特别是特征B，强调了NN对与多载波系统的**子载波频带**一一对应，这在物理层设计上实现了针对特定频率特性的定制化编码。
* **技术特征C/D/E（映射与传输）：** 说明书[0045]-[0061]详细描述了帧被划分为传输块 $B_l$，并通过映射函数 $\Phi(l)$ 将块分配给特定的NN对。这实现了类似自适应编码调制（ACM）的效果，但其星座图和特征是由神经网络通过学习定义的。
* **技术特征F（训练机制）：** 说明书[0072]-[0084]明确了使用随机梯度下降（SGD）和分类交叉熵等损失函数进行端到端联合训练。
---
### 对比文件技术特征比对表
| 权利要求1的技术特征 | 对比文件1 (D1: US6233230B1) | 对比文件2 (D2: US6466614B1) |
| 特征A： 将多个发射器NN和多个接收器NN组织成NN对 | 未公开。 D1仅在接收端使用一个NN进行速率判定（Rate Determination）。[SUMMARY OF THE INVENTION, Col 2, Line 37-45] | 未公开。 D2使用神经网络（MSOM和非线性映射器）进行信号分类（2/4-level FSK）。[FIG. 4; Col 5, Line 15-25] |
| 特征B： NN对针对多载波系统的每个子载波频带而被定义 | 未公开。 D1涉及的是CDMA（码分多址）系统，非多载波系统。[Field of the Invention, Col 1, Line 6-10] | 实质公开。 虽然D2未明确NN对，但其分类器针对不同的频率偏移和信号等级进行聚类分析。[Col 6, Line 45-60] |
| 特征C： 将符号布置成多个传输块 | 毫无异议公开。 D1提到通信信号以帧（Frames）的形式传输。[Col 1, Line 21-25] | 毫无异议公开。 D2提到接收到的符号序列处理。[Col 10, Line 5-15] |
| 特征D： 将传输块映射到特定的一个NN对 | 未公开。 D1中所有数据均通过同一个速率判定NN。 | 未公开。 D2是根据接收信号特征归类到聚类中，非发射端的映射。 |
| 特征E： 使用所映射的NN对来传输每个符号 | 未公开。 D1中NN不参与传输（编码/调制），仅参与接收端的参数估计。 | 未公开。 D2中NN不参与符号的实际物理传输，仅用于分类。 |
| 特征F： 针对每个NN对，使用损失函数训练权重 | 实质公开。 D1提到权重通过离线训练以最小化分类错误。[Col 3, Line 50-55] | 实质公开。 D2提到使用共轭梯度算法最小化均方误差来确定权重。[Col 11, Line 25-35] |
---
### 创造性分析与最接近对比文件
#### 1. 最接近对比文件的选择
本案中，**D1 (US6233230B1)** 适合作为最接近的对比文件。
* **理由：** D1与目标专利同属于移动通信领域，且均探讨了如何利用神经网络优化传统通信协议（如IS-95/CDMA）中的特定处理环节（速率判定）。虽然D1仅在接收端应用NN，但在解决“如何提高接收端处理效率和准确性”这一技术问题上，与目标专利改善系统端到端性能的初衷具有一定的关联性。
[Image of OFDM subcarrier mapping logic]
#### 2. 技术问题与效果分析
* **对比文件解决的问题：** D1和D2主要解决的是**“参数估计/信号分类”**问题。D1利用NN减少Viterbi译码的盲检测功耗；D2利用聚类NN区分调制等级。
* **目标专利解决的问题：** 解决的是**“通信系统物理层整体优化”**问题。通过NN对子载波的端到端学习，突破了传统调制编码方案（MCS）在复杂信道下的人工设计瓶颈。其技术效果在于通过联合训练，使系统能够自动适应多载波信道的衰落特性。
#### 3. 特征组合分析
即使将D1与D2结合，也难以得出权利要求1。
* **缺失的必要关联：** D1和D2中的NN均属于“辅助插件”性质，不直接承担符号的物理波形生成（发射）和逆变换（接收）。
* **子载波特异性：** 权利要求1中“针对每个子载波定义NN对”并进行“块映射”的操作，在CDMA（D1）或简单FSK（D2）中没有对应的技术动机。多载波系统（如OFDM）中子载波的独立处理虽然是常识，但将其与神经网络的端到端映射结合，具有显著的进步。
---
### 无效请求的风险点分析（最薄弱特征）
若提出无效请求，权利要求1中**最薄弱的技术特征是特征C、F以及部分特征B的上位实现。**
1. **特征F（损失函数训练权重）：** 这是一个极其常规的神经网络训练描述。在任何涉及神经网络的通信专利（如D1、D2）中，使用损失函数（如MSE或交叉熵）和梯度下降进行训练几乎是公知常识。
2. **特征C（符号布置成传输块）：** 这属于通信系统的基础框架，在所有的现代通信标准（LTE, 5G, IS-95）中均有体现，缺乏专利显著性。
3. **技术风险点：** 权利要求1的实质性贡献高度依赖于**“发射器NN + 接收器NN”的联合映射结构**。如果能找到一份在OFDM系统中探讨“针对不同子载波性能差异采用不同滤波器或权重参数进行优化”的对比文件，结合D1中“使用NN进行参数决策”的教导，可能会对本专利的创造性构成严重威胁。
**结论：** 目前D1和D2仅公开了接收端的局部NN应用。要成功无效本专利，建议寻找公开了“端到端自编码器”在通信物理层应用的早期学术文献或专利，特别是那些强调“频率敏感型”映射的方案。
权利要求2
根据权利要求1所述的方法，还包括映射在所述多个接收器神经网络处接收的每个符号，以生成对传输的所述符号的估计。
权利要求3
根据权利要求1或权利要求2所述的方法，其中所述发射神经网络和接收神经网络的所述至少一些权重使用随机梯度下降而被训练。
权利要求4
根据权利要求1或权利要求2所述的方法，其中所述损失函数与块错误率有关。
权利要求5
根据权利要求1或权利要求2所述的方法，其中每个符号经由信道从所映射的所述发射器接收器神经网络对的所述发射器神经网络被传输到所述接收器神经网络。
权利要求6
根据权利要求5所述的方法，其中所述信道对于所述多个发射器和接收器神经网络对中的每个发射器和接收器神经网络对是公共的。
权利要求7
根据权利要求5所述的方法，其中所述信道是包括一个或多个计算层的模型。
权利要求8
根据权利要求1或权利要求2所述的方法，还包括优化所述传输块中的每个传输块到所述发射器接收器神经网络对的所述映射。
权利要求9
根据权利要求8所述的方法，其中所述传输块中的每个传输块的所述映射使用增强学习而被优化。
权利要求10
根据权利要求1或权利要求2所述的方法，还包括跨不同符号的数据比特的交织。
权利要求11
根据权利要求1或权利要求2所述的方法，还包括使用载波频率偏移神经网络模块来校正载波频率偏移。
权利要求12
根据权利要求1或权利要求2所述的方法，还包括使用信道均衡神经网络模块来执行信道均衡。
权利要求13
根据权利要求1或权利要求2所述的方法，其中所述多载波传输系统是正交频分复用系统。
权利要求14
一种计算机可读介质，其上存储有计算机可读指令，当所述计算机可读指令由计算装置执行时使所述计算装置执行根据权利要求1至13中任一项所述的方法。
权利要求15
一种计算机可读介质，其上存储有计算机可读代码，所述计算机可读代码在由至少一个处理器执行时引起以下各项的执行：将多个发射器神经网络和多个接收器神经网络组织成多个发射器接收器神经网络对，其中发射器接收器神经网络对针对多载波传输系统的多个子载波频带中的每个子载波频带而被定义； 将所述多载波传输系统的多个符号布置成多个传输块； 将所述传输块中的每个传输块映射到所述发射器接收器神经网络对中的一个发射器接收器神经网络对； 使用所映射的所述发射器接收器神经网络对来传输每个符号；以及针对每个发射器接收器神经网络对，使用损失函数来训练发射神经网络和接收神经网络的至少一些权重。
权利要求16
一种无线通信装置，包括： 至少一个处理器；以及 至少一个存储器，包括计算机程序代码，所述计算机程序代码在由所述至少一个处理器执行时使所述装置：将多个发射器神经网络和多个接收器神经网络组织为多个发射器接收器神经网络对，其中发射器接收器神经网络对针对多载波传输系统的多个子载波频带中的每个子载波频带而被定义； 将所述多载波传输系统的多个符号布置成多个传输块； 将所述传输块中的每个传输块映射到所述发射器接收器神经网络对中的一个发射器接收器神经网络对； 使用所映射的所述发射器接收器神经网络对来传输每个符号；以及针对每个发射器接收器神经网络对，使用损失函数来训练发射神经网络和接收神经网络的至少一些权重。
权利要求17
一种无线通信装置，包括： 用于将多个发射器神经网络和多个接收器神经网络组织成多个发射器接收器神经网络对的部件，其中发射器接收器神经网络对针对多载波传输系统的多个子载波频带中的每个子载波频带而被定义； 用于将所述多载波传输系统的多个符号布置成多个传输块的部件； 用于将所述传输块中的每个传输块映射到所述发射器接收器神经网络对中的一个发射器接收器神经网络对的部件； 用于使用所映射的所述发射器接收器神经网络对来传输每个符号的部件；以及用于针对每个发射器接收器神经网络对使用损失函数来训练发射神经网络和接收神经网络的至少一些权重的部件。