买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国科学院数学与系统科学研究院;中国科学技术大学申请的专利一种基于多阈值量化输出观测的渐近最优岩性预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115204277B 。

龙图腾网通过国家知识产权局官网在2025-12-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210736022.9，技术领域涉及：G06F18/2415；该发明授权一种基于多阈值量化输出观测的渐近最优岩性预测方法是由张纪峰;王颖;李婧;康宇;赵延龙;吕文君设计研发完成，并于2022-06-27向国家知识产权局提交的专利申请。

本一种基于多阈值量化输出观测的渐近最优岩性预测方法在说明书摘要公布了：本发明提出一种基于多阈值量化输出观测的渐近最优岩性预测方法，包括如下步骤：1、根据测井曲线数据及对应岩性信息，构建模型的输入样本，并将总样本分为训练集和测试集；2、基于训练集中的输入样本及对应岩性类别信息，构造并执行多阈值量化岩性识别模型的渐近最优辨识算法；3、根据基于信息矩阵的加权拟牛顿型算法所给出的参数估计值，利用岩性识别模型对岩性进行预测，判断测试集中某样本属于哪个岩性类别。本发明首次提出多阈值量化岩性识别模型以实现测井岩性识别的问题，在节省人力物力的基础上，实现了岩性识别模型的可解释性。本发明提出的基于信息矩阵的加权拟牛顿型算法具有渐近最优性，即其收敛效果优于以往量化辨识算法。

本发明授权一种基于多阈值量化输出观测的渐近最优岩性预测方法在权利要求书中公布了：1.一种基于多阈值量化输出观测的渐近最优岩性预测方法，其特征在于： 步骤1、根据测井曲线数据及对应岩性信息，构建模型的输入样本； 步骤2、基于训练集中的输入样本及对应岩性类别信息，构造并执行多阈值量化岩性识别模型的渐近最优辨识算法；设计基于信息矩阵的加权拟牛顿型算法来辨识岩性识别模型中的未知参数，并评估算法的收敛特性和最优性； 步骤3、根据基于信息矩阵的加权拟牛顿型算法所给出的参数估计值，利用岩性识别模型对岩性进行预测，判断测试集中某样本属于哪个岩性类别； 岩性识别模型公式如下： 其中，φk是第k个岩性样本的样本特征，T代表转置；θ是岩性识别模型的未知参数；dk是第k个岩性样本的白噪声，设噪声服从均值为0方差为σ2的正态分布，其分布函数和密度函数分别为F·和f·；yk是岩性识别模型的输出，能根据m个岩性分类阈值划分为m+1个岩性类别，岩性分类阈值分别是C1,C2,…,Cm，且阈值满足-∞C1C2…Cm∞；此岩性识别模型输出的量化过程如下表示： qk代表第k个岩性样本的岩性类别； 构造基于信息矩阵的加权拟牛顿型算法如下： 对任意的参数估计初值和正定矩阵第k次迭代如下进行，k≥1： a根据第k-1次迭代所计算的参数估计值分别自适应计算量化输出权重系数和协方差权重系数i＝1,…,m+1； 其中，对i＝1,…,m+1，和是分别是所预估的第k个样本为第i个岩性类别的概率密度和概率； 其中，C0＝-∞,Cm+1＝+∞；Ci为岩性分类阈值； b计算量化输出qk的加权转换sk： c计算对岩性识别模型中未知参数的估计： 其中，φk为第k个岩性样本的样本特征，为第k-1个岩性样本所给出的参数估计值，为前k-1个岩性样本的样本特征所计算的协方差阵，为加权转换估计值，为岩性识别模型中未知参数的估计值，为协方差权重，为前k个岩性样本的样本特征构成的协方差阵； d评估基于信息矩阵的加权拟牛顿型算法的收敛特性和最优性： 若岩性样本的特征序列{φk}是有界持续激励的，即且存在正整数h使得对所有的k都有In指单位矩阵；基于信息矩阵的加权拟牛顿型算法的均方收敛速度为： 其中，代表数学期望，O是一种渐近符号，代表前后两个变量数量级是同阶的，即b＝Oa意味着小于等于某个不为零常数； 基于信息矩阵的加权拟牛顿型算法是渐近最优的，即： 其中，是为公式1-2的克拉美罗下界，其中和

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国科学院数学与系统科学研究院;中国科学技术大学，其通讯地址为：100083 北京市海淀区中关村东路55号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。