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！

龙图腾网获悉西南石油大学申请的专利一种基于经验模态分解和异构在线学习的岩性识别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：CN116956037B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202310925724.6，技术领域涉及：G06F18/214；该发明授权一种基于经验模态分解和异构在线学习的岩性识别方法是由蒋俊;罗海峰;李皋;罗芳;王涛;肖东;夏文鹤;李红涛;刘厚彬;方潘;杨旭设计研发完成，并于2023-07-26向国家知识产权局提交的专利申请。

本一种基于经验模态分解和异构在线学习的岩性识别方法在说明书摘要公布了：本发明的目的在于提出一种基于经验模态分解和异构在线学习的岩性识别方法，包括以下步骤：首先对已获取的钻井参数进行数据预处理包括特征筛选、缺失值处理、过滤非法数据、特征数据目标数据编码；然后基于经验模态分解模型分解特征参数；并对分解后特征参数采用异构体系训练m个离线模型和m个在线模型；最后结合自适应权重进行异构模型的融合，用于识别地层岩性。本发明将经验模态分解和机器学习算法用于岩性识别，提出了钻井参数的模态分解方法和机器学习的训练架构，并将联合域分布JDA应用于机器学习模型训练中，可以提高原有离线模型的识别精度和鲁棒性。

本发明授权一种基于经验模态分解和异构在线学习的岩性识别方法在权利要求书中公布了：1.一种基于经验模态分解和异构在线学习的岩性识别方法，其特征在于，包括以下步骤： S1:对钻进参数信号经验模态分解； S2:将新井数据和邻井数据进行JDA映射处理，包括以下子步骤： S21：联合域分布利用最大均值差异，处理过程为通过矩阵运算来调整样本之间的边缘分布和条件分布，构造出有效且稳定的新特征表示法从而降低样本分布差异； S22：使用邻井数据和部分未知标签的新井数据来初始化映射矩阵； 离线过程中直接对每口邻井数据进行映射处理，计算式为： 其中； 在线过程中将使用相同的变换矩阵处理，随着新数据不断的增加，使用新井数据调整边缘分布和条件分布的差异，在线过程中对迭代更新，更新表达式为： 其中代表样本类别，代表邻井m中样本类别为的特征属性的平均值，代表新井中样本类别为的特征属性的平均值，正则化系数； S3:基于映射后的数据对m口邻井分别建立m个离线模型； S4:对新井数据建立m个在线模型，包括以下子步骤： S41：对于数据流的处理在线极限梯度提升算法将顺序到达的数据存储在一个缓存器中，一旦缓存器达到上限，将缓冲中所有数据以小批量的方式送入离线极限梯度提升构建基于当前数据的基学习器，迭代初始化缓存-缓存-训练过程，训练下一个基学习器fi+1； S42：第个基学习器的建立基于新获取的缓存数据和前个基学习器产生的损失值，损失值的计算仅基于当前强学习器中包含的基学习器的个数T，计算式为： 其中代表每个基础提升树叶子节点的个数，wT′j代表当前提升树第个叶子节点的最优值，，； S43：在解决自适应的问题上，定义了缓存窗口的大小，计算式为： 代表第i批数据构建模型时的缓存窗口大小； S44：在线模型中包含的基学习器的个数达到最大值之前，会直接将新的学习器加入到强学习器中； S45：在达到最大数量后，在线模型的更新策略分为push和replace两种方式， push使用队列的方式删除最老的基模型，加入最新的基模型； replace直接替换最老的基模型； S46：在权重设置方面，令权重会使得在push方式中相对较老的模型会对预测结果产生影响，在replace方式中正好相反，新模型会对预测结果占有影响； S5:加权组合得到强学习器，包括以下子步骤： S51：为每个模型都增加模型权重，第m个离线和在线模型的权重分别定义为,，并且初始化权重为； 希望模型权重能够自适应的校正更新，定义权重的更新式如下： 其中的超参数，代表离线模型m在数据历史井m上的预测结果，代表在线模型m在数据新钻井m上的预测结果，代表真实标签结果代表第m个离线模型的权重，代表第m个在线模型的权重； S52：基于离线和在线的异构模型以及模型权重更新方法，构建如下自适应权重结合策略，计算式为： 其中输出代表维向量，其中代表样本的类别数量。

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西南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8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。