首页 / 专利库 / 物理 / 机械波 / 地震波 / 一种地球物理数据处理方法

一种地球物理数据处理方法

阅读:904发布:2021-12-06

专利汇可以提供一种地球物理数据处理方法专利检索,专利查询,专利分析的服务。并且提供一种地球物理 数据处理 方法,具体涉及一种具有信道衰落的无穷分布时滞神经网络系统的状态估计方法,在其中考虑了随机发生的不确定性、信道衰落和无穷分布时滞对状态估计性能的影响,构造李亚普诺夫函数完整利用了时滞的有效信息,相比于已有的神经网络动态系统的状态估计方法,本 发明 的状态估计方法能够一并考虑随机发生的不确定性、信道衰落和无穷分布时滞,得出了依赖线性矩阵不等式解的状态估计方法,实现抵制噪声干扰的效果,进一步提高了对 地层 成像的 精度 。,下面是一种地球物理数据处理方法专利的具体信息内容。

1.一种地球物理数据处理方法,其具体为一种具有信道衰落的无穷分布时滞神经网络系统的状态估计方法,该方法包括以下步骤:
(1)在野外勘探目标区中在实际井中以人工方法激发地震波,利用检波采集设备获得地震数据,将野外采集到的地震数据进行预处理;
(2)基于预处理后的地震数据,建立考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型;
(3)对考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型进行状态估计;
(4)根据步骤(3)对具有随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型的状态估计,求出状态估计误差;
(5)根据步骤(4)得到的状态估计误差,得到状态估计增广系统;
(6)利用状态估计增广系统,根据李亚普诺夫稳定性定理,得到状态估计器增益矩阵;
(7)将步骤(6)得到的状态估计器增益矩阵带入步骤(3)中的状态估计公式,完成对考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的状态估计;
(8)利用得到的状态估计,进行整个目标区的地震资料的成像。
2.依据权利要求1所述的地球物理数据处理方法,其特征在于,步骤(2)的具体内容为:
建立考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型,其状态空间形式为:
式中,x(k)为k时刻神经网络动态模型的状态向量,x(k+1)为k+1时刻神经网络动态模型的状态向量;τ表示神经网络动态系统的时滞,τ=1,2,3,...,∞;x(k-τ)为k-τ时刻的神经网络动态模型的状态向量;f(x(k))为初始条件为零的非线性激励函数;ω(k)为k时刻属于l2[0,∞)的干扰信号,l2[0,∞)为在[0,∞)上平方可和向量函数空间;y(k)为神经网络系统k时刻的理想输出,z(k)为神经网络系统k时刻状态向量的线性组合;A,B,C,D,E,G,H均为已知适当维数的系统矩阵;分布时滞的收敛系数 αi(k)为服从伯努
利分布的随机变量,其中i=1,2,3;实值矩阵ΔA,ΔB,ΔC表示有界不确定参数矩阵,满足[ΔA ΔB ΔC]=MF(k)[N1 N2 N3],其中M,N1,N2,N3为已知常矩阵,F(k)为未知矩阵,满足FT(k)F(k)≤I,I为单位矩阵。
3.依据权利要求1所述的地球物理数据处理方法,其特征在于,步骤(3)的具体内容为:
对考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型进行状态估计;
状态估计器公式:
式中 为在k时刻对状态向量x(k)的估计值, 为k+1时刻对状态向量x(k+1)的估计值, 为神经网络系统k时刻的实际测量输出, 为z(k)在k时刻的估计值,Af,Bf,Cf,Df为待求状态估计器增益矩阵。
4.依据权利要求1所述的地球物理数据处理方法,其特征在于,步骤(4)的具体内容为:
根据步骤(3)对具有随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型的状态估计,求出状态估计误差:
将式(1)减式(2),得到状态估计误差方程:
式中,为已知正标量, 为信道系数, 为信道系数的
期望,令 v(k)为系统内部干扰,; 为k时刻的状态估计误
差,e(k+1)为k+1时刻的状态估计误差; 为k时刻z(k)的估计误差; 为αi(k)的期望,令
5.依据权利要求1所述的地球物理数据处理方法,其特征在于,步骤(5)的具体内容为:
根据步骤(4)得到的状态估计误差,得到状态估计增广系统;
上式中,η(k)=[xT(k) eT(k)]T, ξ(k)=
T T T T T T
[ω(k) v(k)],x(k)为状态向量x(k)的转置,e(k)为状态估计误差e(k)的转置,v(k)为系统内部干扰v(k)的转置,wT(k)为系统外部干扰w(k)的转置,fT(x(k))为非线性激励函数f(x(k))的转置, 为非线性激励函数 的转置。式(4)中矩阵的形式为:
Ak=diag{ΔA,ΔA},
Bk=diag{ΔB,ΔB},Ck=diag{ΔC,ΔC},
Af=diag{Af,Af},Bf=diag{Bf,Bf},S3=diag{0,I},S4=diag{-I,I},
Cf=[Cf Cf],Df=[Df Df],H=[H 0],
6.依据权利要求1所述的地球物理数据处理方法,其特征在于,步骤(6)的具体内容为:
利用状态估计增广系统,根据李亚普诺夫稳定性定理,得到状态估计器增益矩阵Af,Bf,Cf,Df;
由公式:
得到矩阵 和K,通过公式
求解出状态估计器增益矩阵Af,Bf,Cf,Df;公式(5)和公式(6)中矩阵具体形式为:
L=diag{l1,l2,…,ln},N1=diag{N1,N1},N2=diag{N2,N2},N3=diag{N3,N3},F(k)=diag{F(k),F(k)},Ak=M F(k)N1,Bk=M F(k)N 2,Ck=M F(k)N3,
diag{·}表示对矩阵,I为单位矩阵,符号 表示克罗内克尔乘积,γ为已知的性能指标,ε,λ均为未知正常数, 均为未知对称正定矩阵, 为待求矩
阵。
7.依据权利要求1所述的地球物理数据处理方法,其特征在于,步骤(7)的具体内容为:
将步骤(6)得到的状态估计器增益矩阵Af,Bf,Cf,Df带入步骤(3)中的状态估计公式,完成对考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的状态估计。
8.依据权利要求1所述的地球物理数据处理方法,其特征在于,步骤(6)的具体内容为:
所述的李亚普诺夫稳定性理论为:
V(k+1)-V(k)<0
其中:
V(k)=V1(k)+V2(k)+V3(k)       (7)
V1(k)=ηT(k)Pη(k),
式中,V(k)为k时刻的李亚普诺夫函数,V(k+1)为k+1时刻的李亚普诺夫函数,ηT(k)为η(k)的转置,ηT(l)为η(l)的转置,ηT(i)为η(i)的转置。

说明书全文

一种地球物理数据处理方法

技术领域

[0001] 本发明属于地球物理领域,涉及一种地球物理数据处理方法,具体涉及一种具有信道衰落的无穷分布时滞神经网络系统的状态估计方法,该方法适用于在石油勘探开发中提高成像精度而进行的地震速度模型建立。

背景技术

[0002] 石油地球物理勘探是根据地下岩层物理性质的差异﹐通过物理量测量﹐对地质构造或岩层性质进行研究﹐以寻找石油和天然气的地球物理勘探。在石油勘探中﹐对于被表土﹑沙漠和覆盖没有岩层直接出露的地区﹐主要依靠石油地球物理勘探方法间接了解地质构造和岩层性质,寻找油气藏。目前﹐石油地球物理勘探已成为覆盖区勘探石油的一种不可缺少的手段。当前,复杂地区低信噪比数据处理已成为处理方法研究和处理应用技术研究的最热的课题。经过多年研究攻关,在静校正、叠前去噪、速度建模、偏移归位等领域均已有较大的进展,速度的各向异性研究也开始受到人们的重视,但低信噪比数据处理仍存在着许多有待研究的课题。
[0003] 随着地球物理勘探技术的发展和勘探程度的不断提高,地质情况简单、易被发现的简单构造圈闭越来越少,所面对的已基本上都是复杂地区的复杂油气藏,即复杂区。复杂地区包括沙漠、丘陵、沼泽、林带等复杂的地表区域等,复杂油气藏包括复杂构造、地层、岩性和复合型圈闭油气藏。这些复杂的勘探队相对以地震勘探为主体的油气地球物理技术提出了新的挑战。尤其是在复杂低信噪比资料处理方面,仍存在许多难以解决的瓶颈技术。其一:受地表地质条件复杂的影响,复杂区地表起伏往往变化剧烈、地表速度复杂,地表非均质性造成原始数据资料的信噪比低、干扰严重,面波、折射波尤其是散射噪音比较发育,给提高资料的信噪比带来较大的难度;其二:由于地下地震地质条件复杂,使复杂区资料构造极其复杂,断裂发育,尤其是在复杂的断区域,一般具有多套断裂系统,断层即多又小;断距变化大,从几十米到几百米不等,再加之复杂区往往火成岩比较发育,分布广泛,由于火成岩的速度高,和围岩之间存在较大的波阻抗差异,其结果火成岩反射强,屏蔽下伏地层的反射能量,使得火成岩下的有效反射目的层能量弱,不能很好成像。另外,火成岩产生的多次波对有效反射产生很强的干扰作用,这些问题的存在使原来就比较复杂的波场变得更加复杂化,给构造的精确成像带来困难。
[0004] 在成像控制研究中,状态估计是递归神经网络动态分析中的一个重点研究问题,其可用于解决现实中模式识别、动态优化等方面的信号估计问题。目前已有的状态估计方法不可一并处理随机发生的不确定性、信道衰落和无穷分布时滞,从而导致状态估计性能下降,但一直以来无法解决该问题。

发明内容

[0005] 为了解决上面所述的技术问题,本发明提出一种地球物理数据处理方法,具体涉及一种具有信道衰落的无穷分布时滞神经网络系统的状态估计方法。其克服了现存估计方法不可一并处理随机发生的不确定性、信道衰落和无穷分布时滞,进而使估计性能下降的缺陷的技术问题。
[0006] 依据本发明的技术方案,提供一种地球物理数据处理方法,其具体为一种具有信道衰落的无穷分布时滞神经网络系统的状态估计方法,该方法包括以下步骤:
[0007] (1)在野外勘探目标区中在实际井中以人工方法激发地震波,利用检波采集设备获得地震数据,将野外采集到的地震数据进行预处理;
[0008] (2)基于预处理后的地震数据,建立考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型;
[0009] (3)对考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型进行状态估计;
[0010] (4)根据步骤(3)对具有随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型的状态估计,求出状态估计误差;
[0011] (5)根据步骤(4)得到的状态估计误差,得到状态估计增广系统;
[0012] (6)利用状态估计增广系统,根据李亚普诺夫稳定性定理,得到状态估计器增益矩阵;
[0013] (7)将步骤(6)得到的状态估计器增益矩阵带入步骤(3)中的状态估计公式,完成对考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的状态估计;
[0014] (8)利用得到的状态估计,进行整个目标区的地震资料的成像。
[0015] 本发明提出的地球物理数据处理方法,其具体为一种具有信道衰落的无穷分布时滞神经网络系统的状态估计方法,在其中考虑了随机发生的不确定性、信道衰落和无穷分布时滞对状态估计性能的影响,构造李亚普诺夫函数完整利用了时滞的有效信息,相比于已有的神经网络动态系统的状态估计方法,本发明的状态估计方法能够一并考虑随机发生的不确定性、信道衰落和无穷分布时滞,得出了依赖线性矩阵不等式解的状态估计方法,实现抵制噪声干扰的效果,并且该状态估计方法求解与实现简便,进一步提高了对地层成像的精度。附图说明
[0016] 图1为依据本发明方法的核心步骤流程示意图;
[0017] 图2是神经网络系统理想输出信号y(k)及带有信道衰落的测量输出信号 对比图,图中虚线为神经网络系统理想输出信号y(k),实线为神经网络系统实际接收到的测量输出信号
[0018] 图3是z(k)的估计误差曲线 图中虚线为z1(k)的估计误差曲线 实线为z2(k)的估计误差曲线 点线为z3(k)的估计误差曲线
[0019] 图4是理想状态曲线z1(k)及其估计曲线 对比图,图中虚线表示理想状态曲线z1(k),实线表示其估计曲线
[0020] 图5是理想状态曲线z2(k)及其估计曲线 对比图,图中虚线表示理想状态曲线z2(k),实线表示其估计曲线
[0021] 图6是理想状态曲线z3(k)及其估计曲线 对比图,图中虚线表示理想状态曲线z3(k),实线表示其估计曲线

具体实施方式

[0022] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0023] 地震资料数字处理,是指用数字计算机对野外采集的地震信息进行处理和分析,以获得高质量的、可靠的地震剖面,为下一步资料解释提供直观的、可靠的依据和有关的地质信息。为了进一步提高低信噪比复杂构造区地震勘探的需求,在没有好的资料基础的前提下,精确描述地下结构度,建立准确的地层构造描述,更好地提高地震资料的成像精度,为下一步的地质综合研究提供更佳详实的地震资料是地震资料处理的关键。
[0024] 符号说明
[0025] 本文中,MT表示矩阵M的转置。Rn表示n维欧几里得空间,Rn×m表示所有n×m阶实矩阵的集合。I和0分别表示单位矩阵、零矩阵。矩阵P>0表示P为实对称正定矩阵,E{x}和E{x|y}分别代表随机变量x的数学期望和y条件下随机变量x的数学期望。||x||代表向量x的欧几里得范数。diag{A1,A2,…,An}表示对块是矩阵A1,A2,…,An的块对角矩阵,符号*在对称块矩阵中表示对称项的省略。如果M是一个对称矩阵,则λmax(M)代表M的最大特征值。符号表示克罗内克尔乘积。若文中某处没有明确指定矩阵维数,则假定其维数适合矩阵的代数运算。
[0026] 依据本发明提供的第一种具体实施方式,如图1所示,提供一种地球物理数据处理方法,其具体为一种具有信道衰落的无穷分布时滞神经网络系统的状态估计方法,该方法包括以下步骤:
[0027] (1)在野外勘探目标区中在实际井中以人工方法激发地震波,利用检波采集设备获得地震数据,将野外采集到的地震数据进行预处理;
[0028] (2)基于预处理后的地震数据,建立考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型;
[0029] (3)对考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型进行状态估计;
[0030] (4)根据步骤(3)对具有随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型的状态估计,求出状态估计误差;
[0031] (5)根据步骤(4)得到的状态估计误差,得到状态估计增广系统;
[0032] (6)利用状态估计增广系统,根据李亚普诺夫稳定性定理,得到状态估计器增益矩阵;
[0033] (7)将步骤(6)得到的状态估计器增益矩阵带入步骤(3)中的状态估计公式,完成对考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的状态估计;
[0034] (8)利用得到的状态估计,进行整个目标区的地震资料的成像。
[0035] 其中,步骤(2)的具体内容为:基于预处理后的地震数据建立考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型;
[0036] 建立考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型,其状态空间形式为:
[0037]
[0038] 式中,x(k)为k时刻神经网络动态模型的状态向量,x(k+1)为k+1时刻神经网络动态模型的状态向量;τ表示神经网络动态系统的时滞,τ=1,2,3,...,∞;x(k-τ)为k-τ时刻的神经网络动态模型的状态向量;f(x(k))为初始条件为零的非线性激励函数;ω(k)为k时刻属于l2[0,∞)的干扰信号,l2[0,∞)为在[0,∞)上平方可和向量函数空间;y(k)为神经网络系统k时刻的理想输出,z(k)为神经网络系统k时刻状态向量的线性组合;A,B,C,D,E,G,H均为已知适当维数的系统矩阵;分布时滞的收敛系数 αi(k)为服从伯努利分布的随机变量,其中i=1,2,3;实值矩阵ΔA,ΔB,ΔC表示有界不确定参数矩阵,满足[ΔA ΔB ΔC]=MF(k)[N1 N2 N3],其中M,N1,N2,N3为已知常矩阵,F(k)为未知矩阵,满足FT(k)F(k)≤I,I为单位矩阵。
[0039] 步骤(3)的具体内容为:对考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型进行状态估计;
[0040] 状态估计器公式:
[0041]
[0042] 式中 为在k时刻对状态向量x(k)的估计值, 为k+1时刻对状态向量x(k+1)的估计值, 为神经网络系统k时刻的实际测量输出, 为z(k)在k时刻的估计值,Af,Bf,Cf,Df为待求状态估计器增益矩阵。
[0043] 步骤(4)的具体内容为:根据步骤(3)对具有随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的动态模型的状态估计,求出状态估计误差:
[0044] 将式(1)减式(2),得到状态估计误差方程:
[0045]
[0046] 式中,l为已知正标量,βs(k)(s=0,1,…,l)为信道系数, 为信道系数的期望,令 v(k)为系统内部干扰,; 为k时刻的状态估计误差,e(k+1)为k+1时刻的状态估计误差; 为k时刻z(k)的估计误差;
为αi(k)的期望,令
[0047] 步骤(5)的具体内容为:根据步骤(4)得到的状态估计误差,得到状态估计增广系统;
[0048]
[0049] 上式中,η(k)=[xT(k) eT(k)]T, ξ(k)=[ωT(k) vT(k)]T,xT(k)为状态向量x(k)的转置,eT(k)为状态估计误差e(k)的转置,vT(k)为系统内部干扰v(k)的转置,wT(k)为系统外部干扰w(k)的转置,fT(x(k))为非线性激励函数f(x(k))的转置, 为非线性激励函数 的转置。式(4)中矩阵的形式为:
[0050] Ak=diag{ΔA,ΔA},
[0051] Bk=diag{ΔB,ΔB},Ck=diag{ΔC,ΔC},
[0052] Af=diag{Af,Af},Bf=diag{Bf,Bf},S3=diag{0,I},S4=diag{-I,I},[0053] Cf=[Cf Cf],Df=[Df Df],H=[H 0],
[0054]
[0055] 步骤(6)的具体内容为:利用状态估计增广系统,根据李亚普诺夫稳定性定理,得到状态估计器增益矩阵Af,Bf,Cf,Df。
[0056] 由公式:
[0057]
[0058] 得到矩阵 和K,通过公式
[0059]
[0060] 求解出状态估计增益矩阵Af,Bf,Cf,Df;公式(5)和公式(6)中矩阵具体形式:
[0061] M=diag{M,M},
[0062] L=diag{l1,l2,…,ln},N1=diag{N1,N1},N2=diag{N2,N2},N3=diag{N3,N3},[0063]
[0064] F(k)=diag{F(k),F(k)},Ak=M F(k)N1,Bk=M F(k)N2,Ck=M F(k)N3,[0065]
[0066]
[0067]
[0068] IB=[I 0 ... 0]
[0069]
[0070]
[0071] diag{·}表示对角矩阵,I为单位矩阵,符号 表示克罗内克尔乘积,γ为已知的性能指标,ε,λ均为未知正常数, 均为未知对称正定矩阵,K, 为待求矩阵。
[0072] 步骤(7)的具体内容为:将步骤(6)得到的状态估计器增益矩阵Af,Bf,Cf,Df带入步骤(3)中的状态估计公式,完成对考虑随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的状态估计。
[0073] 进一步本发明提供第二种具体实施方式,本实施方式是对第一种具体实施方式给出的一种具有随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统的状态估计方法的进一步阐述,步骤(6)中所述的李亚普诺夫稳定性理论为:
[0074] V(k+1)-V(k)<0
[0075] 其中:
[0076] V(k)=V1(k)+V2(k)+V3(k)  (7)
[0077] V1(k)=ηT(k)Pη(k),
[0078] 式中,V(k)为k时刻的李亚普诺夫函数,V(k+1)为k+1时刻的李亚普诺夫函数,ηT(k)为η(k)的转置,ηT(l)为η(l)的转置,ηT(i)为η(i)的转置。
[0079] 利用本发明所述方法进行仿真:
[0080] 系统参数:
[0081] A=diag{0.78,0.86,-0.25},B=diag{0.05,0.01,-0.02},L=diag{0.2,0.5,0.3},G=-0.1,
[0082]
[0083] D=[0.5 0.3 -0.7],N1=[-0.1 0.1 0.2],N2=[0.1 -0.2 -0.1],
[0084] N3=[-0.2 -0.1 0.1],γ=1.1.
[0085] 此外,ψτ=2-3-τ, l=2,f1(x1(k))=-tanh(0.4x1(k))f2
(x2(k))=0.2tanh(x2(k)),f3(x3(k))=tanh(0.6x3(k)).
[0086] 状态估计增益求解:
[0087] 公式(5)和公式(6)进行求解,得到状态估计器增益矩阵Af,Bf,Cf,Df为如下形式[0088]
[0089]
[0090] 状态估计器效果:
[0091] 图2是神经网络系统理想输出信号y(k)及实际带有信道衰落的测量输出信号图3是z(k)的估计误差曲线 图4是理想状态曲线z1(k)及其估计曲线 图5是理想状态曲线z2(k)及其估计曲线 图6是理想状态曲线z3(k)及其估计曲线
[0092] 由图2至图6可见,对于具有随机发生的不确定性和信道衰落的无穷分布时滞神经网络系统,所发明的状态估计器设计方法能够有效地估计出目标状态。
[0093] 本发明涉及一种随机发生的不确定性、信道衰落和无穷分布时滞状态估计方法。需要进一步说明的是,本发明方法中的步骤(2)-(7)给出了具体实现该步骤的方法,本领域技术人员也可以根据理解分别根据现有技术在细节或实现上进一步完善该步骤方法。
[0094] 尤其明显的是,使用本发明的具有信道衰落的无穷分布时滞神经网络系统的状态估计方法,在考虑目标区资料信噪比非常低,速度谱上没有明显的反射能量团,地质人员对这样的区域没有明确的地质认识的情况下,充分利用状态估计数据可以精确描述地层结构的优势,进行数据建模,采用状态估计模型同其它建模方法的模型按照地质构造进行融合优化处理,更精确地确定地下结构模型,解决了处理人员在低信噪比复杂构造区构建模型不确定性的困惑,提高了低信噪比复杂构造区的资料的成像精度,为石油精细勘探提供了高质量的资料依据。
[0095] 如上述,已经清楚详细地描述了本发明提出的方法。尽管本发明的优选实施例详细描述并解释了本发明,但是本领域普通的技术人员可以理解,在不背离所附权利要求定义的本发明的精神和范围的情况下,可以在形式和细节中做出多种修改
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈