测井曲线异常值标注方法、装置、计算机设备和存储介质

技术领域

本申请涉及自动化技术领域，特别是涉及一种测井曲线异常值标注方法、装置、计算机设备和存储介质。

背景技术

测井是地球物理勘探的一个分支，是钻孔中使用的地球物理勘探方法的通称。根据所利用的岩石物理性质不同，可分为电测井、放射性测井、磁测井、声波测井、热测井和重力测井等。通过测井曲线可以获知地层的参数情况，从而有利于进行石油的探勘开发。但是测井曲线在测量过程中受环境等各种因素影响，会产生一些异常值。这些值不是地层属性的真实反映，如果不在曲线早期预处理阶段对这些异常值进行处理，则会严重影响最终测井解释的结果。因此，测井曲线异常值的识别尤为重要。

传统的测井曲线异常值标注方式主要是计算机运行一些测井解释软件，可视化的形式呈现测井曲线，有经验的解释人员从顶到底逐条曲线查看，找出其中的异常值，人员在计算机上操作将找出的异常值输入至计算机，计算机将输入的数据与原始的测井曲线整合得到最终携带有异常值的测井曲线。

虽然上述方式可以实现测井曲线异常值标注，但是由于测井的深度都很大，有大量的数据需要进行处理，依赖人工完成这部分数据处理和识别需要耗费大量的时间，并且处理过程中不同的人认知和经验存在偏差，导致部分异常值标注不准确。

发明内容

基于此，有必要针对上述技术问题，提供一种高效且准确标注的测井曲线异常值标注方法、装置、计算机设备和存储介质。

一种测井曲线异常值标注方法，所述方法包括：

获取待标注测井曲线以及调优标准；

读取预设的已训练机器学习模型集合，所述已训练机器学习模型集合中包括有多个已训练机器学习模型，所述已训练机器学习模型由携带异常值标注的样本测井曲线训练得到；

在所述已训练机器学习模型集合中选取所述调优标准下最优的已训练机器学习模型；

将所述待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果。

在其中一个实施例中，所述读取预设的已训练机器学习模型集合之前，还包括：

获取携带异常值标注的样本测井曲线；

将所述样本数据随机划分为训练样本数据和测试样本数据；

根据所述训练样本数据分别对多个初始机器学习模型进行训练，得到多个已训练机器学习模型；

根据所述测试样本数据对所述多个已训练机器学习模型分别进行测试，得到模型测试结果；

根据所述模型测试结果，获取在不同调优标准下的最优已训练机器学习模型，构建预设的已训练机器学习模型集合。

在其中一个实施例中，所述获取携带异常值标注的样本测井曲线包括：

获取原始测井曲线；

对所述原始测井曲线进行深度校正，得到深度校正后的原始测井曲线；

获取由第三方对所述深度校正后的原始测井曲线进行异常值标注，得到携带异常值标注的样本测井曲线。

在其中一个实施例中，所述对所述原始测井曲线进行深度校正，得到深度校正后的原始测井曲线包括：

随机选取所述原始测井曲线中任意一根曲线作为基准曲线；

将所述原始测井曲线中其他曲线与所述基准曲线进行对比，获取所述原始测井曲线中其他曲线与所述基准曲线的深度误差；

根据所述深度误差对所述原始测井曲线中其他曲线进行校深，得到深度校正后的原始测井曲线。

在其中一个实施例中，所述根据所述模型测试结果，获取在不同调优标准下的最优已训练机器学习模型，构建预设的已训练机器学习模型集合包括：

根据所述模型测试结果，分别在不同调优标准下对已训练机器学习模型进行模型优劣排序，分别得到多个排序序列并记录对应的调优标准；

选择所述多个排序序列中最优的已训练机器学习模型与对应的调优标准匹配，构建预设的已训练机器学习模型集合。

在其中一个实施例中，所述将所述待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果包括：

将所述待标注测井曲线输入至选取的已训练机器学习模型；

获取选取的已训练机器学习模型输出数据，得到异常值及异常值对应的深度；

根据所述异常值对应的深度，将所述异常值标注至所述待标注测井曲线中，得到测井曲线异常值标注结果。

在其中一个实施例中，所述将所述待标注测井曲线输入至选取的已训练机器学习模型包括：

对所述待标注测井曲线进行深度校正；

将深度校正后的所述待标注测井曲线输入至选取的已训练机器学习模型。

一种测井曲线异常值标注装置，所述装置包括：

数据获取模块，用于获取待标注测井曲线以及调优标准；

读取模块，用于读取预设的已训练机器学习模型集合，所述已训练机器学习模型集合中包括有多个已训练机器学习模型，所述已训练机器学习模型由携带异常值标注的样本测井曲线训练得到；

模型选择模块，用于在所述已训练机器学习模型集合中选取所述调优标准下最优的已训练机器学习模型；

异常值标注模块，用于将所述待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果。

另，本申请还提供一种电子设备，设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如上述的测井曲线异常值标注方法。

另，本申请还提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行时实现如上述的测井曲线异常值标注方法。

上述测井曲线异常值标注方法、装置、计算机设备和存储介质，读取预设的已训练机器学习模型集合，从该集合中选取在当前调优标准下最优的已训练机器学习模型，将待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果。整个过程中，选择当前调优标准下最优的已训练机器学习模型，通过选择的已训练机器学习模型完成对待标注测井曲线的异常值标注，无需依赖人工异常值标注，可以高效且准确实现测井曲线异常值标注。

附图说明

图1为一个实施例中测井曲线异常值标注方法的应用环境图；

图2为一个实施例中测井曲线异常值标注方法的流程示意图；

图3为另一个实施例中测井曲线异常值标注方法的流程示意图；

图4为测井曲线深度校正示意图；

图5为一个实施例中测井曲线异常值标注装置的结构框图；

图6为一个实施例中设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的测井曲线异常值标注方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104预先存储有已训练机器学习模型集合，终端102将待标注测井曲线，以及当前应用场景下的调优标准发送至服务器104，服务器104获取待标注测井曲线以及调优标准，读取预设的已训练机器学习模型集合，在已训练机器学习模型集合中选取调优标准下最优的已训练机器学习模型，将待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果，服务器104可以将测井曲线异常值标注结果反馈至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种测井曲线异常值标注方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

S200：获取待标注测井曲线以及调优标准。

待标注测井曲线是指本次测井曲线异常值标注的对象，其具体可以由用户在终端上提交待标注测井曲线至服务器，服务器直接获取到终端上传的待标注测井曲线。调优标准可以理解为模型的评价尺度，在后续操作中，根据在不同的评价尺度下可以选择不同已训练机器学习模型进行测井曲线异常值标注。具体来说，调优标准包括有mean_absolute_error(平均绝对值误差)、mean_squared_error(均方误差)、median_absolute_error(中值绝对误差)和r2_score(拟合优度)，上述4中调优标准都有其对应的尺度数学计算公式。在实际应用中，专业的操作人员在终端操作，通过终端将待标注测井曲线上传至服务器，另外用户还会在终端根据本次业务需求(测井曲线异常值标注的目的或用途等)，选择对应调优标准上传至服务器。例如当前应用场景下需要计算孔隙度，其对应的调优标准是r2_score，专业的操作人员选择调优标准——r2_score上传至服务器。非必要的，在实际应用中，在终端可以直接显示调优标准供专业的操作人员进行点击、选择；还可以终端只显示业务需求选项，由终端自动查找业务需求选项对应的调优指标(评价尺度)上传至服务器。

S400：读取预设的已训练机器学习模型集合，已训练机器学习模型集合中包括有多个已训练机器学习模型，已训练机器学习模型由携带异常值标注的样本测井曲线训练得到。

预设的已训练机器学习模型集合是预先设定的已训练机器学习模型的集合，其包括多个已训练机器学习模型，多个已训练机器学习模型具体可以通过样本数据对不同的机器学习模型进行训练得到，并且在已训练机器学习模型集合中还可以兼顾调优标准，即在该模型集合中可以只包含在不同调优标准下最优的已训练机器学习模型。机器学习模型具体可以包括基于HuberRegressor、AdaBoostRegressor、Lasso、Ridge、SGDRegressor、LinearSVR、SVR、DecisionTreeRegressor、BaggingRegressor、GradientBoostRegressor、RandomForestRegressor等10种回归算法的模型。

S600：在已训练机器学习模型集合中选取调优标准下最优的已训练机器学习模型。

在已训练机器学习模型集合中携带有多种已训练机器学习模型，并且其中关联有调优标准，因此，可以从中选取在当前调优标准下最优的已训练机器学习模型。一般来说，在已训练机器学习模型集合存储有调优标准-最优已训练机器学习模型对应关系表，基于该对应关系表和步骤S200得到的调优标准，即可得到调优标准下最优的已训练机器学习模型。

S800：将待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果。

将标注测井曲线输入至选取的已训练机器学习模型，可以得到本次测井曲线标注任务对应的测井曲线异常值标注结果。具体来说，可以由选取的已训练机器学习模型输出数据直接得到异常值及异常值对应的深度，根据异常值对应的深度，将异常值标注至待标注测井曲线中，得到测井曲线异常值标注结果。

上述测井曲线异常值标注方法，读取预设的已训练机器学习模型集合，从该集合中选取在当前调优标准下最优的已训练机器学习模型，将待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果。整个过程中，选择当前调优标准下最优的已训练机器学习模型，通过选择的已训练机器学习模型完成对待标注测井曲线的异常值标注，无需依赖人工异常值标注，可以高效且准确实现测井曲线异常值标注。

如图3所示，在其中一个实施例中，步骤S400之前，还包括：

S310：获取携带异常值标注的样本测井曲线。

样本测井曲线是指已经完成异常值标志的测井曲线，其具体可以是由历史记录中近期得到的标注有异常值的测井曲线，还可以是由专业技术人员即时手动完成异常值标注并上传的测井曲线。

S320：将样本数据随机划分为训练样本数据和测试样本数据。

将得到的样本测井曲线随机划分为训练样本数据和测试样本数据，一般来说，训练样本数据的数据量会比测试样本数据的数据量大，例如可以将样本测井曲线平均划分为10份，将其中8份作为训练样本数据、将其中2份作为测试样本数据；又如，还可以将其中7粉作为训练样本数据、将其中3份作为测试样本数。

S330：根据训练样本数据分别对多个初始机器学习模型进行训练，得到多个已训练机器学习模型。

以训练样本数据作为训练数据对多个初始机器学习模型进行训练，得到多个已训练机器学习模型，具体的，初始机器学习模型包括基于基于HuberRegressor、AdaBoostRegressor、Lasso、Ridge、SGDRegressor、LinearSVR、SVR、DecisionTreeRegressor、BaggingRegressor、GradientBoostRegressor、RandomForestRegressor等10种回归算法的初始模型，采用上述训练样本数据对上述多达10种初始机器学习模型分别进行训练，最终能够得到多个(10个)已训练机器学习模型。

S340：根据测试样本数据对多个已训练机器学习模型分别进行测试，得到模型测试结果。

S350：根据模型测试结果，获取在不同调优标准下的最优已训练机器学习模型，构建预设的已训练机器学习模型集合。

选择上述测试样本数据对多个已训练机器学习模型进行测试，计算每个已训练机器学习模型预测值与测试样本数据中真实值之间的误差，采用不同的调优标准对这些误差值进行参考计算，选取在当前调优标准下最优的已悬链机器学习模型，最终获取在不同调优标准下的最优已训练机器学习模型，构建预设的已训练机器学习模型集合。以调优标准为mean_absolute_error(平均绝对值误差)为例，计算多个已训练机器学习模型处理每组测试样本数据得到的误差，计算这些误差的平均绝对值误差，选择平均绝对值误差最小的对应的已训练机器学习模型作为调优标准为mean_absolute_error(平均绝对值误差)下的最优已训练机器学习模型。

在其中一个实施例中，获取携带异常值标注的样本测井曲线包括：

获取原始测井曲线；对原始测井曲线进行深度校正，得到深度校正后的原始测井曲线；获取由第三方对深度校正后的原始测井曲线进行异常值标注，得到携带异常值标注的样本测井曲线。

由于原始测井曲线在现场采集过程中受仪器自身重量和张力变化影响，使得不同仪器在数据采集是对同一地层在深度显示上会有差异，需要对原始测井曲线进行校深，以保证在同一深度上各条曲线都有相应的响应。上述第三方具体可以技术人员操作的终端或者采用其他方式/方法实现准确测井曲线异常值标注的服务器，在实际应用中，可以是服务器将深度校正后的原始测井曲线发送至专业技术人员的终端，由专业技术人员在其终端上进行异常值标注，终端将完成异常值标注的样本测井曲线上传至服务器，服务器获得携带异常值标注的样本测井曲线。

在其中一个实施例中，对原始测井曲线进行深度校正，得到深度校正后的原始测井曲线包括：

随机选取原始测井曲线中任意一根曲线作为基准曲线；将原始测井曲线中其他曲线与基准曲线进行对比，获取原始测井曲线中其他曲线与基准曲线的深度误差；根据深度误差对原始测井曲线中其他曲线进行校深，得到深度校正后的原始测井曲线。

测井曲线校深的过程具体可以参见图4所示实例，以图4为例，先选择一条曲线作为基准(图4中自然伽马GR曲线)；其它曲线和基准曲线进行对比，如果在深度上有误差，将有误差的曲线的深度加或减相应的数，使曲线在深度上匹配。

在其中一个实施例中，根据模型测试结果，获取在不同调优标准下的最优已训练机器学习模型，构建预设的已训练机器学习模型集合包括：

根据模型测试结果，分别在不同调优标准下对已训练机器学习模型进行模型优劣排序，分别得到多个排序序列并记录对应的调优标准；选择多个排序序列中最优的已训练机器学习模型与对应的调优标准匹配，构建预设的已训练机器学习模型集合。

根据模型测试结果，采用不同调优标准对已训练机器学习模型进行模型优劣排序，即采用不同评价尺度去评价已训练机器学习模型，得到不同调优标准对应的已训练机器学习模型优劣排序序列，这个排序序列可以是在当前调优标准下由优到劣的顺序排列，选取其中最优的已训练机器学习模型，并且将最优的已训练机器学习模型与对应的调优标准匹配，构建预设的已训练机器学习模型集合。换言之，在预设的已训练机器学习模型集合中存储有多个不同调优标准下最优的已训练机器学习模型。

在其中一个实施例中，将待标注测井曲线输入至选取的已训练机器学习模型包括：对待标注测井曲线进行深度校正；将深度校正后的待标注测井曲线输入至选取的已训练机器学习模型。

针对待标注测井曲线，其同样可能存在深度误差，因此需要对其进行上述相同方式的深度校正，再将深度校正后的待标注测井曲线输入至选取的已训练机器学习模型，以提高测井曲线异常值标注准确度。

应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

如图5所示，一种测井曲线异常值标注装置，装置包括：

数据获取模块200，用于获取待标注测井曲线以及调优标准；

读取模块400，用于读取预设的已训练机器学习模型集合，已训练机器学习模型集合中包括有多个已训练机器学习模型，已训练机器学习模型由携带异常值标注的样本测井曲线训练得到；

模型选择模块600，用于在已训练机器学习模型集合中选取调优标准下最优的已训练机器学习模型；

异常值标注模块800，用于将待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果。

上述测井曲线异常值标注装置，读取预设的已训练机器学习模型集合，从该集合中选取在当前调优标准下最优的已训练机器学习模型，将待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果。整个过程中，选择当前调优标准下最优的已训练机器学习模型，通过选择的已训练机器学习模型完成对待标注测井曲线的异常值标注，无需依赖人工异常值标注，可以高效且准确实现测井曲线异常值标注。

在其中一个实施例中，上述测井曲线异常值标注装置包括模型构建模块，用于获取携带异常值标注的样本测井曲线；将样本数据随机划分为训练样本数据和测试样本数据；根据训练样本数据分别对多个初始机器学习模型进行训练，得到多个已训练机器学习模型；根据测试样本数据对多个已训练机器学习模型分别进行测试，得到模型测试结果；根据模型测试结果，获取在不同调优标准下的最优已训练机器学习模型，构建预设的已训练机器学习模型集合。

在其中一个实施例中，模型构建模块还用于获取原始测井曲线；对原始测井曲线进行深度校正，得到深度校正后的原始测井曲线；获取由第三方对深度校正后的原始测井曲线进行异常值标注，得到携带异常值标注的样本测井曲线。

在其中一个实施例中，模型构建模块还用于随机选取原始测井曲线中任意一根曲线作为基准曲线；将原始测井曲线中其他曲线与基准曲线进行对比，获取原始测井曲线中其他曲线与基准曲线的深度误差；根据深度误差对原始测井曲线中其他曲线进行校深，得到深度校正后的原始测井曲线。

在其中一个实施例中，模型构建模块还用于根据模型测试结果，分别在不同调优标准下对已训练机器学习模型进行模型优劣排序，分别得到多个排序序列并记录对应的调优标准；选择多个排序序列中最优的已训练机器学习模型与对应的调优标准匹配，构建预设的已训练机器学习模型集合。

在其中一个实施例中，异常值标注模块800还用于将待标注测井曲线输入至选取的已训练机器学习模型；获取选取的已训练机器学习模型输出数据，得到异常值及异常值对应的深度；根据异常值对应的深度，将异常值标注至待标注测井曲线中，得到测井曲线异常值标注结果。

在其中一个实施例中，异常值标注模块800对待标注测井曲线进行深度校正；将深度校正后的待标注测井曲线输入至选取的已训练机器学习模型。

关于测井曲线异常值标注装置的具体限定可以参见上文中对于测井曲线异常值标注方法的限定，在此不再赘述。上述测井曲线异常值标注装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

上述测井曲线异常值标注装置包括处理器和存储器，上述数据获取模块200、读取模块400、模型选择模块600、异常值标注模块800作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现测井曲线异常值标注。

本申请实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述测井曲线异常值标注方法。

本申请实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述测井曲线异常值标注方法。

如图6所示，本申请实施例提供了一种设备70，设备包括至少一个处理器701、以及与处理器701连接的至少一个存储器702、总线703；其中，处理器701、存储器702通过总线703完成相互间的通信；处理器701用于调用存储器702中的程序指令，以执行上述测井曲线异常值标注方法。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

获取待标注测井曲线以及调优标准；

读取预设的已训练机器学习模型集合，已训练机器学习模型集合中包括有多个已训练机器学习模型，已训练机器学习模型由携带异常值标注的样本测井曲线训练得到；

在已训练机器学习模型集合中选取调优标准下最优的已训练机器学习模型；

将待标注测井曲线输入至选取的已训练机器学习模型，得到测井曲线异常值标注结果。

在一个实施例中，计算机程序产品当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

获取携带异常值标注的样本测井曲线；将样本数据随机划分为训练样本数据和测试样本数据；根据训练样本数据分别对多个初始机器学习模型进行训练，得到多个已训练机器学习模型；根据测试样本数据对多个已训练机器学习模型分别进行测试，得到模型测试结果；根据模型测试结果，获取在不同调优标准下的最优已训练机器学习模型，构建预设的已训练机器学习模型集合。

在一个实施例中，计算机程序产品当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

获取原始测井曲线；对原始测井曲线进行深度校正，得到深度校正后的原始测井曲线；获取由第三方对深度校正后的原始测井曲线进行异常值标注，得到携带异常值标注的样本测井曲线。

在一个实施例中，计算机程序产品当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

随机选取原始测井曲线中任意一根曲线作为基准曲线；将原始测井曲线中其他曲线与基准曲线进行对比，获取原始测井曲线中其他曲线与基准曲线的深度误差；根据深度误差对原始测井曲线中其他曲线进行校深，得到深度校正后的原始测井曲线。

在一个实施例中，计算机程序产品当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

根据模型测试结果，分别在不同调优标准下对已训练机器学习模型进行模型优劣排序，分别得到多个排序序列并记录对应的调优标准；选择多个排序序列中最优的已训练机器学习模型与对应的调优标准匹配，构建预设的已训练机器学习模型集合。

在一个实施例中，计算机程序产品当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

将待标注测井曲线输入至选取的已训练机器学习模型；获取选取的已训练机器学习模型输出数据，得到异常值及异常值对应的深度；根据异常值对应的深度，将异常值标注至待标注测井曲线中，得到测井曲线异常值标注结果。

在一个实施例中，计算机程序产品当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

对待标注测井曲线进行深度校正；将深度校正后的待标注测井曲线输入至选取的已训练机器学习模型。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。