Spectral decomposition with <i>f</i>−<i>x</i>−<i>y</i> preconditioning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Spectral decomposition, or local time‐frequency analysis, tries to enhance the amount of information one can obtain from a seismic volume by finding the frequency content of the seismic data at each time sample. However, if a small amount of noise is present within the seismic amplitude volume, it has the potential to become more prominent in the spectrally decomposed data especially if high‐resolution or sparsity promoting methods are utilized. To combat this problem post‐processing noise removal has commonly been employed, but these techniques can potentially degrade the resolution of small‐scale geological structures in their attempt to remove this noise. Rather than de‐noising the spectrally decomposed data after they are generated, we propose to incorporate the ideas of f − x − y deconvolution within the spectral decomposition process to create an algorithm that has the ability to de‐noise the time‐frequency representation of the data as they are being generated. By incorporating the spatial prediction error filters that are utilized for f − x − y deconvolution with the spectral decomposition problem, a spatially smooth time‐frequency representation that maintains its sparsity, or high‐resolution characteristics, can be obtained. This spatially smooth high‐resolution time‐frequency representation is less likely to exhibit the random noise that was present in the more conventionally obtained time‐frequency representation. Tests on a real data set demonstrate that by de‐noising while the time‐frequency representation is being constructed, small‐scale geological structures are more likely to maintain their resolution since the de‐noised time‐frequency representation is specifically built to reconstruct the data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle