Seismic Data Reconstruction Using Multidimensional Prediction Filters
Notice bibliographique
Résumé
Auto-Regressive (AR) modeling has a broad range of applications in signal processing. An auto-regressive operator utilizes the time history of a signal to extract important information hidden in the signal. It has been widely utilized in the area of spectrum estimation, as well as signal filtering. One of the main applications of AR modeling is signal prediction. Spitz (1991) and Porsani (1999) used AR modeling to interpolate the regularly sampled seismic records in the spatial direction. Also, Naghizadeh and Sacchi (2007a) introduced the Multi-Step Auto-Regressive (MSAR) algorithm in order to reconstruct nonuniformly sampled data in the spatial direction. The latter is a novel way of applying AR operation with jumping steps in the low frequency portion of the data in an attempt to extract AR operators for the high frequency portion. The extracted Prediction Filter (PF) for each frequency is then used as a regularization term to reconstruct the missing spatial samples. In this paper we investigate the performance of MSAR algorithm for more than one spatial direction. First, in the theory section, an optimality proof of multidimensional (MD) MSAR algorithm is discussed. Then a practical implementation of MSAR using simple flowcharts is discussed. Finally, synthetic and real data examples of application of MSAR are shown.
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.
Comment cette classification a été obtenuedéplier
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) | 0,000 | 0,000 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».