High-amplitude noise detection by the expectation-maximization algorithm with application to swell-noise attenuation
Notice bibliographique
Résumé
Abstract High-amplitude noise is a common problem in seismic data. Current filtering techniques that target this problem first detect the location of the noise and then remove it by damping or interpolation. Detection is done conventionally by comparing individual data amplitudes in a certain domain to a user-controlled local threshold. In practice, the threshold is optimally tuned by trial and error and is often changed to match the varying noise power across the data set. We have developed an automatic method to compute the appropriate threshold for high-amplitude noise detection and attenuation. The main idea is to exploit differences in statistical properties between noise and signal amplitudes to construct a detection criterion. A model that consists of a mixtureof two statistical distributions, representing the signal and the noise, is fitted to the data. Then it is used to estimate the probability (i.e., likelihood) that each sample in the data is noisy by means of an expectation-maximization (EM) algorithm. Only those samples with a likelihood greater than a specific threshold are considered to be noise. The resulting probability threshold is better adapted to the data compared to a conventional amplitude threshold. It offers the user, through the probability threshold value, the possibility to quantify the confidence in whether a large amplitude anomaly is considered as noise. The method is generic; however, our work develops and implements the method for swell-noise attenuation. Initial results are encouraging, showing slightly better performance than an optimized conventional method but with much less parameter testing and variation.
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 | 0,000 |
| 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 ».