Generalized windowed transforms for seismic processing and imaging
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
Windowed transforms have been used for many years to provide time/frequency or space/wavenumber decompositions for constructing localized wave operators. Construction of an invertible windowed transform that allows for manipulation of localized plane waves has proven to be a difficult task. As a possible solution, we describe a Generalized Windowed Transform (GWT) framework that collects ideas and algorithms from a variety of sources (i.e. windowed Fourier transforms, filter banks, Gaussian beams, beamlets, wavelet transforms, curvelets, etc.) for constructing localized plane wave decompositions with high sparsity. The GWT framework exploits familiar concepts from signal processing in the Fourier domain along with computational efficiencies of the Fast Fourier transform to construct invertible local plane wave decompositions with low redundancy and reasonable computational efficiency. The windowing framework is based on filter bank theory for wavelet transforms in the frequency domain, with extensions that replace sub-band aliasing in window overlap zones with blending, and a computational structure based on the Fast Fourier transform. The classical normalization and aliasing constraints of the wavelet transform are satisfied by the GWT with redundancy factors less than 2. Multidimensional transforms are constructed in a fashion analogous to Fourier transforms, using repeated application of the 1D GWT along each axis of a higher dimensional object. Shift and derivative operators with reasonable computational complexity are constructed using localization constraints and the FFT butterfly algorithm. Examples are provided that show the application of the GWT to time-frequency analysis, image dip filtering, and image compression. The sparsity of the GWT for a given signal to noise ratio exceeds that of curvelet transform for band-limited seismic 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 | 0,001 | 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 découle