Blind Deconvolution with Toeplitz-structured Sparse Total Least Squares Algorithm
Notice bibliographique
Résumé
Summary Blind deconvolution simultaneously solves for the reflectivity series and the wavelet given the noise corrupted seismic recordings. This is an ill-posed problem and difficult to solve. Developing a reliable single channel blind deconvolution technique is an ongoing research. Here, we formulated the blind deconvolution as a fully perturbed linear regression model and developed an efficient iterative algorithm based on Total least squares (TLS) method. Unfortunately, TLS method, with or without regularization, does not provide consistent estimators for the under-determined linear system of equations. To remedy this shortcoming, we added more constraints into the equations. We assume that the reflectivity series is sparse and moreover, to reduce the model space and the number of unknowns, the algorithm preserves the Toeplitz structure of the data matrix. In addition, there is no assumption about the phase of the wavelet. The developed algorithm is an alternating minimization method and can be used for different applications such as blind deconvolution, perturbed compressive sensing and dictionary learning. In this paper, we only focused on blind deconvolution. The performance of the algorithm is evaluated on synthetic and real datasets. Real data examples are belonging to lines A and D of the Teapot Dome seismic survey.
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 | 0,001 |
| 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 ».