Random noise attenuation via the randomized canonical polyadic decomposition
Notice bibliographique
Résumé
ABSTRACT Tensor algebra provides a robust framework for multi‐dimensional seismic data processing. A low‐rank tensor can represent a noise‐free seismic data volume. Additive random noise will increase the rank of the tensor. Hence, tensor rank‐reduction techniques can be used to filter random noise. Our filtering method adopts the Candecomp/Parafac decomposition to approximates a N ‐dimensional seismic data volume via the superposition of rank‐one tensors. Similar to the singular value decomposition for matrices, a low‐rank Candecomp/Parafac decomposition can capture the signal and exclude random noise in situations where a low‐rank tensor can represent the ideal noise‐free seismic volume. The alternating least squares method is adopted to compute the Candecomp/Parafac decomposition with a provided target rank. This method involves solving a series of highly over‐determined linear least‐squares subproblems. To improve the efficiency of the alternating least squares algorithm, we uniformly randomly sample equations of the linear least‐squares subproblems to reduce the size of the problem significantly. The computational overhead is further reduced by avoiding unfolding and folding large dense tensors. We investigate the applicability of the randomized Candecomp/Parafac decomposition for incoherent noise attenuation via experiments conducted on a synthetic dataset and field data seismic volumes. We also compare the proposed algorithm (randomized Candecomp/Parafac decomposition) against multi‐dimensional singular spectrum analysis and classical prediction filtering. We conclude the proposed approach can achieve slightly better denoising performance in terms of signal‐to‐noise ratio enhancement than traditional methods, but with a less computational cost.
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 | 0,001 | 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 | 0,000 |
| 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 | 0,001 |
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 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 ».