L<sub>p</sub>-space robust matching pursuit algorithm for time-domain Radon-based deblending
Notice bibliographique
Résumé
Sparse solutions of linear systems of equations are important in many applications of seismic data processing. These systems occur in many denoising algorithms, such as those that use Radon transforms. We propose a robust Matching Pursuit algorithm for the retrieval of sparse Radon domain coefficients. The algorithm is robust to outliers and, hence, applicable to simultaneous source separation. The classical Matching Pursuit algorithm is frequently adopted to approximate data by a small number of basis functions. It performs efficiently for data contaminated with Gaussian random noise. On the other hand, Matching Pursuit tends to identify the incorrect basis functions when erratic noise contaminates seismic data such as in the case of source interferences in common receiver gathers of simultaneous source surveys. The inclusion of a lp space inner product into the Matching Pursuit algorithm enables to enhance its robustness to erratic signals significantly. We also provide a detailed description of steps required to implement the proposed lp space Robust Matching Pursuit algorithm when the basis functions are not in an explicit form, such as it occurs with the time-domain Radon transform. Presentation Date: Wednesday, October 14, 2020 Session Start Time: 9:20 AM Presentation Time: 11:00 AM Location: Poster Station 13 Presentation Type: Poster
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 ».