An lp-space matching pursuit algorithm and its application to robust seismic data denoising via time-domain Radon transforms
Notice bibliographique
Résumé
ABSTRACT Sparse solutions of linear systems of equations are essential in many applications of seismic data processing. These systems arise in many denoising algorithms, such as those that use Radon transforms. We have developed a robust matching pursuit (RMP) algorithm for the retrieval of sparse Radon domain coefficients. The algorithm is robust to outliers and, hence, is applicable for seismic data deblending. The classic matching pursuit (MP) algorithm is often adopted to approximate data by a small number of basis functions. It performs effectively for data contaminated with well-behaved, typically Gaussian, random noise. However, MP tends to identify the wrong basis functions when the data are contaminated by erratic noise such as source interference encountered in common-receiver and common-channel gathers of simultaneous source surveys. Incorporating an lp space inner product into the MP algorithm significantly increases its robustness to erratic signals. Deblending experiments with synthetic and field data examples indicate a significant signal-to-noise ratio improvement when one adopts a Radon denoiser computed via our RMP solver. We determine in detail the steps required to implement our lp space RMP algorithm when the basis functions are not given in an explicit form, as is the case with the time-domain Radon transform.
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 | 0,001 |
| 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 ».