Robust multidimensional reconstruction via group sparsity with Radon operators
Notice bibliographique
Résumé
ABSTRACT Seismic data processing, specifically tasks like denoising and interpolation, often hinges on sparse solutions of linear systems. Group sparsity plays an essential role in this context by enhancing sparse inversion. It introduces more refined constraints, which preserve the inherent relationships within seismic data. To this end, we propose a robust orthogonal matching pursuit algorithm, combined with Radon operators in the frequency-slowness (f-p) domain, to tackle the strong group sparsity problem. This approach is vital for interpolating seismic data and attenuating erratic noise simultaneously. Our algorithm takes advantage of group sparsity by selecting the dominant slowness group in each iteration and fitting Radon coefficients with a robust ℓ1-ℓ1 norm using the alternating direction method of multipliers (ADMM) solver. Its ability to resist erratic noise, along with its superior performance in applications such as simultaneous source deblending and reconstruction of noisy onshore data sets, underscores the importance of group sparsity. Synthetic and real comparative analyses further demonstrate that strong group sparsity inversion consistently outperforms corresponding traditional methods without the group sparsity constraint. These comparisons emphasize the necessity of integrating group sparsity in these applications, thereby indicating its indispensable role in optimizing seismic data processing.
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 ».