![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
地震道插值
文章平均质量分 89
蓝子娃娃
越努力,越幸运!!!
展开
-
Majorization-Minimization优化框架
Majorization-Minimization优化框架在各类算法中是很常见的,而且这个思想其实也很容易理解,简单点说,只需文献【1】中的三页PPT即可:目标函数 J(x)J(x)J(x) 比较难优化的时候,我们往往寻找另外一个更容易优化的目标函数 G(x)G(x)G(x),当 G(x)G(x)G(x) 满足一定条件时,G(x)G(x)G(x) 的最优解能够无限逼近 J(x)J(x)J(x) 的最优解,这就是 MM 思想。G(x)G(x)G(x) 应该满足的三个条件: - 易优化 - Gk(x转载 2022-03-13 14:26:35 · 1468 阅读 · 0 评论 -
软阈值(Soft Thresholding)函数
1. 软阈值(Soft Thresholding)函数的作用 软阈值(Soft Thresholding)可以求解如下优化问题: arg minx∥X−B∥22+λ∥x∥1\argmin_x \| X - B\|_2^2 + \lambda\| x\|_1xargmin∥X−B∥22+λ∥x∥1 其中: X=[x1,x2,…,xN]TX = [x_1, x_2, \dots, x_N]^TX=[x1,x2,…,xN]T B=[b1,b2,…,bN]转载 2022-03-13 10:33:29 · 6538 阅读 · 0 评论 -
地震数据插值之深度学习方法
支持向量回归Jia, Y., and J. Ma, 2017, What can machine learning do for seismic data processing? An interpolation application: Geophysics, 82, no. 3, V163–V177, doi: 10.1190/geo2016-0300.1. (SVR 方法从训练数据中挖掘出一个连续回归超平面,该超平面指示具有缺失轨迹的输入数据与输出完整数据之间的隐藏关系,然后使用学习的超平面.原创 2022-02-25 12:30:25 · 1660 阅读 · 0 评论 -
常见的地震插值方法
说在前面 在地震数据处理中,地震道缺失和空间采样不足是常见的,其表现为死道,或由于含有强烈的噪声而在预处理过程中被剔除的道记录,此外,由于野外采集时排列范围有限也会产生此类问题。 在地震数据处理中,除因数据缺失而直接丢失一部分信息外,还可能导致在后续处理流程中产生噪声,使得地震道中出现形态各异的脉冲。这样,基于多道处理算法的处理过程将受到缺失道的影响,其中受影响最严重的包括波动方程偏移,基于波动方程的抑制表面多次波的方法,与地表有关的多次波的消除和谱估计等处理过程。 道内插是地震资料常规处理中不转载 2022-02-05 21:45:22 · 1608 阅读 · 0 评论