低秩稀疏重建分析的边缘检测方法

边缘检测方法众多,并取得了很好的应用效果,但不同方法有其自身的不足和边缘检测能力的限制,特别是对噪声干扰、多边缘干涉及弱小目标边缘的检测效果不理想。为此,首先分析断层边缘和缝洞边缘的空间分布特征,根据断层边缘和缝洞边缘的地震响应特征,把低秩稀疏分析理论引入边缘检测,研究边缘信息、背景信息及噪声信息的低秩稀疏分解与重建;为了提高边缘检测能力和分辨率,在压缩感知稀疏表示基础上,对地震资料进行深度稀疏化表示,结合向量稀疏表示和矩阵稀疏表示,通过低秩稀疏分析理论,形成一种全新的边缘检测方法——低秩稀疏重建分析的边缘检测方法。具体步骤为:(1)地震资料平稳小波分解;(2)多尺度小波系数优化;(3)根据多尺度优化小波系数建立张量矩阵并进行建模;(4)张量矩阵奇异值分解;(5)矩阵奇异值低秩优化;(6)多尺度双稀疏和双优化结果融合与重建。模型分析和实际资料应用效果分析表明:所提方法的抗噪性、适用性较强,对于断层和缝洞边缘具有较好的刻画能力。

基于稀疏贝叶斯学习的协同进化时间序列缺失数据预测算法

针对大多数已有算法在预测协同进化时间序列中的缺失数据时只适用于缺失数据较少情况的问题,提出了一种高效的缺失数据预测算法。首先,应用压缩感知理论,将协同进化时间序列中的缺失数据预测问题建模成多稀疏向量恢复问题;其次,从稀疏表示向量是否足够稀疏和感知矩阵是否满足有限等距特性两个方面分析了模型的性能;最后,针对协同进化时间序列的特点设计了一种基于稀疏贝叶斯学习的高效恢复算法,该算法可以通过学习得到部分支持信息,从而同时解决多个稀疏向量的恢复问题。仿真结果表明,所提算法可以同时有效地预测出多个时间序列中的缺失数据。