一种稳健的弹性阻抗反演方法

利用弹性阻抗分解,从弹性阻抗体中可以直接提取与储层性质更为密切的弹性参数体。常规弹性阻抗分解算法是基于最小二乘原理,通过求取弹性阻抗分解矩阵的广义逆提取弹性参数,由于该分解矩阵的条件数较大,导致在含噪声的情况下无法获取稳定的弹性参数。结合贝叶斯定理,引入弹性参数的先验分布,构建弹性阻抗分解的正则化项,从而有效提高了弹性阻抗分解的稳定性;考虑到弹性阻抗分解是个带限过程,并且同一时间采样点的弹性参数之间并非独立不相关,因此引入多变量高斯分布描述弹性参数的自然对数更为合理;最后结合基于低频软约束的叠后反演形成一套弹性阻抗反演的流程。模型试算和实际数据测试验证了该弹性阻抗反演流程具有较强的稳定性和较高的精度。

全变分流边与M^(2)GGD相结合的自然图像分割方法

提出了一种全变分流边与M^(2)GGD概率密度分布相结合的自然图像分割方法。由于自然图像经常受噪声的污染,导致分割的区域结果视觉效果差,而区域间的边界具有较好的非同质区域区分能力,于是提出了利用全变分流来提取边界,并结合M^(2)GGD概率密度分布构建具有空间约束能力更强的图像分割方法。由于其能量最小化是NP难问题,通过设计最大期望最大似迭代优化方法,将待优化模型的区域项和边缘项,分别转化为多层图割模型的t-link以及n-link,并利用最大流/最小割算法,可求得全局近似最优解。最终,通过在合成的噪声污染图像以及自然场景图像上进行实验对比与分析,实验验证了提出的方法具有较好的抗噪能力,较高的量化准确率,且最终分割的结果接近于地面真实分割结果。

联机手写体识别中的方向性特征

在模式识别中，重要特征的选择是关键。本文针对统计模型的方向性和线性数据的理论，提出了以方向性特征代替一般的线性特征的方法。然而，单一的线性和方向性数据的组合、多变量概率密度函数等理论得出的结果都不能解决问题。我们用一种通用的方法来描述统一的统计模型，确定制约圆周的可变量是很小的。本文提出的联机手写体识别系统采用实际的评估方法，即互换方法，也称为切向倾斜角特征。我们还比较了两种交替模式方法的识别结果，这些结果使识别正确率、计算速度和存贮要求得到了改善。