稳健主成分分析在地震资料异常值噪声压制中的应用

提高地震数据的信噪比是地震资料处理的重要目标之一。传统的地震去噪方法虽然可以有效压制随机噪声,但对非高斯分布的异常值噪声压制效果欠佳。本研究展示了一种基于稳健主成分分析的地震数据异常值噪声压制方法。该方法在频率-空间域通过对地震数据实施稳健低秩近似来求取理想无噪声数据。在目标函数构建方面,采用核范数最小化模型求取理想的低秩近似数据,并使用l1范数最小化模型来估计异常值噪声。此外,运用增广拉格朗日乘子法求解该反演问题。最后,模型数据和实际资料的去噪结果验证了本研究方法的有效性,与传统F-XY域预测滤波法去噪结果进行对比,也显示本研究方法在有效压制异常值噪声的同时能更好地保护有效波能量。

基于高斯场和自适应图正则的半监督聚类

聚类是将给定的样本分成几个不同的簇,它在机器学习、数据挖掘等领域得到了广泛应用,并受到研究人员的广泛关注。但是,传统的聚类方法仍然存在3个方面的不足。首先,由于一些数据中存在噪声和异常值,传统的聚类方法容易产生误差较大的目标函数。其次,传统的聚类方法没有使用监督信息来指导构建相似矩阵。最后,加入图正则的聚类方法在计算相似度矩阵时,邻居关系都是确定的,一旦计算错误就会导致构造图的质量低,进而影响聚类性能。因此,提出了一种基于高斯场和自适应图正则化的半监督聚类(SCGFAG)模型。该模型通过高斯场及谐波函数法引入监督信息,来指导构建相似度矩阵,实现半监督学习,还引入稀疏误差矩阵来表示稀疏噪声,如脉冲噪声、死线和条纹,并且使用l_(1)范数来缓解稀疏噪声。此外,所提模型还引入l_(2,1)范数来处理异常值的影响。因此,SCGFAG对数据噪声和异常值不敏感。更重要的是,SCGFAG通过引入自适应图的正则化提高了聚类性能。为了实现优化聚类的目标,提出了一种迭代更新算法—增广拉格朗日法(Augmented Lagrangian Method,ALM),分别对优化变量进行更新。在4个数据集上进行的实验表明,所提方法优于相比较的8种经典聚类方法获得了更好的聚类性能。