地震波形反演的稀疏约束正则化方法

本文考虑地震波形反演问题.为了克服传统的Tikhonov正则化方法过度光滑的弊端,引入了非线性稀疏约束正则化方法,并采用对偶方法求解稀疏约束泛函的极小点.基于二维声波方程波形反演问题进行了数值模拟,针对不同模型对稀疏约束正则化方法进行了测试.结果表明,稀疏约束正则化方法对不连续介质模型的介质边缘具有良好的识别能力.

位场数据重构的l_p范数稀疏约束正则化方法

基于位场数据在离散余弦变换域的稀疏性,利用lp(0≤p<1)范数代替l1范数作为模型参数稀疏性的度量.引入lp范数稀疏约束正则化方法,借用迭代再加权最小二乘算法思想求解得到稀疏约束优化问题的解.分析不同p值的lp范数稀疏约束正则化方法的数据重构能力.将该算法应用于实际位场数据重构试验中获得了较理想的结果,通过边界外延加大计算区域的方法减少了边界数据的重构误差,提高了数据重构质量.

基于贝叶斯一稀疏约束正则化方法的地震波形反演

将稀疏约束正则化方法应用于地震波形反演问题.为了减弱对稀疏约束项的光滑性要求,引入贝叶斯推断,产生一组收敛于后验分布的采样点.通过数值算例记录了采样点的条件期望、方差、置信区间等具有统计意义的结果.数值结果表明,在没有光滑性的要求下,稀疏约束正则化方法对孔洞模型和分层模型中的介质边缘有良好的识别能力.特别地,当减少观测数据时,稀疏约束正则化方法仍能获得较好的反演结果.

基于布雷格曼迭代的稀疏正则化图像复原方法

为了实现模糊噪声图像的清晰化复原，提出了一种基于布雷格曼迭代的稀疏正则化约束的图像复原算法。首先，运用差分算子，得到图像中各个方向上的梯度信息；然后，利用提取的梯度信息，得到图像边缘各个方向上的权重；并结合稀疏性原理，针对复原图像，提出了一种权重的稀疏性正则化约束；最后，运用了一种布雷格曼迭代（Bregman Iteration，BI）策略对提出的方法进行最优化求解。实验结果表明，较近几年的一些具有代表性的图像复原方法相比，不仅主观的视觉效果得到了较为明显的改进，而且客观的信噪比增量也增加了0．3～2．5dB。

全波形反演正则化方法对比

正则化是缓解反演不适定性、约束解特征的重要方式。Tikhonov正则化、全变分(TV)正则化是全波形反演中常用的两种正则化方法,分别具有压制高波数和保护地层边缘的特点。双参数整形正则化、混合双参数正则化和稀疏结构约束正则化是在二者的基础上发展而来,并具备各自优势。为系统论证不同正则化方法特点,对五种正则化方法的全波形反演进行了对比分析。背斜—超覆模型、Marmousi模型测试表明,不同的正则化方法均对反演结果有不同程度的改进。双参数整形正则化兼具Tikhonov正则化和TV正则化的优势,并可有效提高深部反演精度。混合双参数正则化能进一步提高浅层反演精度。相较于其他方法,稀疏结构约束正则化无论在地层连续性,还是在边缘结构的刻画上均有明显优势。

基于图结构优化的自适应多度量非监督特征选择方法

非监督特征选择是机器学习领域的热点研究问题,对于高维数据的降维和分类都极为重要。数据点之间的相似性可以用多个不同的标准来衡量,这使得不同的数据点之间相似性度量标准难以一致;并且现有方法多数通过近邻分配得到相似矩阵,因此其连通分量数通常不够理想。针对这两个问题,将相似矩阵看作变量而非预先对其进行设定,提出了一种基于图结构优化的自适应多度量非监督特征选择(SAM-SGO)方法。该方法将不同的度量函数自适应地融合成一种统一的度量,从而对多种度量方法进行综合,自适应地获得数据的相似矩阵,并且更准确地捕获数据点之间的关系。为获得理想的图结构,通过对相似矩阵的秩进行约束,在优化图局部结构的同时简化了计算。此外,将基于图的降维问题合并到所提出的自适应多度量问题中,并引入稀疏l_(2,0)正则化约束以获得用于特征选择的稀疏投影。在多个标准数据集上的实验验证了SAM-SGO的有效性,相比较于近年所提出的基于局部学习聚类的特征选择和内核学习(LLCFS)、依赖指导的非监督特征选择(DGUFS)和结构化最优图特征选择(SOGFS)方法,该方法的聚类正确率平均提高了约3.6个百分点。

基于改进广义S变换的时变反射系数反演

由于地层吸收衰减等因素的影响,实际地震子波会随传播时间及空间发生变化,因此,若采用统一子波对非平稳地震记录进行反演将导致所求反射系数的不准确。本文利用改进广义S变换对地震资料进行时频分析,据此提取时变地震子波,重新构建时变子波褶积模型并求解相应的L1范数稀疏约束正则化问题,实现了基于改进广义S变换的时变反射系数反演,由此可获得与常规方法相比具有更高精度的反演结果。

自适应嵌入的半监督多视角特征降维方法

半监督模式下的多视角特征降维方法,大多并未考虑到不同视角间特征投影的差异,且由于缺乏对降维后的低维矩阵的稀疏约束,无法避免噪声和其他不相关特征的影响。针对这两个问题,提出自适应嵌入的半监督多视角特征降维方法。首先,将投影从单视角下相同的嵌入矩阵扩展到多视角间不同的矩阵,引入全局结构保持项;然后,将无标签的数据利用无监督方法进行嵌入投影,对于有标签的数据,结合分类的判别信息进行线性投影;最后,再将两类多投影映射到统一的低维空间,使用组合权重矩阵来保留全局结构,很大程度上消除了噪声及不相关因素的影响。实验结果表明,所提方法的聚类准确率平均提高了约9%。该方法较好地保留了多视角间特征的相关性,捕获了更多的具有判别信息的特征。