این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ژئوفیزیک ایران، جلد ۶، شماره ۳، صفحات ۱۷-۳۰
عنوان فارسی واهمامیخت داده‌های لرزه‌ای با به‌کارگیری نظریه بِیز
چکیده فارسی مقاله واهمامیخت یکی از مراحل مهم پردازش داده‌های لرزه‌ای است که جزو مسئله‌های بدوضع دسته‌بندی می‌شود. حل مسئله‌های بدوضع بدون اطلاعات اولیه عملاً بیهوده است و درستی این اطلاعات در کیفیت جواب نهایی تاثیر بسیاری دارد. نظریه بِیز، دیدگاه مناسبی برای وارد کردن اطلاعات اولیه در فرمول‌بندی مسئله‌های وارون است. در این مقاله واهمامیخت در چارچوب نظریه بِیز فرمول‌بندی می‌شود و جواب مسئله به‌صورت بردار بیشینه کننده توزیع احتمال پسین درنظر گرفته خواهد شد. توزیع احتمال‌های دنبال سنگین نظیر توزیع لاپلاس و کوشی که منطبق با تنک بودن سری بازتاب زمین هستند درحکم اطلاعات اولیه در حوزه مدل در نظر گرفته می‌شوند. با عرضه دو تابع پتانسیل جدید و مقایسه آنها با تابع‌های پتانسیل به‌کار‌گرفته شده از قبل، سعی در بهبود پاسخ مسئله‌ و کاهش خطای میانگین مربعات(MSE) داریم. از روش (Iteratively reweighted least squares) IRLS به‌علت سادگی و همگرایی مناسب، در بهینه‌سازی تابع هدف استفاده می‌شود. بررسی عملکرد توزیع‌های دنبال سنگین متفاوت با استفاده از داده‌های شبیه‌سازی شده و داده‌های واقعی نشان‌دهنده کیفیت و قدرت تفکیک بسیار زیاد این روش‌ها در مقایسه با روش واهمامیخت مرسوم وینر است.
کلیدواژه‌های فارسی مقاله واهمامیخت، نظریه بِیز، مسئله‌های بدوضع، IRLS،
عنوان انگلیسی Deconvolution of seismic data by applying the Bayes theory
چکیده انگلیسی مقاله Deconvolution is a longstanding problem in many areas of signal and image processing with applications in astronomy, remote-sensing imagery, medical imaging, and other fields working with imaging devices. It is also one of the major steps of seismic data processing and is studied in the framework of inverse problem theory. It is an ill-posed problem in the sense that the recovered solution (reflectivity series) is unstable and very sensitive to the presence of noise in the data. It is well known that the solution of an ill-posed problem is practically unusable unless taking into account some prior information about the original solution and the accuracy of such information highly affects the quality of the final regularized solution. Mathematically, usability of the prior information is of great importance. The availability and usability of the prior information are two main concerns in solving inverse problems and hence deconvolution. Here, we introduce and develop some priors (in the category of heavy-tailed priors such as Cauchy and Laplace priors) that favor solutions having isolated spikes. One of the main advantages of such priors is that they have less penalization on large spikes corresponding to the true reflection coefficients while severely penalizing small spikes due to the noise and therefore results in a sparse reflectivity series. We then used the Bayes theory to incorporate the prior information into the formulation of deconvolution problems. Therefore, in this study, deconvolution was formulated in the framework of Bayes theory and the regularized solution of the problem was considered as a maximizer of the posterior probability distribution including the likelihood and the prior terms. In contrast to the conventional Wiener deconvolution which results in a minimum L2-norm solution, the methods presented in this paper recover the minimum structure or simple solutions. Sparse or simple solutions are more consistent with true earth reflectivity series, since the earth reflectivity series is simple in the sense that most of its coefficients are zero. The non-zero coefficients identify and quantify the impedance mismatches between different geological layers that are of great interest to the geophysicist. After formulating the deconvolution as a general cost function which can be convex or non-convex, we study an alternative method of determining its minimizer, as the limit of an Iteratively Re-weighted Least Squares (IRLS) algorithm. The IRLS algorithm benefits from simplicity and is easy to be coded. Furthermore, it is shown that its convergence to a local minimum from any initial guess is guaranteed and the convergence rate is superlinear. The main step of the proposed IRLS finds, for a given diagonal weight matrix , the solution of a weighted zero order quadratic regularization where matrix is updated at each iteration. Moreover, using different priors about the reflectivity series results in only a simple change of the definition of matrix . Numerical experiments with synthetic and field data show that the proposed sparsity-based deconvolutions estimate the reflectivity with good resolution. Therefore, they can be used for accurate delineation of the thin layers in real poststack seismic data. The numerical results also show that the proposed methods perform much better than conventional Wiener deconvolution in the sense of the reconstruction error.
کلیدواژه‌های انگلیسی مقاله Deconvolution, Bayes theory, ill-posed problems, IRLS
نویسندگان مقاله فاطمه روستایی |
موسسه ژئوفیزیک دانشگاه تهران، ایران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

علی غلامی |
موسسه ژئوفیزیک دانشگاه تهران، ایران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

احمد سدیدخوی | سدیدخوی
موسسه ژئوفیزیک دانشگاه تهران، ایران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نشانی اینترنتی http://www.ijgeophysics.ir/article_40649_9214f473aae82acfca24fba3fc449c77.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1514/article-1514-427782.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات