结构性字典学习及其在地震数据处理中的应用

发布时间：2020-12-21 22:12

　　字典学习是一种自适应稀疏表示方法,被广泛地应用于地震数据去噪、插值和稀疏表示。同传统的稀疏变换方法相比较,字典学习方法从训练数据中学习得到字典,字典包含数据的信息,能够更好地稀疏表示地震数据。但是,目前的字典学习方法中将训练数据块向量化组合成新的训练数据,向量化破坏了数据的结构特征。为了克服如上问题,本文分别研究了基于图正则化字典学习方法,结构图正则化字典学习方法和Kronecker数据驱动紧框架方法,以及在地震数据去噪和插值中的应用。具体内容如下:首先,从地震数据存在局部和非局部相似性出发,建立图正则化字典学习模型。针对训练数据块的相似性,本文提出两种树结构字典学习方法FDC和SDC,这两种字典学习方法操作简单,学习效率高,学习到的字典具有自适应性。数值结果显示,基于图正则化的两种树结构字典学习方法好于传统的稀疏变换方法。然后,基于地震数据为非Gaussian信号,本文采用Gaussian混合尺度模型模拟得到非Gaussian地震信号。该模型字典原子由训练数据学习得到,但是训练数据中包含噪声,使得学习到的字典原子中包含噪声信息。为了保证原子中有效的数据信息,本文提出图结构字典学习方法... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：99 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及研究意义
    1.2 研究现状
        1.2.1 字典学习算法
        1.2.2 正则化方法
    1.3 本文工作和安排
第2章 图正则化字典学习
    2.1 引言
    2.2 加权完全无向图
    2.3 图正则化
    2.4 图正则化字典学习方法
        2.4.1 树结构字典
        2.4.2 稀疏表示
    2.5 数值算例
    2.6 本章小结
第3章 结构图正则化字典学习
    3.1 引言
    3.2 Gaussian混合尺度模型
    3.3 非局部相似
    3.4 相似矩阵
    3.5 结构图字典学习
    3.6 地震数据去噪
    3.7 数值算例
    3.8 本章小结
第4章 Kronecker数据驱动紧框架
    4.1 引言
    4.2 张量代数
        4.2.1 张量展开
        4.2.2 n-模式乘
    4.3 循环移位操作
    4.4 框架和紧框架的概念
    4.5 数据驱动紧框架
    4.6 Kronecker数据驱动紧框架
    4.7 方向Kronecker数据驱动紧框架
    4.8 数据去噪和插值算法
    4.9 数值算例
    4.10 本章小结
结论
参考文献
攻读博士学位期间发表的论文及其他成果
致谢
个人简历


【参考文献】：
期刊论文
[1]基于共轭梯度法和互相关的最小二乘逆时偏移及应用（英文）[J]. 孙小东,李振春,葛中慧.  Applied Geophysics. 2017(03)
[2]基于曲波变换的三维地震数据同时重建和噪声压制（英文）[J]. 张华,陈小宏,张落毅.  Applied Geophysics. 2017(01)
[3]一种快速收敛的抗噪POCS地震数据重构方法（英文）[J]. 葛子建,李景叶,潘树林,陈小宏.  Applied Geophysics. 2015(02)



本文编号：2930599