پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,959,667 |
| تعداد دریافت فایل اصل مقاله | 89,633,082 |
حذف نوفه براساس خاصیت تُنُکی و کاربرد آن در مسائل معکوس خطی | ||
| فیزیک زمین و فضا | ||
| مقاله 1، دوره 36، شماره 1 - شماره پیاپی 310067، اردیبهشت 1389 اصل مقاله (585.35 K) | ||
| نویسندگان | ||
| علی غلامی1؛ حمیدرضا سیاهکوهی2 | ||
| 1مؤسسه ژئوفیزیک دانشگاه تهران، دانشجوی دکتری | ||
| 2مؤسسه ژئوفیزیک دانشگاه تهران- استادیار | ||
| چکیده | ||
| عموماً حضور نوفه در تحقیقات و اندازه‌گیری‌های ژئوفیزیکی امری اجتناب‌ناپذیر است و بسته به نوع و میزان آن، نتایج به‌دست آمده تحت تاثیر قرار می‌گیرند. از این‌رو مسئله تفکیک نوفه از سیگنال، بخشی مهم در پردازش داده‌های ژئوفیزیکی است. از طرف دیگر، محققان در ژئوفیزیک به دنبال به‌دست آوردن مشخصات فیزیکی درون زمین با استفاده از اندازه‌گیری (داده‌های) غیر مستقیم هستند که در سطح یا نزدیک به سطح زمین صورت می‌گیرد. بنابراین برای برآوردکردن مشخصات فیزیکی درون زمین باید یک مسئله معکوس حل شود. متاسفانه، اکثر مسائل معکوسی که در ژئوفیزیک ظاهر می‌شوند بدشرط (ill-condition) هستند و یا به عبارت دیگر جواب غیریکتا و ناپایدار دارند. برای پایدار و یکتا کردن جواب این گونه مسائل از ابزارهای تنظیم (regularization) استفاده می‌شود. این به آن معنا است که با استفاده از اطلاعات از قبل موجود در مورد جواب مجهول، بتوان مسئله را پایدار کرد و نوسان‌های بسامد زیاد ناشی از نوفه را در جواب مسئله از بین برد. یکی از روش‌های مرسوم برای حل این مسائل، بسط مدل (جواب) مجهول در یک پایه متعامد، جدا کردن ضرایب مدل از ضرایب مربوط به نوفه و در نهایت به‌دست آوردن مدل است. پایه به‌دست آمده از تجزیه مقادیر تکین (Singular Value Decomposition, SVD) مثالی مرسوم در این باب است که به فراوانی مورد استفاده قرار می‌گیرد. از مشکلات اصلی پایه SVD متمرکز نبودن در مکان (زمان) است که باعث ایجاد پدیده گیبس در ناپیوستگی‌ها می‌شود. این امر جدا کردن ضرایب مدل از ضرایب نوفه را دچار مشکل می‌کند. موجک‌ها برخلاف SVD، پایه متعامدی را تشکیل می‌دهند که بردارهای آن در حوزه‌های مکان (زمان) و بسامد تمرکز یافته‌اند، بنابراین در ناپیوستگی‌ها پدیده گیبس بسیار کمتری ایجاد می‌کنند. خصوصیت دیگر آنها موجود بودن الگوریتم سریع برای محاسبه است. این خصوصیات باعث می‌شود که آنها گزینه‌های مناسبی برای حل مسائل معکوس باشند. موضوعاتی که در این مقاله بررسی شده‌اند عبارت‌اند از: 1- عملکرد تبدیلات تنک‌کننده (مانند تبدیل موجک) در حذف نوفه و کاربرد آنها در حل دیگر مسائل معکوس خطی. 2- مقایسه عملکرد سه فیلتر غیرخطی انقباض سخت (hard shrinkage)، انقباض نرم (soft shrinkage) و (Amplitude-scale-invariant Bayes Estimator, ABE) به منظور برآورد ضرایب سیگنال در حوزه تُنُک (sparse) برای سطوح متفاوت نوفه. 3- عرضه روشی کارآمد برای برآوردکردن انحراف معیار نوفه (این مسئله در تحقیقاتی که داده‌‌برداری در آنها تکرار نمی‌شود حائز اهمیت است). انحراف معیار به‌دست آمده برای یافتن پارامتر تنظیم در روش‌های مبتنی بر موجک معرفی شده به کار برده می‌شود. در نهایت عملکرد الگوریتم‌های تدوین شده در مقایسه با روش SVD برای وارون‌کردن عملگر انتگرال‌گیری به منظور یافتن نرخ تغییرات یک تابع نشان داده می‌شود. | ||
| کلیدواژه‌ها | ||
| تبدیل موجک؛ حذف نوفه؛ وارون‌سازی خطی | ||
| عنوان مقاله [English] | ||
| Sparsity-based denoising and its application in linear inverse problems | ||
| نویسندگان [English] | ||
| Ali Gholami1؛ Hamid reza Siahkoohi2 | ||
| چکیده [English] | ||
| Generally, the presence of noise in geophysical measurements is inevitable and depending on the type and the level it affects the results of geophysical studies. So, denoising is an important part of the processing of geophysical data. On the other hand, geophysicists make inferences about the physical properties of the earth interior based on the indirect measurements (data) collected at or near the surface of the earth. So, an inverse problem must be solved in order to take estimates of the physical properties in the earth. The vast majority of inverse problems which arise in geophysics are ill-posed; in other words, they have not unique and stable solutions. Regularization tools are used to find a unique and stable solution for such problems. The regularization uses a priori information about the solution to make it stable and to suppress high-frequency oscillations generated by the noise. One of the common ways to perform the regularization is expanding the unknown model (i.e. solution) with respect to an orthonormal basis, separating the model coefficients from that of the noise, and finally recovering the model. In singular value decomposition, the specific physical nature of the model under study is not considered when defining the basis. For homogeneous operators, such basis does not provide a parsimonious approximation of models which are smooth in some regions while having sharp local changes in others. This is due to the non-localized properties of the SVD basis vectors in space (time) domain. Wavelet-vaguelette decomposition (WVD) was introduced as a first approach for adapting wavelet methods to the framework of ill-posed inverse problems. It is a linear projection method based on wavelet-like function systems which have similar properties as the singular value decompositions. WVD are compared to the SVD construct near the orthogonal basis where the vectors are well localized in space (time) and frequency, thus producing less Gibbs-phenomenon at discontinuities. This property and existence of fast algorithm to compute the basis make wavelets a suitable candidate for solving inverse problems. Vaguelette-wavelet decomposition (VWD) is an alternative to WVD for solving ill-posed inverse problems. It is a linear projection method based on wavelet function systems. In VWD the noisy data are expanded in a wavelet series, generated wavelet coefficients are thresholded to obtain an estimate of the wavelet expansion of noise free data, and then the resulting coefficients are transformed back for smoothed data. Later on, the smoothed data are inverted for the desired model. In this paper we discuss: 1. The performance of sparsifying transforms (e.g. wavelet transform) for the denoising problem and their application to solve other linear inverse problems including WVD and VWD. 2. Comparing nonlinear Amplitude-scale-invariant Bayes Estimator (ABE) and hard- and soft-shrinkage filters to estimate signal coefficients in sparse domain for different levels of noise. 3. Introducing an efficient method to estimate the standard deviation of noise which is an important task in the experiments with single realization. The obtained standard deviation is then used to determine the regularization parameter in both wavelet- and SVD- based inversion methods. Finally, inversion of integration operator to find the variation rate of a function is used to show the performance of the introduced methods in comparison to the popular SVD method. The results indicate that a simple non-linear operation of weighting and thresholding of wavelet coefficients can consistently outperform classical linear inverse methods. | ||
| کلیدواژه‌ها [English] | ||
| Denoising, linear inversion, SVD, Wavelet transform | ||
|
آمار تعداد مشاهده مقاله: 2,616 تعداد دریافت فایل اصل مقاله: 2,503 |
||