發(fā)布時間：2020-12-21 22:12

　　字典學習是一種自適應稀疏表示方法,被廣泛地應用于地震數據去噪、插值和稀疏表示。同傳統(tǒng)的稀疏變換方法相比較,字典學習方法從訓練數據中學習得到字典,字典包含數據的信息,能夠更好地稀疏表示地震數據。但是,目前的字典學習方法中將訓練數據塊向量化組合成新的訓練數據,向量化破壞了數據的結構特征。為了克服如上問題,本文分別研究了基于圖正則化字典學習方法,結構圖正則化字典學習方法和Kronecker數據驅動緊框架方法,以及在地震數據去噪和插值中的應用。具體內容如下:首先,從地震數據存在局部和非局部相似性出發(fā),建立圖正則化字典學習模型。針對訓練數據塊的相似性,本文提出兩種樹結構字典學習方法FDC和SDC,這兩種字典學習方法操作簡單,學習效率高,學習到的字典具有自適應性。數值結果顯示,基于圖正則化的兩種樹結構字典學習方法好于傳統(tǒng)的稀疏變換方法。然后,基于地震數據為非Gaussian信號,本文采用Gaussian混合尺度模型模擬得到非Gaussian地震信號。該模型字典原子由訓練數據學習得到,但是訓練數據中包含噪聲,使得學習到的字典原子中包含噪聲信息。為了保證原子中有效的數據信息,本文提出圖結構字典學習方法... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數】：99 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究意義
    1.2 研究現(xiàn)狀
        1.2.1 字典學習算法
        1.2.2 正則化方法
    1.3 本文工作和安排
第2章 圖正則化字典學習
    2.1 引言
    2.2 加權完全無向圖
    2.3 圖正則化
    2.4 圖正則化字典學習方法
        2.4.1 樹結構字典
        2.4.2 稀疏表示
    2.5 數值算例
    2.6 本章小結
第3章 結構圖正則化字典學習
    3.1 引言
    3.2 Gaussian混合尺度模型
    3.3 非局部相似
    3.4 相似矩陣
    3.5 結構圖字典學習
    3.6 地震數據去噪
    3.7 數值算例
    3.8 本章小結
第4章 Kronecker數據驅動緊框架
    4.1 引言
    4.2 張量代數
        4.2.1 張量展開
        4.2.2 n-模式乘
    4.3 循環(huán)移位操作
    4.4 框架和緊框架的概念
    4.5 數據驅動緊框架
    4.6 Kronecker數據驅動緊框架
    4.7 方向Kronecker數據驅動緊框架
    4.8 數據去噪和插值算法
    4.9 數值算例
    4.10 本章小結
結論
參考文獻
攻讀博士學位期間發(fā)表的論文及其他成果
致謝
個人簡歷


【參考文獻】：
期刊論文
[1]基于共軛梯度法和互相關的最小二乘逆時偏移及應用（英文）[J]. 孫小東,李振春,葛中慧.  Applied Geophysics. 2017(03)
[2]基于曲波變換的三維地震數據同時重建和噪聲壓制（英文）[J]. 張華,陳小宏,張落毅.  Applied Geophysics. 2017(01)
[3]一種快速收斂的抗噪POCS地震數據重構方法（英文）[J]. 葛子建,李景葉,潘樹林,陳小宏.  Applied Geophysics. 2015(02)



本文編號：2930599