RUS  ENG ЖУРНАЛЫ   ПЕРСОНАЛИИ   ОРГАНИЗАЦИИ   КОНФЕРЕНЦИИ   СЕМИНАРЫ   ВИДЕОТЕКА   ПАКЕТ AMSBIB
Общая информация
Последний выпуск
Архив
Импакт-фактор

Поиск публикаций
Поиск ссылок

RSS
Последний выпуск
Текущие выпуски
Архивные выпуски
Что такое RSS



Тр. ИММ УрО РАН:
Год:
Том:
Выпуск:
Страница:
Найти






Персональный вход:
Логин:
Пароль:
Запомнить пароль
Войти
Забыли пароль?
Регистрация


Тр. ИММ УрО РАН, 2012, том 18, номер 1, страницы 42–55 (Mi timm778)  

Эта публикация цитируется в 5 научных статьях (всего в 5 статьях)

Sparse optimization methods for seismic wavefields recovery

Y. F. Wang

Key Laboratory of Petroleum Resources Research, Institute of Geology and Geophysics, Chinese Academy of Sciences, Beijing, P. R. China

Аннотация: Due to the influence of variations in landform, geophysical data acquisition is usually sub-sampled. Reconstruction of the seismic wavefield from sub-sampled data is an ill-posed inverse problem. It usually requires some regularization techniques to tackle the ill-posedness and provide a stable approximation to the true solution. In this paper, we consider the wavefield reconstruction problem as a compressive sensing problem. We solve the problem by constructing different kinds of regularization models and study sparse optimization methods for solving the regularization model. The $l_p$-$l_q$ model with $p=2$ and $q=0,1$ is fully studied. The projected gradient descent method, linear programming method and an $l_1$-norm constrained trust region method are developed to solve the compressive sensing problem. Numerical results demonstrate that the developed approaches are robust in solving the ill-posed compressive sensing problem and can greatly improve the quality of wavefield recovery.

Ключевые слова: seismic inversion, optimization, sparsity, regularization.

Полный текст: PDF файл (749 kB)
Список литературы: PDF файл   HTML файл

Реферативные базы данных:
Тип публикации: Статья
УДК: 517.983.54
Поступила в редакцию: 10.05.2011
Язык публикации: английский

Образец цитирования: Y. F. Wang, “Sparse optimization methods for seismic wavefields recovery”, Тр. ИММ УрО РАН, 18, no. 1, 2012, 42–55

Цитирование в формате AMSBIB
\RBibitem{Wan12}
\by Y.~F.~Wang
\paper Sparse optimization methods for seismic wavefields recovery
\serial Тр. ИММ УрО РАН
\yr 2012
\vol 18
\issue 1
\pages 42--55
\mathnet{http://mi.mathnet.ru/timm778}
\elib{http://elibrary.ru/item.asp?id=17358677}


Образцы ссылок на эту страницу:
  • http://mi.mathnet.ru/timm778
  • http://mi.mathnet.ru/rus/timm/v18/i1/p42

    ОТПРАВИТЬ: VKontakte.ru FaceBook Twitter Mail.ru Livejournal Memori.ru


    Citing articles on Google Scholar: Russian citations, English citations
    Related articles on Google Scholar: Russian articles, English articles

    Эта публикация цитируется в следующих статьяx:
    1. Ya. Wang, P. Liu, Zh. Li, T. Sun, Ch. Yang, Q. Zheng, “Data regularization using Gaussian beams decomposition and sparse norms”, J. Inverse Ill-Posed Probl., 21:1 (2013), 1–23  crossref  mathscinet  zmath  isi  elib  scopus
    2. J. Cao, Ya. Wang, “Seismic data restoration with a fast $L_1$ norm trust region method”, J. Geophys. Eng., 11:4 (2014), 045010  crossref  isi  scopus
    3. Ya. Wang, Sh. Luo, L. Wang, J. Wang, Ch. Jin, “Synchrotron radiation-based $l_1$-norm regularization on micro-CT imaging in shale structure analysis”, J. Inverse Ill-Posed Probl., 25:4 (2017), 483–497  crossref  mathscinet  zmath  isi  scopus
    4. Z. Yan, Ya. Wang, “Full waveform inversion with sparse structure constrained regularization”, J. Inverse Ill-Posed Probl., 26:2 (2018), 243–257  crossref  mathscinet  zmath  isi  scopus
    5. Xu F., Wang Ya., “Recovery of Seismic Wavefields By An l(Q)-Norm Constrained Regularization Method”, Inverse Probl. Imaging, 12:5 (2018), 1157–1172  crossref  mathscinet  zmath  isi  scopus
  • Труды Института математики и механики УрО РАН
    Просмотров:
    Эта страница:231
    Полный текст:45
    Литература:42
    Первая стр.:5
     
    Обратная связь:
     Пользовательское соглашение  Регистрация  Логотипы © Математический институт им. В. А. Стеклова РАН, 2019