幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

油氣地震勘探數據重建與去噪--從稀疏表示到深度學習/博士後文庫

  • 作者：張岩|責編:馮曉利
  • 出版社：科學
  • ISBN：9787030749888
  • 出版日期：2023/04/01
  • 裝幀：平裝
  • 頁數：219
人民幣：RMB 128 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書系統介紹了地震信號去噪與重建基本理論與方法，以及稀疏表示、壓縮感知、深度學習等技術在地震數據重建與去噪中的應用理論、應用方法與主要原則等內容。全書共10章，分成五部分。第一部分（第1章和第2章）闡述地震數據重建、去噪的研究背景及意義，簡述稀疏表示基本原理、多尺度幾何分析、字典學習，以及壓縮感知的基本理論與應用框架；簡述深度學習的基本原理、地震數據重建與去噪數據樣本組織方法，包括理論引導數據科學正演生成模擬樣本的過程，以及實際樣本增廣的方法。第二部分（第3章和第4章）在壓縮感知框架下，分別基於曲波、波原子稀疏表示重建地震數據，保留地震數據主要特徵。第三部分（第5章和第6章）分別基於結構聚類、多道相似組局部超完備字典稀疏表示，壓制地震數據隨機雜訊，保持地震數據細節特徵。第四部分（第7章和第8章）分別基於聯合傅里葉域、小波域特徵約束的深度學習重建地震數據，加強數據紋理細節信息。第五部分（第9章和第10章）分別基於聯合傅里葉域約束、兩階段神經網路的深度學習壓制地震數據雜訊，增強網路模型的泛化能力。
    本書可供從事地震信號處理、稀疏表示、壓縮感知、深度學習等方面研究的地球物理相關專業、電腦相關專業的高年級本科生、研究生和科研人員使用。
作者介紹
張岩|責編:馮曉利
目錄
「博士後文庫」序言
前言
第1章  緒論
  1.1  本書的寫作背景
  1.2  地震數據重建研究現狀
  1.3  地震數據隨機雜訊壓制研究現狀
  1.4  稀疏表示研究現狀
  1.5  深度學習研究現狀
  1.6  本書內容安排
  參考文獻
第2章  相關基本理論
  2.1  稀疏表示
    2.1.1  稀疏約束模型
    2.1.2  多尺度幾何分析稀疏表示
    2.1.3  超完備字典學習稀疏表示
  2.2  壓縮感知
  2.3  深度學習
    2.3.1  卷積神經網路原理
    2.3.2  卷積神經網路傳播演算法
    2.3.3  基於深度學習的地震數據處理
  2.4  樣本組織
    2.4.1  模擬地震數據組織
    2.4.2  實際地震數據組織
  2.5  本章小結
  參考文獻
第3章  基於曲波稀疏表示的數據重建
  3.1  壓縮感知數據重建模型分析
  3.2  地震數據曲波域稀疏表示
    3.2.1  地震數據曲波域分析
    3.2.2  曲波域多尺度相關性
  3.3  地震數據採樣
    3.3.1  地震數據觀測矩陣構造
    3.3.2  最大間距控制的隨機採樣
  3.4  地震數據壓縮感知重建演算法
    3.4.1  貝葉斯估計閾值函數
    3.4.2  演算法實現步驟與流程
  3.5  實驗結果及分析
    3.5.1  合成地震數據實驗
    3.5.2  標準地震模型實驗
    3.5.3  實際地震數據實驗
  3.6  本章小結
  參考文獻
第4章  基於波原子稀疏表示的數據重建
  4.1  波原子域稀疏表示
    4.1.1  波原子變換
    4.1.2  地震數據波原子域稀疏表示
  4.2  波原子域壓縮感知重建演算法
    4.2.1  循環平移技術
    4.2.2  指數閾值收縮模型
    4.2.3  演算法實現步驟與流程

  4.3  實驗結果與分析
    4.3.1  合成地震數據實驗
    4.3.2  標準地震模型實驗
    4.3.3  實際地震數據實驗
  4.4  本章小結
  參考文獻
第5章  基於結構聚類字典的數據去噪
  5.1  基於字典學習的雜訊壓制模型
    5.1.1  地震數據稀疏表示
    5.1.2  地震數據雜訊壓制
    5.1.3  全局字典學習方法
    5.1.4  全局字典稀疏表示
  5.2  地震數據塊結構聚類方法
    5.2.1  結構聚類步驟
    5.2.2  相似度計算方法
  5.3  基於結構聚類的去噪演算法
    5.3.1  結構聚類局部字典學習
    5.3.2  模型求解
    5.3.3  演算法實現步驟與流程
  5.4  實驗結果及分析
    5.4.1  合成地震數據實驗
    5.4.2  標準地震模型實驗
    5.4.3  實際地震數據實驗
  5.5  本章小結
  參考文獻
第6章  基於多道相似組字典的數據去噪
  6.1  多道相似組模型
    6.1.1  波形互相關係數原理
    6.1.2  多道相似組的構造
  6.2  基於多道相似組雜訊壓制演算法
    6.2.1  多道相似組字典雜訊壓制
    6.2.2  局部自適應字典學習
    6.2.3  演算法實現步驟與流程
  6.3  實驗結果及分析
    6.3.1  合成地震數據實驗
    6.3.2  標準地震模型實驗
    6.3.3  實際地震數據實驗
  6.4  本章小結
  參考文獻
第7章  基於傅里葉域聯合學習的數據重建
  7.1  數據重建模型建立
    7.1.1  欠採樣地震數據
    7.1.2  基於傅里葉變換的地震數據規則化
  7.2  卷積神經網路構建
    7.2.1  網路架構
    7.2.2  損失函數設定
  7.3  實驗結果與分析
    7.3.1  評價標準
    7.3.2  標準地震模型實驗
    7.3.3  實際數據重建實驗

  7.4  本章小結
  參考文獻
第8章  基於小波域聯合學習的數據重建
  8.1  方法原理
    8.1.1  地震數據重建模型
    8.1.2  基於小波變換的規則化
    8.1.3  小波域特徵提取
    8.1.4  聯合小波域深度學習模型
    8.1.5  聯合損失函數
  8.2  標準地震模型實驗
    8.2.1  參數設置
    8.2.2  網路模型測試
    8.2.3  紋理細節保持效果
    8.2.4  演算法對比
  8.3  實際地震數據實驗
  8.4  本章小結
  參考文獻
第9章  基於時頻聯合學習的數據去噪
  9.1  聯合學習雜訊壓制模型
    9.1.1  網路模型結構
    9.1.2  聯合損失函數的構造
    9.1.3  擴充卷積的構造
  9.2  標準模型實驗
    9.2.1  網路結構的分析
    9.2.2  演算法對比實驗分析
    9.2.3  不同強度雜訊壓制分析
  9.3  實際資料處理
    9.3.1  數據訓練
    9.3.2  數據測試
  9.4  本章小結
  參考文獻
第10章  基於兩階段卷積網路的數據去噪
  10.1  方法原理
    10.1.1  雜訊壓制模型
    10.1.2  網路結構設計
  10.2  去噪影響因素分析
    10.2.1  子網結構的分析與驗證
    10.2.2  聯合損失函數設計
    10.2.3  特徵融合的作用
    10.2.4  殘差學習的作用
  10.3  標準地震模型實驗
    10.3.1  演算法對比實驗分析
    10.3.2  不同強度雜訊壓制分析
  10.4  實際地震數據實驗
  10.5  本章小結
  參考文獻
編後記

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032