탄성파 역산에 있어서 가장 널리 사용되는 최소자승($l^2$norm)해는 이상치(outlier)에 매우 민감하게 반응하는 경향이 있다. 이에 반해서 $l^1$ norm을 최소화하는 해는 이상치에 강인한 면을 보이나 일반적으로 좀 더 많은 계산이 필요하다. 반복적가중의 최소자승법(Iteratively reweighted least squares [IRLS] method)을 이용하면 이러한 $l^1$ norm 문제의 근사해(approximate solution)를 효율적으로 구할 수 있다. 본 논문에서는 작은 크기의 잔여분은 $l^2$ norm으로 처리하며, 큰 크기의 잔여분은 $l^1$ norm으로 처리하는 하이브리드$l^1/l^2$ norm 최소화를 IRLS 방법에 쉽게 적용하는 구현 기법을 소개한다. 소개된 알고리즘은 특이치(singularity)처리를 위한 임계값의 결정에 민감하게 반응하는 기존의 $l^1$ norm IRLS 방법과는 달리 임계값 결정에 상관없이 늘 강인한 역산의 특성을 보여준다.
탄성파 역산에 있어서 가장 널리 사용되는 최소자승($l^2$ norm)해는 이상치(outlier)에 매우 민감하게 반응하는 경향이 있다. 이에 반해서 $l^1$ norm을 최소화하는 해는 이상치에 강인한 면을 보이나 일반적으로 좀 더 많은 계산이 필요하다. 반복적가중의 최소자승법(Iteratively reweighted least squares [IRLS] method)을 이용하면 이러한 $l^1$ norm 문제의 근사해(approximate solution)를 효율적으로 구할 수 있다. 본 논문에서는 작은 크기의 잔여분은 $l^2$ norm으로 처리하며, 큰 크기의 잔여분은 $l^1$ norm으로 처리하는 하이브리드 $l^1/l^2$ norm 최소화를 IRLS 방법에 쉽게 적용하는 구현 기법을 소개한다. 소개된 알고리즘은 특이치(singularity)처리를 위한 임계값의 결정에 민감하게 반응하는 기존의 $l^1$ norm IRLS 방법과는 달리 임계값 결정에 상관없이 늘 강인한 역산의 특성을 보여준다.
Least squares ($l^2$ norm) solutions of seismic inversion tend to be very sensitive to data points with large errors. The $l^1$ norm minimization gives more robust solutions, but usually with higher computational cost. Iteratively reweighted least squares (IRLS) method gives ef...
Least squares ($l^2$ norm) solutions of seismic inversion tend to be very sensitive to data points with large errors. The $l^1$ norm minimization gives more robust solutions, but usually with higher computational cost. Iteratively reweighted least squares (IRLS) method gives efficient approximate solutions of these $l^1$ norm problems. I propose an efficient implementation of the IRLS method for a hybrid $l^1/l^2$ minimization problem that behaves as $l^2$ norm fit for small residual and $l^1$ norm fit for large residuals. The proposed algorithm shows more robust characteristics to the decision of the threshold value than the l1 norm IRLS inversion does with respect to the threshold value to avoid singularity.
Least squares ($l^2$ norm) solutions of seismic inversion tend to be very sensitive to data points with large errors. The $l^1$ norm minimization gives more robust solutions, but usually with higher computational cost. Iteratively reweighted least squares (IRLS) method gives efficient approximate solutions of these $l^1$ norm problems. I propose an efficient implementation of the IRLS method for a hybrid $l^1/l^2$ minimization problem that behaves as $l^2$ norm fit for small residual and $l^1$ norm fit for large residuals. The proposed algorithm shows more robust characteristics to the decision of the threshold value than the l1 norm IRLS inversion does with respect to the threshold value to avoid singularity.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
후)토모 그래피에">토모그래피에 있어서 하이브리드 l1/l2 norm을 최소화하기 위해 IRLS 방법을 적용하였으며, Guitton and Symes (2003)는 quasi-Newton 방법으로 하이브리드 norm의 일종인 Huber norm을 최소화시키는 기법을 소개하기도 했다. 본 논문에서는 IRLS방법으로 하이브리드 l1/l2 norm의 최소화시키는 해를 구할 수 있는 효율적인 기법을 소개한다.
본 논문에서는 하이브리드 l1/l2 norm을 최소화하는 역산을 IRLS 방법에 쉽게 적용할 수 있는 구현 기법을 소개하였다. 제안된 알고리즘은 l1 norm 역산을 IRLS 방법으로 근사적으로 구하는 대신에, 일정한 크기보다 작은 잔여분은 l2 norm을 최소화시키는 역산으로, 그리고
제안 방법
본 논문에서 소개하고 있는 하이브리드 l1/l2 norm을 최소화하는 역산을 속도중합역산에 적용해 보았다. 일반적인
또한 중첩된 반복의 경우 내부/외부 반복 회수의 결정에는 적절한 이론적 배경이 존재하지 않으며, 대부분은 실험적 또는 경험적인 방법을 사용한다. 본 논문에서는 내부 반복의 회수를 CG방법의 장점인 평면탐색을 이용할 수 있는 최소한의 회수인 2회만 수행하는 방법을 사용하였다.
후자의 경우에는 이미 자료의 통계학적 분포가 임계값 결정에 반영되어 있기 때문에 보다 안정적인 임계값 결정 방법이라 할 수 있다. 본 연구에서는 이러한 임계값으로 자료의 5 percentile에 해당하는 값, 즉 자료를 크기대로 정렬한 후에 자료의 최소값으로부터 자료의 5%가 포함되는 위치에 존재하는 값을 임계값으로 사용하였다.
후)구현기법을">구현 기법을 소개하였다. 제안된 알고리즘은 l1 norm 역산을 IRLS 방법으로 근사적으로 구하는 대신에, 일정한 크기보다 작은 잔여분은 l2 norm을 최소화시키는 역산으로, 그리고 그 보다 큰 잔여분에 대하여는 l1 norm을 최소화시키는 역산을 정확하게 적용시키는 알고리즘이다. 이러한 하이브리드 l1/l2 norm을 최소화하는 IRLS 역산은 기존의 l1 norm을 최소화시키는 IRLS 역산과는 다르게, 잔여분을 l1 norm과 l2 norm 두 종류로 나누는 경계값의 결정이 역산 결과에 민감하게 영향을 주지 않는 강인한 역산의 특성을 보여준다.
대상 데이터
본 논문에서 제안된 하이브리드 l1/l2 norm을 최소화하는 역산을 실험하기 위해서 다양한 종류의 잡음을 포함하고 있는 실제 육상 탐사에서 얻은 공통발파점 자료(Common Shot Point (CSP) gather)를 사용하였다(Fig. 7). 공통중간점자료(CMP gather)가 아닌
성능/효과
후)가우시 안">가우시안 잡음은 대체적으로 잘 제거되었으나, 스파이크 형태의 큰 잡음들은 완전히 배제하지 못하는 최소자승역산법의 한계를 볼 수 있다. Fig. 4는 본 논문에서 소개하고 있는 하이브리드 l1/l2 norm을 최소화하는 역산을 IRLS 방법으로 적용한 결과로서, 가우시안 잡음뿐만 아니라 이상치도 아주 잘 제거하고 있음을 볼 수 있으며, 속도스택의 결과도 매우 선명하게 얻어내고 있음을 알 수 있다.
이러한 하이브리드 l1/l2 norm을 최소화하는 IRLS 역산은 기존의 l1 norm을 최소화시키는 IRLS 역산과는 다르게, 잔여분을 l1 norm과 l2 norm 두 종류로 나누는 경계값의 결정이 역산 결과에 민감하게 영향을 주지 않는 강인한 역산의 특성을 보여준다. 다양한 분포양상의 잡음을 포함하는 모의 자료와 실제 현장자료에의 적용 결과 이상치(outlier)가 포함된 경우 l2 norm을 최소화시키는 최소자승해보다 하이브리드 l1/l2 norm IRLS 방법의 경우에 개선된 결과를 보임을 확인할 수 있었다.
후속연구
후)1969) 하여">1969)하여 속도중합결과를 얻게 된다. 이상적인 경우는 CMP 자료에서의 쌍곡선이 속도중합영역에서의 한 점으로 나타나게(mapping) 되는 경우일 것이나, 실제적으로 쌍곡선을 따라서 더하는 방법은 자료에 존재하는 다양한 잡음과 제한된 aperture에 기인한 정보의 부족 때문에 이상적인 결과를 가져오지 못한다. 보다 높은 해상도를 가진 속도중합결과를 얻기 위해서는 역산을 통한 속도중합계산이 필요하게 된다.
질의응답
핵심어
질문
논문에서 추출한 답변
최소자승 해는 무엇에 널리 이용되는가?
탄성파 역산에 있어서 가장 널리 사용되는 최소자승($l^2$ norm)해는 이상치(outlier)에 매우 민감하게 반응하는 경향이 있다. 이에 반해서 $l^1$ norm을 최소화하는 해는 이상치에 강인한 면을 보이나 일반적으로 좀 더 많은 계산이 필요하다.
탄성파 자료 역산문제는 무엇을 목적으로 최적화문제로 구성되는가?
대부분의 탄성파 자료 역산문제는 실제로 측정된 자료와 모델로부터 구해지는 이론적인 자료 사이의 차이인 잔여분(residual)을 최소화시키는 모델을 구할 목적으로 최적화문제로 구성된다. 이러한 최적화 문제는 대부분 최소자승문제(least squares problem)로 구성되며 이때 최소화되어야 할 대상은 잔여분의 l2 norm에 해당된다.
탄성파 자료 역산문제의 최적화 문제는 무엇으로 구성되며 대상은 무엇에 해당하는가?
대부분의 탄성파 자료 역산문제는 실제로 측정된 자료와 모델로부터 구해지는 이론적인 자료 사이의 차이인 잔여분(residual)을 최소화시키는 모델을 구할 목적으로 최적화문제로 구성된다. 이러한 최적화 문제는 대부분 최소자승문제(least squares problem)로 구성되며 이때 최소화되어야 할 대상은 잔여분의 l2 norm에 해당된다. 이러한 최소자승 해는 큰 오차를 갖는 자료, 즉 이상치(outlier)에 매우 민감하게 반응을 하는 경향이 있다.
참고문헌 (12)
Bube, K. P., and Langan, R. T., 1997, Hybrid $l^{1}/l^{2}$ minimization with applications to tomography, Geophysics, 62, 1183-1195
Scales, J. A., and Gersztenkorn, A., 1987, Robust methods in inverse theory, Scales, J. A. Ed., Geophysical imaging, Symposium of geophysical society of Tulsa, SEG, 25-50
Scales, J. A., Gersztenkorn, A., Treitel, S., and Lines, L. R., 1988, Robust optimization methods in geophysical inverse theory, SEG 58th Ann. Internat. Mtg., Session:S7.1
Taner, M. T., and Koehler, F., 1969, Velocity spectra - Digital computer derivation and application of velocity functions, Geophysics, 34, 859-881
※ AI-Helper는 부적절한 답변을 할 수 있습니다.