基于M估计理论设计抗差总体最小二乘(robust total least-squares,RTLS)估计算法时,由于总体最小二乘(total least-squares,TLS)估计不适用于残差预测,根据单个随机量残差进行重定权存在理论缺陷。本文基于乘性误差模型推导TLS估计迭代...基于M估计理论设计抗差总体最小二乘(robust total least-squares,RTLS)估计算法时,由于总体最小二乘(total least-squares,TLS)估计不适用于残差预测,根据单个随机量残差进行重定权存在理论缺陷。本文基于乘性误差模型推导TLS估计迭代公式,对等式残差或总残差进行理论解释,说明该残差具有最小二乘(least-squares,LS)估计残差的性质;然后顾及观测空间和结构空间的抗差性,基于等式残差或总残差设计相应的RTLS估计算法;最后通过Monte Carlo实验,从抗差性、有效性和迭代效率等方面与其他重定权策略进行比较,证明该RTLS估计算法的优势。展开更多
最小二乘逆时偏移(least-squares reverse time migration,LSRTM)具有更高的成像分辨率、振幅保真性及均衡性等优势。然而,目前的LSRTM算法大多基于水平地表假设,在面对复杂地形时无法很好地适应剧烈的起伏地表。基于二阶常密度声波方程...最小二乘逆时偏移(least-squares reverse time migration,LSRTM)具有更高的成像分辨率、振幅保真性及均衡性等优势。然而,目前的LSRTM算法大多基于水平地表假设,在面对复杂地形时无法很好地适应剧烈的起伏地表。基于二阶常密度声波方程的LSRTM算法忽略了密度变化对振幅的影响,很难在变密度介质中取得保真的成像结果。为此,从一阶速度-应力方程出发,在曲线坐标系下推导相应的扰动方程和伴随方程,并通过伴随状态法给出梯度更新公式,最终实现基于贴体网格的起伏地表LSRTM算法。模型试算验证了算法的有效性和对复杂地表的适应性。结果表明,提出的算法能够消除起伏地表的影响、压制低频噪声、恢复高频成分、均衡成像振幅,实现地下变密度介质的高分辨率和高保真度成像。展开更多
文摘基于M估计理论设计抗差总体最小二乘(robust total least-squares,RTLS)估计算法时,由于总体最小二乘(total least-squares,TLS)估计不适用于残差预测,根据单个随机量残差进行重定权存在理论缺陷。本文基于乘性误差模型推导TLS估计迭代公式,对等式残差或总残差进行理论解释,说明该残差具有最小二乘(least-squares,LS)估计残差的性质;然后顾及观测空间和结构空间的抗差性,基于等式残差或总残差设计相应的RTLS估计算法;最后通过Monte Carlo实验,从抗差性、有效性和迭代效率等方面与其他重定权策略进行比较,证明该RTLS估计算法的优势。
文摘最小二乘逆时偏移(least-squares reverse time migration,LSRTM)具有更高的成像分辨率、振幅保真性及均衡性等优势。然而,目前的LSRTM算法大多基于水平地表假设,在面对复杂地形时无法很好地适应剧烈的起伏地表。基于二阶常密度声波方程的LSRTM算法忽略了密度变化对振幅的影响,很难在变密度介质中取得保真的成像结果。为此,从一阶速度-应力方程出发,在曲线坐标系下推导相应的扰动方程和伴随方程,并通过伴随状态法给出梯度更新公式,最终实现基于贴体网格的起伏地表LSRTM算法。模型试算验证了算法的有效性和对复杂地表的适应性。结果表明,提出的算法能够消除起伏地表的影响、压制低频噪声、恢复高频成分、均衡成像振幅,实现地下变密度介质的高分辨率和高保真度成像。
