Large-scale Inversion of Magnetic Data Using Golub-Kahan Bidiagonalization with Truncated Generalized Cross Validation for Regularization Parameter Estimation
محل انتشار: مجله فیزیک زمین و فضا، دوره: 44، شماره: 4
سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 58
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JESPHYS-44-4_003
تاریخ نمایه سازی: 26 مهر 1402
چکیده مقاله:
In this paper a fast method for large-scale sparse inversion of magnetic data is considered. The L۱-norm stabilizer is used to generate models with sharp and distinct interfaces. To deal with the non-linearity introduced by the L۱-norm, a model-space iteratively reweighted least squares algorithm is used. The original model matrix is factorized using the Golub-Kahan bidiagonalization that projects the problem onto a Krylov subspace with a significantly reduced dimension. The model matrix of the projected system inherits the ill-conditioning of the original matrix, but the spectrum of the projected system accurately captures only a portion of the full spectrum. Equipped with the singular value decomposition of the projected system matrix, the solution of the projected problem is expressed using a filtered singular value expansion. This expansion depends on a regularization parameter which is determined using the method of Generalized Cross Validation (GCV), but here it is used for the truncated spectrum. This new technique, Truncated GCV (TGCV), is more effective compared with the standard GCV method. Numerical results using a synthetic example and real data demonstrate the efficiency of the presented algorithm.
کلیدواژه ها:
Magnetic survey ، Sparse inversion ، Golub-Kahan bidiagonalization ، Regularization parameter estimation ، Truncated generalized cross validation
نویسندگان
Saeed Vatankhah
Assistant Professor, Department of Earth Physics, Institute of Geophysics, University of Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :