Input α. Desired output. Linear prediction. Prediction error. Input α. Desired output. Linear prediction. Prediction error

Like dokumenter
Wiener filter of length 10 (performance 0.374) Pulse P Sample number. Wiener filter of length 10 (performance 0.

Wavelet P Sample number. Roots of the z transform. Wavelet P Amplitude Spectrum.

Ghost amplitude spectrum. d=6 m V=1500 m/s c= 1

f(t) F( ) f(t) F( ) f(t) F( )

slik at en tredje denisjon kan ogsa brukes: F (!) Fff(t)g 1 p f(t) F ff(!)g 1 p f(t)e,i!t dt ; F (!)ei!t d! : Det er ogsa mulig a bruke frekvensen f i

TFY4104 Fysikk. Institutt for fysikk, NTNU. Lsningsforslag til ving 6. MgL + F B d. M + m

TFY4115 Fysikk. Institutt for fysikk, NTNU. Lsningsforslag til ving 4. ) v 1 = p 2gL. S 1 m 1 g = L = 2m 1g ) S 1 = m 1 g + 2m 1 g = 3m 1 g.

UNIVERSITETET I OSLO

TFY4104 Fysikk. Institutt for fysikk, NTNU. Lsningsforslag til ving 10.

Side av 5 fra matriseteori har vi at en symmetrisk matrise alltid er ortogonalt diagonaliserbar. Det vil si at X kan skrives på formen X = M M (6) der

II. Tegn rotkurvene som ligger pa den reelle aksen. For K 2 [0 +1 > ligger rotkurvene pa den reelle aksen til venstre for et ulike antall poler.

Kapittel 12. Spredt spektrum


jx + j < 7. Hvis vi i tillegg srger for at faktoren jx j < ", far vi 7 ialt jf(x) f()j = jx + jjx j < 7 " 7 = " Dette blir flgelig ofylt for alle x sl

SIF5010 Matematikk 3. y 00, 2y 0 +5y = sin x 4A, 2B =0 4B +2A =1;

Klara Hveberg, 26 sylen under pivot-elementet, ma vi na bare trekke (3; 2)=(2; 2) = 8=2 = 4 ganger andre rad fra tredje rad >> k=(3,2)/(2,2); >> (3,:)

Generell informasjon om faget er tilgjengelig fra It s learning. 1 En kort oppsummering Adaptiv filtrering 2. 3 Prediksjon 4

Eksamen i IN 106, Mandag 29. mai 2000 Side 2 Vi skal i dette oppgavesettet arbeide med et bilde som i hovedsak består av tekst. Det binære originalbil

Lsningsforslag ved Klara Hveberg Lsningsforslag til utvalgte oppgaver i kapittel 7 I seksjon 7.1 og 7.2 lrer du a lse oppgaver hvor det kan lnne seg a

Kapittel 3. Basisbånd demodulering/deteksjon. Intersymbolinterferens (ISI) og utjevning

MA1201 Lineær algebra og geometri Høst 2017

TFY4106 Fysikk Eksamen 17. august V=V = 3 r=r ) V = 3V r=r ' 0:15 cm 3. = m=v 5 = 7:86 g=cm 3

At z + w og zw er reelle betyr at deres imaginrdeler er lik null, det vil si at b + d 0 ad + bc 0 Den frste ligningen gir b d. Setter vi dette inn i d

Tidsdomene analyse (kap 3 del 2)

TFY4104 Fysikk. Institutt for fysikk, NTNU. ving 11.

Figur 2 viser spektrumet til signalet fra oppgave 1 med 20% pulsbredde. Merk at mydaqs spektrumsanalysator 2

LØSNINGSFORSLAG for KONTINUASJONSEKSAMEN I FAG SIE2010 Informasjons- og signalteori, 29. juli y(n) = ay(n 1) + x(n k),

Fasit til midtveiseksamen

Eksamen i emnet Stat111 - Statistiske metoder 28. mai 2014, kl

UNIVERSITETET I OSLO

LØSNINGSFORSLAG, KAPITTEL 2

Fra skolematematikken husker vi at kvadratroten til et tall a er det ositive tallet som har kvadrat lik a. Men det betyr at x2 = n x for x 0 x for x <

Repetisjon: Sampling. Repetisjon: Diskretisering. Repetisjon: Diskret vs kontinuerlig. Forelesning, 12.februar 2004

TFY4104 Fysikk Eksamen 17. august V=V = 3 r=r ) V = 3V r=r ' 0:15 cm 3. = m=v 5 = 7:86 g=cm 3

Generell informasjon om faget er tilgjengelig fra It s learning. 7.1 Stokastisk prosess Lineær prediktor AR-3 prosess...

Bruk av tidsvindu. Diskret Fourier-transform. Repetisjon: Fourier-transformene. Forelesning 6. mai 2004

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

Matematikk Øvingsoppgaver i numerikk leksjon 7 Løsningsforslag

Uke 4: z-transformasjonen

TFY4104 Fysikk. Institutt for fysikk, NTNU. Lsningsforslag til ving 8. a =

OLJESKIFTVEILEDNING CITROËN GIR RÅD FOR BEDRE VEDLIKEHOLD

Sampling ved Nyquist-raten

Tidsdomene analyse (kap 3 del 2)

Transformanalyse. Jan Egil Kirkebø. Universitetet i Oslo 17./23. september 2019

TFY4106 Fysikk. Institutt for fysikk, NTNU. Test 6.

Forelesning nr.7 INF 1411 Elektroniske systemer. Tidsrespons til reaktive kretser Integrasjon og derivasjon med RC-krester

Sekventkalkyle for utsagnslogikk

Uke 4: z-transformasjonen

vekt. vol bruk

Dato: Tirsdag 28. november 2006 Lengde på eksamen: 4 timer Tillatte hjelpemidler: Kun standard enkel kalkulator, HP 30S

Dagens temaer. Definisjon av z-transformasjonen. Tema. Time 5: z-transformasjon og frekvens transformasjon. Fra forrige gang

1-b. integer array frd; begin. integer x; for x:= 1step 1 until N do. end; 1-c

Repetisjon: Eksempel. Repetisjon: Aliasing. Oversikt, 26.februar Gitt. Alle signaler. Ettersom. vil alle kontinuerlig-tid signaler.

TDT4105 IT Grunnkurs Høst 2014

EKSAMEN I FAG TMA4255 FORSØKSPLANLEGGING OG ANVENDTE STATISTISKE METODER

REFLEKSJONSSEISMIKK - METODEBESKRIVELSE

UNIVERSITETET I OSLO

Oblig 1 FYS2130. Elling Hauge-Iversen

pdf

Utregning av en konvolusjonssum

NAS Høstmøte 2012 Stavanger Analyse av transmisjonsveier og refleksjoner for veitrafikkstøy i et byområde

UNIVERSITETET I OSLO

Bedømmelse: Ved bedømmelse vektlegges oppgavene I, II og III likt.

Forord Dette er en samling lsningsforslag som jeg opprinnelig utarbeidet til gruppeundervisningen i kurset MAT00A ved Universitetet i Oslo hsten 2000.

UNIVERSITETET I OSLO

Ridge regresjon og lasso notat til STK2120

UNIVERSITETET I OSLO

E, B. q m. TFY4104 Fysikk. Institutt for fysikk, NTNU. ving 12.

Forelesning nr.7 INF 1411 Elektroniske systemer. Tidsrespons til reaktive kretser Integrasjon og derivasjon med RC-krester

Universitetet i Stavanger Institutt for petroleumsteknologi

Uke 4: z-transformasjonen

3.2 Misbruk i media KAPITTEL 3 31

EKSAMEN I FAG TMA4255 ANVENDT STATISTIKK

d) Vi skal nne alle lsningene til dierensialligningen y 0 + y x = arctan x x pa intervallet (0; ). Den integrerende faktoren blir R x e dx = e ln x =

TFY4106 Fysikk Lsningsforslag til Eksamen 16. mai t= + t 2 = 2 ) exp( t=);

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO

Repetisjon: LTI-systemer

Dagens temaer. Endelig lengde data. Tema. Time 11: Diskret Fourier Transform, del 2. Spektral glatting pga endelig lengde data.

Klassisering. Insitutt for matematiske fag, NTNU 21. august Klassiseringsproblemet. Notat for TMA4240/TMA4245 Statistikk

Løsningsforslag: Eksamen i Brukerkurs for informatikere MA 0003, onsdag 30. november 2005

Ansla midlere kraft fra foten pa en fotball i et vel utfrt straespark.

10 6 (for λ 500 nm); minste størrelse av

Eksamensoppgave i TMA4255 Anvendt statistikk

Løsningsforslag til kapittel 11 sampling, kvantisering og lagring av lyd

MAT1030 Diskret matematikk

Forelesning, 23.februar INF2400 Sampling II. Øyvind Ryan. Februar 2006

Forelesning nr.14 INF 1410

9 Lineærtransformasjoner TMA4110 høsten 2018

Øvelser GEO1010 Naturgeografi. Løsningsforslag: 2 - GLASIOLOGI

EKSAMEN ST0202 STATISTIKK FOR SAMFUNNSVITERE

Noen presiseringer mhp Diskret Fourier Transform. Relevant for oblig 1.

Snøtetthet. Institutt for matematiske fag, NTNU 15. august Notat for TMA4240/TMA4245 Statistikk

Løsningsforslag Øving 5 TMA4140 Diskret matematikk Høsten 2010

Forelesning, 17.februar INF2400 Sampling II. Øyvind Ryan. Februar 2005

Mandag Institutt for fysikk, NTNU TFY4160/FY1002: Bølgefysikk Høsten 2006, uke 36

Matematikk Øvingsoppgaver i numerikk leksjon 4 m-ler

= 5, forventet inntekt er 26

Transkript:

NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR PETROLEUMSTEKNOLOGI OG ANVENDT GEOFYSIKK SIG445 Geofysisk Signalanalyse Lsningsforslag ving 8. Liner prediksjon bestar i aanvende et prediksjonslter, mens prediktiv dekonvolusjon bestar i a anvende et prediksjons-feil-lter. Et prediksjonslter er et Wiener-lter hvor nsket output z t er en forsinket versjon av input x t : z t = x t+. Det vil si at vi spr ltret om a spa verdier i \framtiden" til input signalet. Et slik lter kunne for eksempel brukes for a spa vret de neste dagene, gitt vret de siste arene. Hvis x t er en hvit-sty-sekvens, har vi ' xx () =, 2 og ' xx (i) = ; 8i 6=. Normal ligningene for prediksjonsltret f gir da f = f = ::: = f m =,og vi far null-output. Med andre ord kan ikke ltret spa framtiden til en hvit-sty sekvens. Hvis x t er en multippel-rekke, vil ' xx (i) fa store verdier for n = ;l;2l; :::, hvor lt er tidsintervallet mellom to multipler i multippel-rekken. Det blir lett for ltret, ut fra kunnskapen til ' xx, a spa framtiden til x t. Nar det gjelder vart meteorologiske eksempel vet vi at det alltid har vrt kaldere om vinteren enn om sommeren. Derfor er det lett a spa at det sannsynligvis ogsa blir slik neste ar... En annen viktig egenskap til prediksjonsltret er at det er kausalt, og kan derfor ikke \ytte energi til venstre" (det kan bare konsentrere energi innenfor pulsen, avhengig av delay-egenskapene, se ving 8). Vi er ikke interessert i multiplene i trasen, og vil gjerne fjerne dem, Derimot er vi interessert i reeksjonsrekken, som inneholder reeksjonskoesientene til de forskjellige laggrensene. Reeksjonsrekken er veldig uforutsigbar, og den kan betraktes som hvit sty. Nar vi anvender et prediksjonslter pa en reeksjonsrekke med multipler (altsa konvolvert med en multippel-rekke) vil vi da bare fa multiplene med forsprang i output. Feilen i prediksjonen (dvs. det som vi ikke har klart a spa) bestar av alle primrankomstene uten multiplene. Denne feilen kan beregnes veda subtrahere nsket output fra output til prediksjonsltret. Vi kan til slutt forsinke resultatet med sampler. Det hele er det samme som a bruke et prediksjon-feil-lter, eller, mao. a utfre prediktiv dekonvolusjon i stedet for liner prediksjon. Figur illustrerer liner prediksjon og prediktiv dekonvolusjon for en multippel-rekke: Den frste spike'n brukes for a lage den frste multiplen i nsket output. Den frste multiplen brukes for a lage den andre, osv. Den frste multiplen i multippel-rekken kan ikke lages fordi prediksjonsltret er kausalt. Derfor bestar prediksjonsfeilen av kun den frste spike'n.

Input α Desired output Linear prediction Prediction error Figure : Prediktiv dekonvolusjon av en multippel-rekke Input α Desired output Linear prediction Prediction error Figure 2: Prediktiv dekonvolusjon av en hvit-sty sekvens 2

Input α Desired output Linear prediction Prediction error Figure 3: Prediktiv dekonvolusjon av en trase med = Input α Desired output Linear prediction Prediction error Figure 4: Prediktiv dekonvolusjon av en trase med =2 3

For en hvit-sty sekvens (gur 2) kan vi nne et kausalt lter som vil kunne lage den andre spike'n i nsket output ut fra den frste, men vi ser at det samme ltret ikke kan brukes for a lage den tredje spike'n ut av den andre. Mao. nnes det rett og slett ikke noe lter som kan tilfredsstillende lage vart nsket output ut fra hvit-sty-sekvensen. Derfor blir den predikterte trasen null, og prediksjonsfeilen er lik den opprinnelige trasen. Rollen til er illustrert i gur 3 ( = ) og gur 4 ( = 2): Pulsen blir avkortet til bare de frste samplene. 2. I gur 5 har vi tegnet reeksjonsrekken og trasen. Den tredje multiplen til den frste spike'n faller sammen med den andre spike'n. I gur 6 og 7 har vi anvendt prediktiv dekonvolusjon pa henholdsvis multippel-rekken M og reeksjonsrekken R. Som forventet blir multiplene fjernet fra M, mens R blir urrt. Seismic trace and reflection series.5.5 2 4 6 8 Figure 5: Trase T Resultatet til prediktiv dekonvolusjon pa trasen T er vist i gur 8. Vi ser at multiplene blir fjernet, mens primr-ankomstene forblir. Prediktiv dekonvolusjon danner litt sty, men stynivaet er lavt i forhold til den rekonstruerte reeksjonsrekken. Nar vi senker lterlengden til 9 blir trasen ikke ltrert i det hele tatt, fordi avstanden mellom to multipler er, og ltret er for kort for a ytte en multippel til neste... Dette ser man godt i gur 9. I gur, og 2 ser man hva som skjer nar vi ker lterlengden. Disse eksemplene kan overbevise de mest skeptiske over at a ke lterlengden ikke ndvendigvis forbedrer resultatene. Tvert imot blir det mer og mer sty, og den andre og den tredje spike'n far feil amplitude. Det er lettere a forsta innytelsen til lterlengden L nar man ser separat pa resultatene til prediktiv dekonvolusjon pa M og R: Figur 3 viser at et lter med lengde L< (nar avstanden mellom to multipler er ) ikke fjerner multiplene i det hele tatt. Derimot vil man fjerne alle multipler fra M nar ltret har lengde strre eller lik. Nar vi anvender prediktiv dekonvolusjon pa R far vi akkurat samme resultat med L=6 (gur 4) som vi hadde med L= (gur 7). Det er fordi den minste avstanden 4

Predictive deconvolution (length=, alpha=) Multiple series.5.5 2 3 4 5 6 7 Figure 6: Multippel-rekke M etter prediktiv dekonvolusjon Predictive deconvolution (length=, alpha=).5 Reflection series.5 2 3 4 5 6 7 Figure 7: Reeksjonsrekke R etter prediktiv dekonvolusjon Predictive deconvolution (length=, alpha=).5.5 2 4 6 8 2 Figure 8: Trasen T etter prediktiv dekonvolusjon (L=) 5

Predictive deconvolution (length=9, alpha=).5.5 2 4 6 8 2 Figure 9: Trasen T etter prediktiv dekonvolusjon (L=9) Predictive deconvolution (length=7, alpha=).5.5 2 4 6 8 2 Figure : Trasen T etter prediktiv dekonvolusjon (L=7) Predictive deconvolution (length=3, alpha=).5.5 2 4 6 8 2 4 Figure : Trasen T etter prediktiv dekonvolusjon (L=3) 6

Predictive deconvolution (length=6, alpha=).5.5 2 4 6 8 2 4 6 Figure 2: Trasen T etter prediktiv dekonvolusjon (L=6) Predictive deconvolution (length=9, alpha=).5 Multiple series.5 2 3 4 5 6 7 Figure 3: Multippel-rekke M etter prediktiv dekonvolusjon (L=9) Predictive deconvolution (length=6, alpha=).8 Reflection series.6.4.2 2 3 4 5 6 Figure 4: Reeksjonsrekke R etter prediktiv dekonvolusjon (L=6) 7

Predictive deconvolution (length=7, alpha=).8 Reflection series.6.4.2.2 2 3 4 5 6 Figure 5: Reeksjonsrekke R etter prediktiv dekonvolusjon (L=7) Predictive deconvolution (length=29, alpha=).8 Reflection series.6.4.2.2 2 3 4 5 6 7 8 Figure 6: Reeksjonsrekke R etter prediktiv dekonvolusjon (L=29) Predictive deconvolution (length=3, alpha=).8 Reflection series.6.4.2.2 2 3 4 5 6 7 8 Figure 7: Reeksjonsrekke R etter prediktiv dekonvolusjon (L=3) 8

mellom to spike'r i reeksjonsrekken er 7 punktprver. Nar L=6 er R fullstendig uforutsigbar for prediksjonltret, og feilen i prediksjonen er lik selve R.Nar L=7 (gur 5) klarer prediksjonltret a \spa" R i noen grad (selv om det er darlig), og da ligner ikke prediksjonfeilen s godt pa R lenger. Darligere og darligere blir det nar man ker lterlengden. Avstanden mellom den frste og den andre spike'n er 3 punktprver. Derfor er resultatet likt for L=7 og L=29 (gur 6), mens kvaliteten senkes igjen nar L=3 (gur 7). Ideelt ville R vrt helt umulig a spa. I praksis er dette bare umulig hvis lter-lengden ikke er for langt. Derfor velger vi L sa liten som mulig, men likevel stor nok for a fjerne multiplene. Her er den optimale verdien L=. 3. Den litt mer realistiske trasen T er tegnet i gur 8. Vi har anvendt prediktiv dekonvolusjon med -verdier fra til 4 (gur 9 til 22). Jo kortere lag, desto kortere spike far man i teori (se gur 3 og 4). I praksis er det litt \sty " som kommer inn i bildet. Her gir =3de beste resultatene. Multiplene er blitt fjernet, og man ser bra de re primrankomstene. Hyden til hver av spike'ne er ogsa nesten riktig. Ut fra gur 2 eller 2 er det mulig a rekonstruere reeksjonsrekken nesten perfekt. I stedet for en spike, far vi, i teori, de frste samplene i kilde-signalet ved alle primr-ankomster. Derfor blir ankomstene forskjvet mot hyre. I praksis er det ikke helt slik (se gur 23 til 26). Den seismiske trasen med sty er tegnet i gur 27. Nar vi anvender prediktiv dekonvolusjon, far vi resultatet vist i gur 28. Det er ganske mye sty (mer enn i dataene TW), slik at man bare kan detektere de to frste laggrensene. Dessuten er hyden til spike'ne ikke sa riktig lenger. For a forbedre resultatet kan man prveadempe styen. I gur 29 og 3 har vi tegnet spektrene til henholdsvis kilde-signalet (uten sty) og prediksjon-feil-ltret. Vi ser at ltret har store verdier utenfor intevallet [25;25] Hz, og vil dermed blase opp all styen som nnes i dette frekvensomradet. Intervallet [25;25] Hz tilsvarer nettopp passbandet til signalet vart. Vi kan derfor anvende et band-pass-lter med knekkfrekvenser 25 og 25 Hz for a dempe styen. Resultatet er vist i gur 3. Na kan man se en tredje primr ankomst. Derimot er det vanskelig a skille lag 3 og 4 fra hverandre. 9

.3 Seismic trace.2...2.3.4 5 5 2 25 Figure 8: Trase T.3 Seismic trace after predictive deconvolution.25.2.5..5 alpha=.5..5.2 2 4 6 8 2 4 6 8 2 Figure 9: Trase T etter prediktiv dekonvolusjon (=).3 Seismic trace after predictive deconvolution.25.2.5..5 alpha=2.5..5.2 2 4 6 8 2 4 6 8 2 Figure 2: Trase T etter prediktiv dekonvolusjon (=2)

.3 Seismic trace after predictive deconvolution.25.2.5..5 alpha=3.5..5.2 2 4 6 8 2 4 6 8 2 Figure 2: Trase T etter prediktiv dekonvolusjon (=3).3 Seismic trace after predictive deconvolution.25.2.5..5 alpha=4.5..5.2 2 4 6 8 2 4 6 8 2 Figure 22: Trase T etter prediktiv dekonvolusjon (=4) Predictive deconvolution (length=3, alpha=).5.5 5 5 2 25 3 35 4 45 5 Figure 23: Prediktiv dekonvolusjon anvendt pa kilde-signalet (=)

Predictive deconvolution (length=3, alpha=2).5.5 5 5 2 25 3 35 4 45 5 Figure 24: Prediktiv dekonvolusjon anvendt pa kilde-signalet (=2) Predictive deconvolution (length=3, alpha=3).5.5 5 5 2 25 3 35 4 45 5 Figure 25: Prediktiv dekonvolusjon anvendt pa kilde-signalet (=3) Predictive deconvolution (length=3, alpha=4).5.5 5 5 2 25 3 35 4 45 5 Figure 26: Prediktiv dekonvolusjon anvendt pa kilde-signalet (=4) 2

.3 Noisy seismic trace TW.2...2.3.4 5 5 2 25 Figure 27: Seismisk trase pluss sty TW Noisy seismic trace after predictive deconvolution.25.2.5..5 alpha=3.5. 2 4 6 8 2 4 6 8 2 Figure 28: Prediktiv dekonvolusjon anvendt pa TW(=2) 5 Spectrum 4 3 2 25 2 5 5 5 5 2 25 Frequency in Hz 4 Phase Spectrum 2 2 4 25 2 5 5 5 5 2 25 Frequency in Hz Figure 29: Spektrum til kilde-signalet 3

8 Spectrum 6 4 2 25 2 5 5 5 5 2 25 Frequency in Hz 4 Phase Spectrum 2 2 4 25 2 5 5 5 5 2 25 Frequency in Hz Figure 3: Spektrum til prediksjon-feil-ltret Noisy seismic trace after prediconv and band pass filtering.25.2.5..5 alpha=3.5. 2 4 6 8 2 4 6 8 2 Figure 3: TW etter prediktiv dekonvolusjon og band-pass ltrering 4