7.

2 El ruido y su auto correlación suma de N 'números aleatorios de la magnitud promedio

de una se suma a
Para una serie de ruido cero de media aleatoria, de
desviación estándar, la función de auto correlación se
define como
Este efecto se explota ampliamente en el procesamiento
de datos sísmicos, particularmente en el proceso
conocido como apilamiento (ver Capítulo 3)

Usando argumentos similares a los de arriba,

Se puede mostrar (Kendall y Stuart, 1966), eso

Con una variación de 1/N

A modo de ejemplo, la figura 2.33 muestra una
realización más larga del ruido rand dm que se muestra
en la figura 2.27. La correlación de esto se muestra en la Fig. 2.34. El auto correlación de la serie de ruido de la
figura 2.34. Tenga en cuenta que esto es en realidad una figura 2.33.
buena manera de detectar el ruido aleatorio ya que es la
auto correlación debería comportarse aproximadamente
como lo indica el (2.7.7). 2.7.3 Periodicidades en las funciones de correlación

Se indicó en la Sección 2.7.1 que uno de los propiedades

de la función de auto correlación fue que si la función de
entrada era periódica con el período T, luego la auto
correlación también fue periódica con el período T. ahora
se probará, nuevamente para el caso discreto.
'Supongamos que la serie de tiempo de entrada es
periódica con un período N muestras y está dada por

Entonces la autocorrelación está dada por:

Fig. 2.33. Una realización más larga de una serie
temporal de ruido gaussiano de media cero y varianza
unitaria.

Cualquier gran desviación de este comportamiento es

indicativa de algún efecto no aleatorio. Finalmente, una
propiedad más importante del azar números es que la
Esta es la diferencia de dos series geométricas que
después algo de manipulación
grande, simplemente porque no hay muestras suficientes
dentro de la ventana. Baste decir que no es un concepto
fácil para definir en este entorno.
Algunos de los posibles candidatos para estimadores
sobre una ventana en la que hay señal son:

Puede ser visto como M tiende a infinito, el discreto la

función de auto correlación tiende a una función
periódica del mismo periodo que la entrada.
Usando un argumento similar al anterior. Y comenzando
con una función

Los siguientes estrechamente relacionados e igualmente
importantes resultado puede ser probado: la función de
auto correlación no retiene ninguna información de la
fase de la entrada señal.
Por lo tanto, el auto correlación de una fase mínima es
exactamente lo mismo que la auto correlación de
cualquier otra wavelet del mismo espectro de amplitud.
En Por otro lado, la función de correlación cruzada no
retener información sobre la fase de las funciones de
entrada.
2.7.4 Correlaciones y relación señal a ruido
La relación señal a ruido es un concepto particularmente
abusado, no solo en sismología de exploración, sino
también en otras ciencias Heurísticamente, es un intento
de comparar el "Tamaño" de una señal incrustada en
ruido con el "tamaño" de ese ruido. El problema es que
no hay una definición única noción y por lo tanto es
imposible hablar de la señal de ruido proporción. En los
libros de texto teóricos, a menudo se define en términos
de una señal de duración infinita incrustado en ruido de
una duración similar. En sismología, sin embargo, el la
naturaleza o el sismología implica que la señal es en
realidad solo presente en ciertas zonas discretas
correspondientes a cambios en la impedancia acústica
Donde no hay reflejo. No hay señal en tales
circunspectos, tiene sentido medir relación señal / ruido
solo en esas zonas o ventanas.
Donde la señal está presente. Si las ventanas son cortas,
estadísticas simples indica que el estimador en uso puede
.tiene una variación o incertidumbre intolerablemente
Estas diferentes proporciones diferirán notablemente a
medida que el espectro y la distribución de los cambios
de ruido. A menudo se supone que es gaussiano, pero
esta suposición es solo aproximadamente verdadera y
con frecuencia muy imprecisa. El gran problema en la
práctica, por supuesto, es que el sismograma contiene
señal más ruido, mientras que a ruido es una proporción.
Como se mostrará ahora, si es cierto se hacen
suposiciones razonables, relación señal a ruido están
íntimamente relacionados con las funciones de
correlación.
Supongamos que hay al menos M rastros sísmicos que
contienen la misma wavelet, quizás con algunos relativos
cambio de hora y diferentes realizaciones de ruido
aditivo.
Además, de nuevo temporalmente, las funciones de
tiempo continúo se supone con un cambio
correspondiente en la nomenclatura.
El rastro compuesto general. Sismo más ruido, puede ser
escrito

Referente a la forma de (2.7.5), el tiempo continúa
correlación cruzada normalizada se puede definir usando
(2.7.l9) y (2.7.20) como
Como ya se ha notado, la autocorrelación tiene su valor
máximo cuando el retraso es cero, por lo tanto, g ' es un
máximo para Hm=Hj – Hi y el valor máximo es dada
por:
Este es el resultado deseado, pero queda la pregunta de
cómo se puede usar. Recuerde que el objeto es la
correlación cruzada con una relación señal a ruido, dice
SN.
Considere la opción (2.7.14). Dado que el valor cero
longitud de la auto correlación no es más que la suma de
cuadrados magnitudes, se deduce que
Tal como está, (2.7.24) da una ecuación y dos incógnitas,
las dos relaciones de señal a ruido. Hay dos formas de
evitar esto En primer lugar, un rastro adicional ch podría
ser traído, dando tres ecuaciones en tres incógnitas. Si se
traen más trazas, la redundancia estadística puede ser
utilizada para mejorar las estimaciones, recordando que
en práctica (2.7.24) debe ser aproximada para finito
discreto serie de tiempo con una incertidumbre
estadística correspondiente.
En segundo lugar, se podrían hacer suposiciones simples
para cerrar el lazo. Por ejemplo, si
En la siguiente sección, las poderosas técnicas de filtrado
debido a Wiener será presentado y analizado.
2.8 El filtro de Wiener
2.8.1 Convolución como una ecuación matricial
Como se vio antes, la convolución lineal discreta de dos
series de tiempo series h y x): digamos, se define por (cf.
Ecuación (2-4-1)).
Aquí L, I es la longitud de Hx, Lx es la longitud de la
entrada x y Ly es la longitud de la salida real y.
En esta sección, se 'mostrará que (2.8.1) puede ser escrito
como una ecuación matricial, permitiendo así el poder de
álgebra matricial que se aplicará a la comprensión de esta
ecuación fundamental. La forma apropiada es:
Esto puede verificarse fácilmente para que sea el mismo
que (2.8.1).
Se puede escribir como
Tenga en cuenta que las letras en negrita se utilizarán
para denotar "matriz notación a lo largo de este libro
dónde:
Y es el vector de columna
X la matriz que se muestra en la ecuación (2.8.2)
H es el vector de columna [h......h].
(2.8.2) y (2.8.3) también se conocen como el tránsito
completo
Convolución de X con H.
2.8.2 El método de mínimos cuadrados
Esta técnica es extremadamente común en toda la
sismología de la exploración, al igual que en otras
ciencias, y se remonta a Gauss. Los primeros principios
se pueden encontrar en muchos libros de texto, y solo el
siguiente problema se considerará aquí: supongamos que
se requiere un filtro h que, cuando se convierta con una
entrada x, produce un resultado deseado d.
En la práctica, para series de tiempo finitas discretas, no
hay tal relleno en general y la pregunta debe ser refinada
para ser lo que es el relleno que se acerca más a producir
el efecto deseado en algún sentido.
La solución de mínimos cuadrados para nuestro
problema puede ser establecido como ese filtro que
minimiza, es decir,
𝐿 +𝐿
ℎ
𝐼 = ∑𝑘=0 𝑘
(𝑑𝑘 −𝑦𝑘 )2 (2.8.4)
i.e. la suma de las diferencias al cuadrado de las salidas
deseadas y reales. Este criterio de minimización de
cuadrados también se conoce como minimización
utilizando la norma 𝐿2 teniendo cuidado de no confundir
esto con el uso de L como una longitud como la anterior.
Tenga en cuenta que hay un número infinito de otras
formas de minimizar el error en algún sentido. Por
ejemplo, podríamos elegir un filtro que minimizara la
suma de las diferencias absolutas en amplitud, es decir,
𝐿 +𝐿𝑘
𝐼 = ∑𝑘=0
ℎ
∣ 𝑑𝑘 −𝑦𝑘 ∣ (2.8.5)
Que corresponde a minimizar en el llamado 𝐿1 norma,
según lo considerado por Claerbout y Muir (1973).
Muchos centros corrientes de investigación alrededor de
estas otras técnicas, solo consideraremos el problema de
minimizar (2.8.4.), (2.8.3) y (2.8.4) juntos dan:
𝐿ℎ +𝐿𝑘 2
𝐿
𝐼=∑ (𝑑𝑘 − ∑𝑡=0
ℎ
ℎ𝑡 ∗ 𝑥𝑘−1 ) (2.8.6)
𝑘=0
Ahora expanda nuestras definiciones de x, d y h para 𝑋 𝑇 𝑋𝐻 = 𝑋 𝑇 𝐷 (2.8.8)
reintroducir el concepto de tiempo-cero de la siguiente
manera: Es en realidad un conjunto de ecuaciones simultáneas
que se han resuelto en el orden de diez mil millones de
Deje 𝑥𝑡 donde l = - P, ..., O, ..., Q veces durante la era de la tecnología digital de la
computadora en sismología sola. A pesar de su inmensa
Ser la entrada y
importancia práctica en el análisis de series de tiempo
Deja 𝑑𝑚 donde. m = - R, ..., O, ..., S descritas, el trabajo de Wiener es sorprendentemente
poco conocido, fuera de los campos de la teoría de la
Ser el resultado deseado y comunicación, la sismología y la econometría.
Que ℎ𝑛 donde n = - T ..., O, ..., U Antes de continuar con la discusión de (2.8.8) y sus
Ser el filtro requerido, que es actualmente desconocido. muchos usos, se transformará para facilitar su aplicación
El problema entonces es minimizar en un programa informático de FORTRAN, donde el uso
de índices negativos está prohibido o plagado de
𝑈+𝑄
𝐼 = ∑𝑘=−𝑃−𝑇(𝑑𝑘 − ∑𝑈
𝑡=−𝑇 ℎ𝑡 ∗ 𝑥𝑘−1 )
2 peligros, dependiendo de la implementación del
(2.8.7) compilador.

Variando el ℎ1 . Dejar

Empleando la técnica estándar de tomar la derivada 𝑍𝑋 Sea el índice de tiempo cero en la entrada
parcial con respecto a ℎ𝑡 , para t, y el ajuste igual a 0 da 𝑍𝑑 Sea el índice de tiempo cero en la salida deseada
𝑈+𝑄 𝑈
𝑈+𝑄 𝑍ℎ Sea el índice de tiempo cero en el relleno.
∑ 𝑑𝑘 ∗ 𝑥𝑘−𝑡 = ∑ . ∑ ℎ𝑡 . 𝑥𝑘−𝑟 . 𝑥𝑘−𝑗
𝐾=−𝑃−𝑇
𝑘=−𝑃−𝑇 𝑡=−𝑇
Entonces

𝑍𝑋 = 𝑃 + 1
Para J = -T,…., O,……U
𝑍𝑑 = 𝑅 + 1
Intercambiando las órdenes de suma y reescribiendo los
rendimientos finalmente 𝑍ℎ = 𝑇 + 1
𝑈
𝑈+𝑄 𝑈+𝑄
∑ 𝑥𝑘−𝑟 . 𝑥𝑘−𝑗 ∑ ℎ𝑡 = ∑ 𝑑𝑘 ∗ 𝑥𝑘−𝑡
𝐾=−𝑃−𝑇
𝑡=−𝑇
𝐾=−𝑃−𝑇 Ahora defina las matrices e índices desplazados

Para J = -T,…., O,……U ,

𝑥𝑡+𝑝+1 =𝑥 l=-P, …, 0, …, Q
Este es el resultado del interés, y se conoce como la ,
𝑑𝑚+𝑇+1 =𝑑 m=-R, …, 0, …, S
ecuación discreta de Wiener-Hopf, siguiendo el trabajo
,
pionero del gran matemático estadounidense Norbert ℎ𝑛+𝑇+1 =ℎ n=-T,…, 0,…, U
Wiener. El primer término, el lado izquierdo de esta
ecuación es la auto correlación que se conoce, el segundo 𝑗, = 𝑗 + 𝑇 + 1
término son los coeficientes de relleno, que son 𝑡, = 𝑡 + 𝑇 + 1
desconocidos y el lado derecho es la correlación cruzada
de la entrada con la salida diseñada, que también es 𝑘, = 𝑘 + 𝑃 + 𝑇 + 1
conocido.
Nótese por ahora que (2.8.8) puede escribirse en una
Sustituyendo (2.8.10) y (2.8.11) en (2.8.8) da después de
formulación de matriz presentada anteriormente como
un poco de manipulación
 𝐿ℎ
𝐿ℎ +𝐿𝑥 −1
∑ 𝑥𝑘, , −𝑡 , +1 . 𝑥𝑘, , −𝑗, +1 ∑ ℎ𝑡, ,
𝑘 , =1
𝑡 , =1
𝐿ℎ +𝐿𝑥 −1
=∑ 𝑑𝑘, , + 𝑍𝑑 +1− 𝑍𝑋 − 𝑍ℎ . 𝑑𝑘, , −𝑡 , +1
𝑘 , =1
Para t =, ...., 𝐿ℎ , donde 𝐿𝑥 son las longitudes totales del
punto y filtro respectivamente. La versión revisada de
(2.8.8) está en una forma adecuada para su inclusión en
un programa de computadora.
Tenga en cuenta que el conocimiento de 𝑍𝑋 no es
necesario para el cálculo del lado izquierdo de (2.8.12).
Otra manifestación del hecho de que la autocorrelación
no tiene información de fase.
2.8.3 El filtro de Wiener y sus usos
(2.8.8) Aparece en muchas formas en el procesamiento
de datos sísmicos y está en el corazón de muchas técnicas
de filtrado inverso. Además, representa un ejemplo
clásico de inversión según lo explicado en el Capítulo 5.
Por ahora, se describirán las siguientes áreas comunes de
aplicación:
2.8.3.1 Modelado de firmas
Muy a menudo en sismología, es deseable reemplazar
una respuesta conocida a, por ejemplo, con otra de una
"forma" temporal más conveniente. Por ejemplo, si se
desea para reemplazar una curva por su curva de fase
cero equivalentes. Luego, dejando x = a y d = b en
(2.8.8), el filtro resultante h es el filtro de configuración
de Wiener que cuando se convierta con “a” lo convertirá
en “b” (aproximadamente, en el sentido de mínimos
cuadrados). Por lo tanto, si este filtro se convoluciona
con un sismograma en el que “a” ocurre en varios
lugares, cada aparición se convertirá en “b”. El efecto
sobre el resto de los datos, que se forma
convolucionalmente, (la aproximación básica del
modelo convolucional) es esencialmente ninguno. Esto a
menudo se escribe de la siguiente manera:
Refiriéndose a (2.4.3) supongamos:
s=a*e+n
Luego convulsionar con el filtro “h” da
h * s = (h * a) * e + h * n
=b*e+h*n
El segundo término en el lado derecho es solo ruido
filtrado.
2.8.3.2 Inversión de Wiener
En la inversión de Wiener, la intención es reemplazar una
wavelet determinada dentro de los datos por un único
"pico", y es necesario convolucionar los datos con la
inversa de la wavelet dada. Para esto, deje x = a in (8.8)
y d = 1.
Esto es simplemente un caso especial de configuración
de Wiener descrito anteriormente. La capacidad con la
que se puede realizar la conformación o inversión de
Wiener depende de la relación entre la fase de la entrada
y la salida deseada. Si estos son notablemente dispares,
puede ser necesario diseñar un filtro inverso con una
combinación de componentes de memoria y anticipación
(coeficientes antes y después del tiempo cero,
respectivamente), en otro para realizar la conformación
de manera efectiva. Sin embargo, la forma más frecuente
de filtrado de Wiener se considera en la siguiente
sección.
2.8.3.3 Deconvolución predictiva
En términos prácticos, esta es una de las partes más
importantes de este capítulo. Considere el problema de
intentar predecir valores futuros de una serie temporal de
valores pasados y presentes. Deje que la entrada x sea
una serie de tiempo registrada hasta el índice de tiempo
presente, es decir, es decir
… , 𝑥1−3 , 𝑥1−2 , 𝑥1−1 . 𝑥1
(2.8.13)
Ahora deje que la salida deseada sea la entrada, q el
tiempo entra en el futuro, es decir
𝑑1 = 𝑥1+𝑞
(2.8.14)
q se llama distancia de predicción o retraso
Usando (2.8.13) y (2.8.14) da La distancia de predicción q se elige para ser el período
de la energía múltiple que se desea eliminar, como se
ilustra en la figura 2.35. Teniendo en cuenta los
∑𝑈+𝑄 𝑈 𝑈+𝑄
𝐾=−𝑃−𝑇 𝑋𝑘−𝑡 ∗ 𝑋𝑘−𝑡 ∑𝑡=−𝑇 ℎ𝑡 = ∑𝐾=−𝑃−𝑇 𝑋𝑘+𝑞 ∗
comentarios de la Sección 2.7,
𝑋𝑘−𝑡
(2.8.15)
Para j = - T, ..., 0, ..., U
Supongamos que la solución de (2.8.15) en la notación
de matriz es el filtro de predicción
h (d)
Este filtro, cuando se aplica a la serie de tiempo x, intenta
predecir 𝑋𝑡+𝑞 de la entrada 𝑋𝑡 . El éxito de esta operación
dependerá obviamente de cuán predecible sea la serie de
tiempo x. es.
¿A dónde va todo esto? El punto importante de la
sismología es que los múltiplos son altamente
predecibles en general, mientras que las series de Fig. 2.35 Un esquema de la acción de deconvolución
reflexión, con las que están convolucionados, son predictiva. La distancia de predicción o retraso es d
normalmente altamente impredecibles (esto es muestras.
completamente falso para las secuencias deposicionales
La distancia de predicción o lag, q, a menudo se
cíclicas). Por lo tanto, la deconvolución predictiva, si se
selecciona de la auto-correlación.
usa correctamente, debería ser una herramienta muy útil
para la atenuación de energía múltiple, particularmente
de un período corto. Por lo general, este es el caso,
aunque las suposiciones se examinarán mucho más de 2.8.4 Luz blanca
cerca en el Capítulo 3. Otros dos parámetros están a disposición del geofísico en
el diseño del filtro de deconvolución predictiva, además
El filtro de deconvolución predictiva se construye de la
del desfase. El primero de ellos es la longitud del filtro y
siguiente manera. Considera el filtro.
se dirá más de esto en el capítulo 3. El segundo es algo
más esotérico. Esta es la cantidad de luz blanca que debe
incluirse en el diseño del filtro Wiener.
(1, 0, 0, 0, … , 0, −ℎ(𝑑)) Matemáticamente, esto corresponde a la adición de un
(2.8.16) porcentaje constante del valor de latencia cero a de la
auto-correlación a cada elemento de la diagonal principal
Formado por el filtro h (d), que es la solución de (2.8.12). de la ecuación de la Matriz (2.8.12), que es simplemente
Si este filtro se convoluciona con los datos, entonces esa el valor de desfase cero de la auto-correlación repetida
parte de las unidades de datos q en el futuro, que es usando (2.8.9), esto puede escribirse
predecible a partir de los valores pasados y presentes,
debe predecirse y restarse mediante la aplicación de (𝑿𝑻 𝑿𝑯 + 𝒍𝒘 𝑰) = 𝑿𝑻 𝑫
(2.8.13). Donde 𝑙𝑤 es la cantidad de luz blanca, suponiendo que la
(2.8.13) se conoce generalmente como el filtro de error auto-correlación se ha normalizado para tener un retraso
de predicción. cero de 1, y I es la matriz de identidad. Esto realiza dos
tareas:
1. Estabiliza el cálculo del filtro, porque la adición de una
constante a la diagonal tiene el efecto de agregar una
pequeña constante a todos los valores propios de la
matriz, lo que hace que los valores propios cero sean
distintos de cero. La cantidad requerida para lograr esto
depende de la longitud de palabra de la computadora y la
longitud del filtro. Por lo general, alrededor del 0,0001
por ciento es suficiente en el uso diario.
2. Lo más importante para el geofísico es que controla la
ganancia, es decir, la amplificación en aquellas
frecuencias que están pobremente representadas en los
datos de entrada. Para ver esto, recuerde que el filtro se
aplica convolucionalmente. Considera la acción en el
dominio de la frecuencia. El dominio de frecuencia
equivalente a la ecuación (2.8.3) es
H·X=Y (2.2.18)
Donde H es la transformada de Fourier de h
X es la transformada de Fourier de x
Y es la transformada de Fourier de Y y cualquier
factor escalar que haya sido absorbido.
Por lo tanto, si las frecuencias presentes en la salida Y,
están pobremente representadas en la entrada X, el efecto
multiplicativo de H, o ganancia, debe ser
correspondientemente grande. Debido a que una mala
representación es generalmente (pero no siempre)
indicativa de una pobre relación señal-ruido, el uso
juicioso de la luz blanca puede evitar la amplificación
indeseable del ruido en los datos, como el equivalente de
(2.8.18) es entonces
H· (X + l) = Y (2.8.19)
Donde l es proporcional a la cantidad de luz blanca y es
independiente de la frecuencia. Donde X es grande, el
efecto de I es pequeño, pero cuando X es pequeño, la
presencia de l controla la ganancia.
Existe una relación interesante entre el retraso, la
cantidad de luz blanca y la amplificación de ruido no
deseado en datos sísmicos reales que generalmente toma
una experiencia considerable para adquirir. De forma
simplista, sin embargo, la amplificación disminuye con
el aumento de la luz blanca y disminuye con el aumento
de la g. Para el control de la ganancia, se usan cantidades
mucho mayores de luz blanca, típicamente del orden de
0.5 a 5.0 por ciento. Para un tratamiento más detallado
de este tema, ver Sección 5.8.
Finalmente, vale la pena señalar que la estructura de
Toeplitz es una característica de la ecuación (2.8.9). Esta
simetría explotada por un algoritmo rápido para resolver
tales conocidos como el algoritmo de Levinson después
de su inventor. Los detalles de este importante algoritmo
se pueden encontrar en Robinson y Treitel (1980).
2.9 Análisis espectral
2.9.1 Introducción
Este tema se considerará desde un punto de vista bastante
individual, tratando el tema completo como la
acumulación de efectos en gran parte convolucionales en
el dominio de la frecuencia.
El enfoque convencional para el análisis espectral
mediante el cual una serie de tiempo se descompone en
sus componentes de Fourier, se basó originalmente en un
cálculo de la autocorrelación de la serie temporal cuyo
espectro se deseaba. La relevancia de esto se puede ver
después de que se deriva el siguiente resultado
importante.
En primer lugar, tenga en cuenta que una estimación del
espectro de potencia de la serie de tiempo de N-muestras
x0, x1, x2, …, xN-1 puede ser obtenido por
1 1
𝑃(𝑧) = 𝑋 ( ) 𝑋(𝑧) (2.9.1)
𝑁 𝑧
Donde P (z) es la estimación espectral de potencia y X
(z) es la transformada Z de x. Ahora, por definición, el
espectro de potencia es el valor esperado de P (z), es
decir, i.e.
𝑃(𝑧) = 𝐸(𝑃(𝑧))
Como puede verificarse fácilmente, sustituyendo la
fórmula de auto correlación (2.7.1) en (2.9.1) e igualando
potencias de z da el resultado importante de que el
espectro de potencia es la transformada del coseno de
Fourier de la autofunción de correlación.
Usando este resultado, el espectro de potencia podría
computarse directamente a partir de la autocorrelación. Que tiene la transformación de shah (fd) (ver
Esta técnica se encontró originalmente negada por dos Bracewell, 1978).
razones principales. En primer lugar, solo se requirieron
generalmente grandes desfases de la autocorrelación El argumento ahora se desarrollará en los dominios de
para definirlo bien y, por lo tanto, la transformación tiempo y frecuencia.
resultante fue bastante corta, lo que permitió su cálculo
sin demasiadas operaciones. Segundo, como hemos Tiempo Frecuencia
visto. La autocorrelación es mucho menos afectada por s(t) S(f)
la presencia de ruido.
Muestra en tiempo por multiplicación por la función
El advenimiento de la FFT hizo posible hacer una
shah (t/d), donde d es el intervalo de muestreo.
transformada de Fourier directa de la serie de tiempo de
entrada, y luego suavizar la transformación usando
Tiempo Frecuencia
varios filtros de suavizado para reducir los efectos del
shah (t/d). s(t) d - shah (tf) * S(f)
ruido (es decir, para estabilizar la estimación).
Por lo general, es este "retoque" lo que debe hacerse para (2.9.5)
hacer frente a los efectos del ruido, lo que hace que el
Tome una ventana finita de duración T mediante la
sujeto sea un poco más difícil de comprender.
multiplicación por una función rectangular.

Tiempo
2.9.2 Un modelo convolucional del espectro rect(t/T) - Shah (t/d) – s(t)

Dejando de lado la cuestión de la contaminación del

ruido por el momento, el problema básico puede Frecuencia
ilustrarse de la siguiente manera. Td . sinc (ft) * shah (ft) a: S (f)
Supongamos que s (t) es una función continua del (2.9.6)
tiempo y que S (f) sea su transformada de Fourier, por
lo que
Tenga en cuenta que es inmaterial en qué consiste S (t)
∞ (es decir, señal, ruido o señal más ruido). La parte de la
𝑆(𝑓) = 𝑠(𝑡) ∫ exp(−𝑖(2𝜋𝑓𝑡)𝑑𝑡 (2.9.2) derecha de la expresión (2.9.6) expresa exactamente lo
−∞ que sucede con el espectro original S(f) por el acto físico
y define las siguientes dos funciones de muestreo y ventana según lo expresado por la parte
izquierda de la expresión (2.9.6).
𝑡
𝑟𝑒𝑐𝑡 (𝑇) = 1 El problema central del análisis espectral es recuperar
𝑇 S(f),de
|𝑡| =≤ (2.9.3)
2
Td . sinc (ft) * sham (ft) * S(f)
=0 de otra manera
(2.9.7)
de una manera estable en presencia de ruido. La figura
𝑠𝑒𝑛(𝑇𝑓)
Que tiene la transformada 𝑇 = 𝑇𝑓
𝑜 𝑇 𝑠𝑖𝑛𝑐 (𝑇𝑓), 2.36 ilustra esta acumulación convolucional de efectos
perturbadores en el dominio de la frecuencia.
𝑡 𝑡 ¿Cuáles son los efectos de esta distorsión espectral?
𝑠ℎ𝑎ℎ ( ) = 1 𝑖𝑛𝑡𝑒𝑔𝑟𝑜 (2.9.4) 1) El efecto de sinc (fT) es 'desenfocar' o 'difuminar' S
𝑑 𝑑
= 0 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜 (f), con el resultado de que las líneas espectrales cercanas
en S (f) pueden fusionarse y volverse invisibles.

Td sinc (Ti) * shah (dt)
Fig. 2.36. Una representación de dominio de frecuencia
de acumulación convolucional de ventanas y efectos de
aliasing.
2) El efecto de shah(f/d) es duplicar el espectro con una
periodicidad de 1/d. Esto lleva al fenómeno de aliasing
como se discutió en la Sección 2.3.3.
En lo que se refiere a las manchas, debe tenerse en cuenta
que es peor cuando el espectro de entrada está cambiando
rápidamente. En la práctica, los intentos se hacen para
compensar esto mediante la eliminación de "tendencias"
obvias, que incluyen la tendencia media (DC) y lineal, y
en algunos casos funciones más complicadas, antes de
que se realice el análisis espectral. Estas técnicas se
conocen genéricamente como pre blanqueamiento.
Después de que se haya realizado el análisis espectral,
los efectos eliminados se pueden reincorporar si se desea.
El pre-blanqueamiento puede realizarse antes de todas
las técnicas de análisis espectral que se describen a
continuación.
2.9.3. El teorema de muestreo transitorio
Usando el mismo modelo de convolución presentado
anteriormente Hatton (1981) mostró que los efectos de
"untar" y aliar no pueden separarse cuando el número de
muestras distintas T / d = N, por ejemplo, es pequeño. En
ese caso, el caso de no-aliar está dado por un teorema al
que se refirió como el "teorema de muestreo transitorio".
Este teorema establece que si d es el intervalo de
muestreo que simplemente evita el alias en una señal de
duración infinita, según el criterio de Nyquist discutido
anteriormente, entonces el intervalo de muestreo d
'necesario para evitar el alias de un subconjunto de
muestra N de esta señal es dada por:
El fenómeno surge debido al ancho finito de la función
de "ventana", sinc (Ƒt) en este caso.
Volviendo al problema de extraer el espectro verdadero
y asumiendo que d 'se elige lo suficientemente pequeño,
queda de cómo eliminar los efectos del frotis como se
señala en 1. El método clásico de evitar esto ahora se
comparará con dos métodos más nuevos. Primero se
considerará el método clásico.
2.9.4. Análisis espectral independiente de los datos
(carpintería de ventana)
La esencia de la carpintería de ventana es encontrar una
función de dominio de tiempo distinta de rect (t / T) para
visualizar los datos, que tienen mejores propiedades de
dominio de frecuencia en algún sentido. Las dos
propiedades relevantes son:
1. El ancho W del "lóbulo" principal de la transformación
de la función de ventana.
2. Los tamaños relativos del "lóbulo" B principal, en
comparación con los "lóbulos" laterales a, de la
transformación de la función de ventana.
La figura 2.37 ilustra la nomenclatura.

Fig. 2.37. Las dos propiedades básicas de la respuesta
de frecuencia de amplitud de una función de ventana
espectral. W es el ancho del lóbulo principal. B / A es
la relación de las amplitudes del lóbulo principal y el
lóbulo lateral más grande.
Resulta imposible reducir tanto W como A / B
simultáneamente. Un compromiso debe ser hecho.
Este compromiso está en el corazón de la carpintería
de ventanas. Hay muchas opciones de este tipo, de las
cuales dos de las más conocidas son las funciones de
ventana debido a Bart-left y Parzen, tal como lo
describe, por ejemplo, Kanasewich (1981).
La razón por la cual la carpintería de ventana se llama
independiente de datos es que implica la modificación
de la función de ventana solamente, sean cuales sean
los datos dentro de la ventana.
2.9.5 Análisis espectral adaptativo de datos (MLM
y MEM)
A fines de la década de 1960 y principios de la de los
70, aparecieron dos métodos radicalmente nuevos de
análisis espectral, ambos son dependientes de los
datos en el sentido de que modifican este barrido
espectral según los datos contenidos dentro de la
ventana.
Esto es fundamentalmente diferente de la carpintería
de ventana, y los métodos son capaces de dar una
resolución mucho mayor para series cortas, aunque
dan esencialmente los mismos resultados para series
de tiempo más largas.
El método MLM o de máxima verosimilitud debido a
Capón (1969), involucra una ventana que está
diseñada para rechazar todos los componentes de
frecuencia que se desee. La criba de optimalidad se
deriva al exigir que una sinusoide puré sin ruido pase
sin ser afectada, mientras que una entrada pura se
minimiza. De nuevo, el lector se refiere a kanasewich
para detalles algorítmicos.
El MEM o el método de entropía máxima debido a
Burg (1967).
Es particularmente abstracto en el sentido de que
involucra el signo de un filtro de error de prioridad
que "atenúa" de forma óptima de la data. Esto
corresponde a maximizar la cantidad de informalidad
en la entrada. En efecto, el espectro requerido es el
inverso al de este filtro de blanqueamiento. Se puede
pensar que predice las series de tiempo dadas más allá
de los límites de la ventana utilizando la teoría de
predicción óptima.
Extendiendo así la posible resolución espectral
disponible. De nuevo ver Kanasewich para más
detalles.
Puede interesarle al lector hacer una comparación de
las diversas técnicas descritas anteriormente. Figs.
2.38-2.41 son una recreación del ejemplo utilizado
por Lacoss (1971) que consta de dos rayos solares de
0.3 y 04 Hz en un fondo de ruido blanco de
aproximadamente 10 por ciento muestreado durante
10 segundos con un intervalo de muestra de 1
segundo.
Tenga en cuenta que las formas triangulares de los
picos se deben a la interpolación lineal en el trazado a
la frecuencia del parámetro utilizado. La figura 2.38
es el espectro de potencia resultante y las Figs. 1.39-
1.41 muestra el Bartlett. MLM y MEM estimes
respectivamente. El estímale de Bartlett es incapaz de
separar los dos picos cercanos. El método MLM solo
es capaz de resolverlos mientras

Fig. 2.38: un espectro de potencia idealizado que
representa dos sinusoides enterrados en ruido blanco.
El pico de amplitud más bajo es de 6 dB hacia abajo
en el más grande.
Fig. 2.39. El espectro de potencia resultante del uso
de la ventana espectral de Bartlett en el espectro de
Fíg. 2.38. Tenga en cuenta que las dos sinusoides no
se pueden resolver.
Fig. 2.40. El espectro de potencia que proviene del
uso del método de máximo como lihoot en el espectro
de la figura 2.38. Las dos sinusoides pueden
resolverse. Su relación se deduce correctamente.
Fig. 2.41. El espectro de potencia resultante del uso
del método de máxima entropía en el espectro de la
figura 2.38. Las dos sinusoides pueden resolverse
fácilmente. Tenga en cuenta que sus relaciones de
amplitud son proporcionales al área bajo los picos en
este método, más alto que su altura.
El método MEM los resuelve fácilmente. Una cosa
extraña que el usuario debería considerar acerca de
este último, es que el poder es proporcional al arca
bajo el máximo apogeo de la sílice del pico, como es
el caso con los otros métodos. Esto puede hacer que
MEM parezca un poco difícil de interpretar a simple
vista.
También es interesante observar la degradación en
todos los métodos de thesc cuando el ruido de fondo
no es blanco. Figs. 2.42-2.45 ilústrate para el ruido de
fondo distribuido exponencialmente y Bartlett. MLM
y MEM estiman respetuosamente. Esta degradación
se debe a un frontis convolucional de este fondo no
blanco en los dos picos.
En la siguiente sección. Con el fin de ilustrar algunos
de los conceptos anteriores, una importante operación
de filtrado en sismología será analizada
espectralmente de la manera más simple posible.
Usando el método directo.
2.10.3 Filtrado en dos dimensiones Donde a, b y c son constantes que corresponden a una
línea recta en el t - x dominio de la pendiente b / a.
Filtrado en dos dimensiones es una simple extensión del
filtrado unidimensional ya considerada en la Sección 2.5. Sustituyendo en (2.10.1) y, finalmente, da
Por ejemplo, como puede ser fácilmente demostrado, manipulación
convolución bidimensional es equivalente a la
multiplicación de las transformadas bidimensionales. Por
lo tanto, el filtrado en dos dimensiones se puede conseguir
mediante el diseño de una respuesta de filtro adecuado en
el dominio de frecuencia de dos dimensiones y
multiplicándolo con el bidimensional transformar de los
datos a ser filtrado, teniendo en cuenta todas las
advertencias anteriores sobre la pendiente de las pistas
como se discute en la Sección 2.5.
La atracción de filtrar en la f - k, dominio es que,
mientras que en una dimensión, de la señal y el ruido
pueden solaparse representación unidimensional de
filtrado multiplicativo imposible, en dos dimensiones
por lo general no se solapan tanto en f y k
simultáneamente. Un ejemplo se muestra en la Fig. 2.51.
Aquí señal y el ruido se solapan en F pero no en fk, por
lo tanto, un filtro de fk bidimensional podría ser
diseñado para rechazar el ruido sin afectar a la
señal. Los tipos de ruido y su aparición en Chef -k
dominio se discutirá en detalle más adelante, pero el
método es de aplicabilidad bastante general.
Con el fin de hacer uso de esta, la relación entre los
dos dominios debe ser derivado.
Considere la siguiente función de dos dimensiones
Fig. 2.49. Los diagramas a-j muestran la respuesta en el dominio del tiempo de las 10 funciones sinusoidales
bidimensionales a las que se hace referencia en la figura 2.48.

Fig. 1.50 La respuesta de dominio de tiempo
correspondiente a la respuesta de dominio de frecuencia de
dos dimensiones de la Fig. 2.48.
Fig. 2.51. Una esquemática del espectro de amplitud de dos
dimensiones que ilustra la separación de la señal y el ruido.
Dónde
Siguiendo
En el límite, esto corresponde a toda la energía se
concentre en la línea de
Este es el resultado deseado. Tenga en cuenta que c
aparece sólo como un factor de fase.
La Fig. 2.52 muestra algunas líneas rectas y su
Fig. 2.52. Las respuestas equivalentes de la t de dos
dimensiones -X y F - dominios k.
De la D.C a lo temporal Nyquist fx, por ejemplo, y k
varía entre más y menos la de Nyquist espacial, k
norte. Tenga en cuenta que debido a c aparece sólo en la
fase de la transformada de fk, líneas rectas 13 y mapa C
en la misma línea en el dominio fx. Todas estas líneas
tienen que pasar por el origen en el dominio fk. Además,
pendiente en el dominio t x, es decir, los valores grandes de
dt / dx corresponde a poca profundidad en el dominio
de k, es decir, valores pequeños de df/dk. Cuantificación
de esta, las ecuaciones (2.10.6) y (2.10.8) muestran que una
línea con gradiente
En el dominio qr (equivalentemente el dominio tx),
se transforma a una línea con gradiente
En el dominio de f - k
La ecuación (2.10.9) describe un PARENTESCO
tiempo-distancia buque en el que una vp velocidad, se
puede definir como una
V, no es otro que la velocidad de fase. Por lo tanto (2.10.9)
y (2.10.10) se puede escribir como
Una nota final sobre la nomenclatura. Desde una línea
recta inmersión en r - x transforma a una línea recta de
inmersión en f - k, eventos que tiene ciertas salsas
entre dos valores en el r - x dominio puede ser
eliminado por la multiplicación de la f – k transformar
de los datos con una transformación que es cero entre las
depresiones correspondientes en el F - dominio K y uno en
otro lugar. Esto se conoce indistintamente como `dip 'en f'
o filtro de slide.
2.10.4 Asignación de Aliassing y de-Asignación de Aliassing
en una y dos dimensiones
convolucionalmente (la función shah que aparece allí es
muy singular).
En dos y más dimensiones, las cosas son muy diferentes.
En aras de la claridad, el argumento posterior se
presentará en términos de la transformada de Fourier
bidimensional continua. El argumento se desarrollará
análogamente al de la Sección 2.9, excepto que se
supondrá que una serie de tiempo infinita evitará las
complicaciones debidas a la creación de ventanas que
condujeron al Teorema de Muestreo Transitorio.
Supongamos que sft, 9 es una función bidimensional
continua con una transformada de Fourier S (f, k). La
forma de muestra bidimensional de esto viene dada por:

Ya se ha indicado anteriormente que la dimensión extra

añade una nueva riqueza a la transformada de Fourier.
Esto es particularmente cierto en cuanto a la
interpretación de Asignación de alias. Como ya se ha
discutido para el caso unidimensional en las Secciones Donde la función Shah se define en la Sección 2.9 y re
2.3 y 2.9, Asignación de alias se produce en virtud de y gramo son intervalos de muestreo en el dominio del
muestreo discreto en el dominio del tiempo. Esto crea tiempo y dominio del espacio, respectivamente. En el
duplicados del espectro de entrada en los múltiplos de la dominio de la frecuencia, el equivalente de la ecuación
tapa donde d es el intervalo de muestreo. Si los (2.10.13) es
duplicados se superponen, se dice que está aliassed los
datos. Esta nomenclatura es algo descuidado como
Asignación de alias en el sentido estricto de duplicados Si se supone además que S (t, x) es una línea recta en el
que producen, se produce por definición en todos los t - x de dominio, a continuación, como ya se ha visto, S
datos muestreados, si se produce o no se superponen. Si (f, k) es también una línea recta en la fk dominio. Fig.
no se produce solapamiento, es un trabajo sencillo para 2.53
construir un filtro multiplicativo en el dominio de la
frecuencia que elimina los aliasses o copias del espectro
de entrada.
En una dimensión, si se produce superposición, sus
efectos no se pueden eliminar sin información adicional
sobre el espectro muestreado a partir de fuentes distintas
del espectro muestreado. Un ejemplo trivial sería si se
supiera que un conjunto de datos de 4 milisegundos
contiene frecuencias entre 0 y 90 Hz junto con una
cantidad desconocida de 150 Hz aliassed. Como 150 Hz
produce un alias a 125 - (150 - 125) liz = 100 Hz, el
espectro correcto para el intervalo de muestreo de 4
milisegundos podría reconstruirse b) reduciendo a cero
la contribución de 100 Hz. Se pueden explotar otras
técnicas, por ejemplo, el muestreo desigual en el
dominio del tiempo para producir un equivalente de la
ecuación (2.9.5) que puede invertirse
Fig. 2.53. La síntesis de la discreta /k dominio por
de-convolución dimensional de la función de muestreo y
el / continua f– k respuesta en el dominio.

Ilustrar la producción de Aliassing por la función shah *

shah en la ecuación (2.10.8). Tenga en cuenta que estos
alias no se superponen en el dominio f k. Entonces es
perfectamente posible extraer el espectro original
mediante un filtro multiplicativo adecuado. Solo en los
dominios k, los aliasses se superponen y, por lo tanto, el
efecto de Aliassing no se puede eliminar en un
tratamiento unidimensional.
Esto admite un método para registrar una señal
dimensional en forma totalmente recuperable utilizando
un intervalo simple que normalmente Aliassing los
datos. Si la señal unidimensional se alimenta a varios
canales paralelos, con un retardo analógico lineal
dependiente del número de canal aplicado, la señal
resultante podría discretizarse y los resultados mostrarse
como un f - k espectro. Debido al retraso lineal, los alias
no se superpondrán y, por lo tanto, el espectro original
puede recuperarse completamente dentro del ancho de
banda aplicable al intervalo de muestra temporal. Por
supuesto, podría argumentarse que el mismo efecto
podría lograrse en un canal simplemente aumentando la
tasa de muestreo. Sin embargo, la técnica anterior podría
ser útil cuando esto no sea posible, por ejemplo, si las
tasas de muestreo requeridas son demasiado altas para el
equipo disponible.

*Aliasing.- Las señales analógicas generalmente se

filtran con paso bajo para eliminar la mayoría o todos los
componentes que se encuentran por encima de la
frecuencia de Nyquist para evitar el alias.