Professional Documents
Culture Documents
Verso 1.0.1
2011
This work is licensed under the Creative Commons Attribution-NonCommercial 3.0 Unported License. To view a copy of this license, visit
http://creativecommons.org/licenses/by-nc/3.0
ii
Sumrio
1 Introduo 2 Formulao matemtica do problema inverso
2.1 2.2 Problemas lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Problemas no-lineares . . . . . . . . . . . . . . . . . . . . . . . . . . .
1 8
13 15
3 Regularizao
3.1 3.2 3.3 3.4 Norma mnima (Tikhonov de ordem 0) Igualdade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
23 24 26 28
4 Procedimentos prticos
4.1 4.2 Ajustar os dados observados . . . . . . . . . . . . . . . . . . . . . . . . Determinar um valor para o parmetro de regularizao . . . . . . . . .
31
31 32
35 36 37
37 39 41
Gradientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
SUMRIO
A.4 A.5 Hessianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
iii
42 42 43 43
Captulo 1 Introduo
Em cincias aplicadas, ao nos depararmos com um determinado fenmeno a ser estudado, a pergunta imediata : como estudar tal fenmeno? Em problemas geofsicos, esse fenmeno , em geral, um sistema fsico. O procedimento cientco utilizado para estud-lo comea com a realizao de observaes de uma determinada grandeza fsica que, supostamente, seja causada pelo sistema fsico em questo. Exemplos de sistemas fsicos encontrados na geofsica so:
Uma vez que no conhecemos o sistema fsico, a nica informao que temos so as observaes (ou dados observados). Embora o sistema fsico seja desconhecido, alguma informao adicional (em geral proporcionada pela geologia) nos fornece um conjunto de hipteses (Figuras 4, 5 e 6). Isso nos leva a seguinte pergunta: como testar se as observaes podem ser explicadas por uma determinada hiptese? Para responder esta pergunta, precisamos ser capazes de calcular os dados preditos pela hiptese em questo. Matematicamente,
1. Introduo
isso signica que precisamos encontrar uma funo que relaciona a hiptese aos dados preditos.
hiptese
dados preditos
tal que:
dados preditos
= f (hiptese).
Para tanto, preciso descrever a hiptese em termos de parmetros (Figuras 7, 8, 9), isto :
dados preditos
= f (parmetros).
Estabelecer a relao funcional entre parmetros (que descrevem uma hiptese) e dados preditos o que se conhece como
problema
direto.
Nesse sentido, dado um conjunto de parmetros, possvel calcular os dados preditos. Isso nos permite testar se uma hiptese capaz de explicar os dados observados. Esse teste feito por meio da comparao entre os dados observados e os dados preditos por uma determinada hiptese. Se os dados preditos reproduzem os dados observados, pode-se dizer que a hiptese explica os dados observados e, portanto, vlida. Nesse contexto, possvel denir os seguintes conceitos importantes:
Fornecer os parmetros e comparar os respectivos dados preditos com os dados observados o que se conhece como
modelagem di-
reta.
1. Introduo
e
Estimar os parmetros automaticamente, de forma que os dados preditos sejam os mais prximos possveis aos dados observados, conhecido como
problema inverso.
Modelagem direta
calcula
Parmetros Dados preditos
compara
Dados observados
Problema inverso
estima
Parmetros Dados observados
1. Introduo
Sismograma
t u
fonte receptores
raios
v1 v2 v3 v4
Figura 1:
Neste
caso o sistema envolve ondas ssmicas (representadas pelos raios) que se propagam em meios com velocidades V1, V2, V3 e V4. A grandeza fsica que podemos observar o deslocamento dos sismmetros
gz x
Figura 2: Exemplo de sistema fsico que caracteriza um levantamento gravimtrico. Neste caso o sistema envolve o efeito gravitacional causado por um contraste de densidade anmalo
gz .
1. Introduo
AB/2
(z) z
Figura 3: Exemplo de sistema fsico que caracteriza uma sondagem eltrica vertical (SEV). Neste caso o sistema envolve a conduo de correntes eltricas em um meio com resistividades eltrica
podemos observar diferncia de potencial eltrico entre os eletrodos M e N. Esta grandeza geralmente convertida para resistividade aparente
a .
Figura 4: Exemplo de hiptese que descreve o sistema fsico referente a uma aquisio ssmica. Modelo de duas camadas plano-paralelas, homogneas e isotrpicas.
Figura 5: Exemplo de hiptese que descreve o sistema fsico referente a uma levantamento gravimtrico. Modelo de um corpo elipsoidal homogno.
1. Introduo
Figura 6: Exemplo de hiptese que descreve o sistema fsico referente a uma sondagem eltrica vertical. Modelo de trs camadas plano-paralelas, homogneas e isotrpicas.
Sismograma
t u
h 1 v1
v2
Figura 7: Exemplo de parametrizao da hiptese na Figura 4. Neste caso, a hiptese descrita em termos dos parmetros
h1 , V1 e V2.
1. Introduo
gz x
Figura 8: Exemplo de parametrizao da hiptese na Figura 5. Neste caso, a hiptese descrita em termos dos parmetros linha pontilhada vermelha.
1 , 2 , . . . , M
de densidade de cada clula. Esta hiptese produz o dado predito representado pela
AB/2
N h1
B
1 2 3
h2
Figura 9: Exemplo de parametrizao da hiptese na Figura 6. Neste caso, a hiptese descrita em termos dos parmetros
h1 , 1 , h2 , 2
3 .
(2.1)
em que
dio , i = 1, 2, 3, . . . , N ,
o dado observado na
i-sima
p d1
p d 2 p = d . , . . p dN
em que
(2.2)
dip , i = 1, 2, 3, . . . , N , i-simo
etc., que o
parmetros, denominado
vetor de
(2.3)
pj , j = 1, 2, 3, . . . , M ,
j -simo
parmetro.
Como vimos no Captulo 1, os dados preditos so descritos por uma funo dos parmetros, ou seja,
dip = fi ( p) .
(2.4)
Desta forma, podemos dizer que o vetor de dados preditos uma funo dos parmetros
p) f1 ( f2 ( p ) p = f ( d p) = . . . . fN ( p)
O problema inverso consiste em encontrar um vetor de parmetros
(2.5)
p que
produza
os dados preditos mais prximos possvies dos dados observados. Para determinar a proximidade entre os dados observados e os dados preditos, necessrio quanticar a distncia entre eles. Isto feito em termos da norma do
vetor de resduos
( o f r = d p) ,
em que
(2.6)
o d
o vetor de
Para quanticar a distncia entre os dados observados e os dados preditos utiliza-se, usualmente, o quadrado da norma quadrtica (tambm conhecida como norma norma Euclidiana) do vetor de resduos
2 ou
10
2 2
=
i=1
p)]2 . [dio fi (
(2.7)
Esta equao tambm uma funo escalar dos parmetros. Assim sendo, denimos uma funo
( p) ,
chamada de
( p) = r
=
i=1
[dio fi ( p)]2 .
(2.8)
Lembramos que o quadrado da norma Euclidiana de um vetor igual ao produto escalar do vetor com ele mesmo, ou seja,
r
Como o vetor
2 2
=r r = r1 r1 + r2 r2 + + rN rN .
(2.9)
um
vetor coluna
r r = r T r = r1 r2 . . . rN
r1 r2 . . . . rN
(2.10)
o f ( ( p) = r T r = d p)
o f ( d p) .
(2.11)
cia entre os dados observados e os dados preditos para um determinado vetor de parmetros p .
Perante este conceito, o problema inverso consiste em determinar um vetor minimiza a funo do ajuste
p que
( p) .
11
igual ao vetor nulo. Este vetor
( p)
avaliado em
p seja
um
O gradiente da funo
( p) p1 ( p) ( p) = p 2 , . . . ( p) pM
em que para o
(2.12)
o operador gradiente (Apndice A). A partir da equao 2.11, a expresso elemento do vetor gradiente
i-simo
( p) = pi pi =
o f ( d p)
T
o f ( d p) ( f p) pi .
(2.13)
( f p) pi
o f ( d p)
escalar
o f ( p) + d
escalar
Lembrando que o transposto de um escalar igual a ele mesmo, podemos tomar o transposto do segundo termo do lado direito da equao 2.13, obtendo
T ( ( p) f p) o = 2 d f ( p) , pi pi
(2.14)
em que
( f p) pi
um vetor
N -dimensional
12
(2.15)
( p) f 2 p1 T ( p) f ( p) = 2 p2 T f ( p) 2 pM
o f ( d p) o d f ( p) . . . o f ( d p)
(2.16)
( f p) p 1 T p) f ( o = 2 p2 d f ( p) . . . . T f ( p) pM
Por m, o gradiente da funo do ajuste
( p)
( o f ( ( p) = 2G p) T d p) .
em que
(2.17)
13
( f p) ( G p) = p1
f1 ( p) p1 f2 ( p) f ( p) f ( p) = p1 ... p2 pM . . . fN ( p) p1 N M
a
(2.18)
A matriz
( G p)
de dimenso
ma-
( p) depende
p .
( p).
( p).
fi ( p) (equao 2.4),
p ao i-simo dado
predito, for uma combinao linear dos parmetros, ela ter a seguinte forma
(2.19)
gij , j = 1, 2, , M ,
bi
so constantes.
Portanto, a derivada de
fi ( p)
em
14
j -simo
parmetro
pj
dada por
fi ( p) = gij , pj
que no depende dos parmetros. preditos tem a seguinte forma Para um conjunto de
(2.20)
p ( f p) = G + b,
sendo
(2.21)
p o G ( T d b . p) = 2G
Seja
(2.22)
p o
( p),
T G p T d o G = G b .
Este sistema conhecido como sistema
(2.23)
T G )1 G T d o b , p = (G
que conhecido como
(2.24)
As equaes 2.23 e 2.24 mostram que o vetor ser obtido diretamente a partir da matriz
( p)
pode
e dos vetores
o . d
Isto caracteriza um
15
nao linear dos parmetros. Neste caso, a derivada de ros tambm ser uma funo dos parmetros. da funo valor de
fi ( p),
( p)
p .
( p)
alm daquele em que esta funo seja mnima. Por esta razo, o clculo do vetor
p que
minimiza a funo do ajuste deve ser feito de forma iterativa. Isto difere do problema inverso linear e caracteriza um A busca pelo vetor
p que
minimiza uma determinada funo faz parte de uma rea dentro da qual existem diversos mtodos
(Kelley, 1999). O procedimento padro para realizar esta busca de forma iterativa comear com uma determinada aproximao inicial
p 0
p. p 1 . p 2 ,
Esta correo ento aplicada aproximao inicial dando origem a um novo vetor Este novo vetor serve como aproximao inicial para o clculo de um segundo vetor e assim sucessivamente. O processo termina quando encontrado um vetor prximo ao vetor de que o vetor
p que
seja
p que
p seja
igual ao vetor
p .
Dentre os vrios mtodos existentes, apresentaremos a seguir aquele conhecido como mtodo de Gauss-Newton. O procedimento para calcular a correo expanso em srie de Taylor da funo a ser minimizada, neste caso feita at segunda ordem e em torno da aproximao inicial
p comea ( p).
com a
A expanso
p 0
(ver Apndice A)
p = p 0 + p,
(2.25)
1 T ( p ( p0 ) p = ( p) , ( p0 + p) ( p0 ) + p0 )T p + 2
sendo
(2.26)
calculados
16
p 0 .
A funo
( p)
( p)
em torno do ponto
p 0 .
Tal como no
um ponto de
( p)
1 T ( ( ( ( ( p ( p0 ) p = p0 ) + p0 ) p. p) = p0 ) + p0 )T p + 2
Logo, o incremento gradiente de
(2.27)
p=p p 0 ,
p onde
( p)
( ( p0 ) p = p0 ) .
O clculo do vetor gradiente de
(2.28)
i-simo
elemento
j -simo
elemento do vetor de
pj
(equao 2.3)
pj
( p) pi
pj
( f p) pi
T
o f ( d p)
(2.29)
( 2f p) 2 pj pi
o f ( d p)
( ( f p) f p) + 2 pi pj
escalar
escalar
Esta equao 2.29 representa o
j -simo
elemento da
i-sima
siana (ver Apndice A). No mtodo de Gauss-Newton, o termo envolvendo as segundas derivadas de por
( f p)
17
pj
( p) pi
( ( p) f p) f 2 . pi pj p 0
dada por
(2.30)
( ( p0 ) f p0 ) f p p1 1 T ( p0 ) p0 ) f f ( ( p0 ) 2 p2 p1 . . . T f ( ( p0 ) p0 f pM
ou
p1
T ( f p0 ) p 1 T p0 ) f ( ( p0 ) f ( p0 ) 2 p2 p1 . . . T f ( p0 )
( ( f p0 ) f p0 ) ( ( =G p0 ) T G p0 ) , ... p2 pM
(2.31)
pM
em que
( G p0 )
A partir das equaes 2.17 e 2.31, o sistema de equaes 2.28 pode ser escrito como
( ( ( o f ( p0 ) p=G p0 ) T d p0 ) , G p0 )T G
em que em
(2.32)
o d
( f p0 )
p 0 .
no-linear.
A equao 2.32 descreve o clculo da correo do mtodo Gauss-Newton.
fi ( p)
uma combinao
18
linear dos parmetros (equao 2.19), a equao 2.32 se reduz ao sistema de equaes normais do
(equao 2.23)
caso particular
da soluo do
as equaes 2.23 e 2.32, o que evidencia que um problema inverso no-linear uma sucesso de problemas inversos lineares.
1 Dica:
p ( f p) = G + b.
19
Captulo 3 Regularizao
As equaes 2.23 do problema inverso linear e 2.32 do problema inverso no-linear so
que a soluo de uma equao normal seja nica, necessrio que esta matriz tenha Uma condio para que uma matriz tenha posto completo que todas
linearmente independentes.
lente a dizer que a matriz possui determinante diferente de zero. Em problemas geofsicos, comum que a matriz do sistema normal possua determinante prximo de zero. Ou seja, para ns prticos pode-se considerar que a matriz
no
tenha posto completo. Isto faz com que o problema inverso geofsico seja um problema
mal posto.
Um problema
de unicidade da soluo.
A
Exemplo 3.1. Seja um conjunto de dados preditos A e outro conjunto de dados preditos
ligeiramente diferentes B. Se o problema inverso apresenta instabilidade, os parmetros que produzem os dados preditos A so consideravelmente diferentes daqueles que produzem os dados preditos B.
3. Regularizao
A
20
regularizao.
tabilidade e falta de unicidade em problemas inversos mal-postos. Esse procedimento equivale a impor restries aos parmetros a serem estimados. Desta forma, em um
problema inverso regularizado buscamos estimar um conjunto de parmetros que ajustam os dados observados e satisfaam determinadas restries. troduzem informaes Estas restries in-
a priori
no problema inverso.
natureza geolgica ou meramente matemtica. Em geral, a introduo de informaes a priori feita por meio de pendem dos parmetros. formamos a
funes regularizadoras,
funo objetivo
( p) = ( p) + ( p) ,
em que
(3.1)
parmetro de regularizao.
Desta forma, o
problema
3. Regularizao
inverso regularizado a funo objetivo.
Neste ponto importante ressaltar que denido como estimar um vetor de parmetros
21
p que minimiza
tornam
o problema inverso bem posto e fazem com que os parmetros estimados satisfaam quase completamente as informaes a priori. Porm, isto geralmente faz com que haja um desajuste entre os dados observados e preditos. Por outro lado, valores baixos de
a estimativa poder ser no-nica e/ou instvel, dependendo de quanto o problema inverso for mal-posto. Idealmente, deve-se encontrar um valor de
que proporcione
um bom ajuste e satisfaa as informaes a priori o suciente para estabilizar a soluo. Procedimentos prticos para determinao do valor de 4. No problema inverso regularizado, a linearidade no depende apenas da funo
fi ( p)
(equao 2.4) que relaciona os parmetros aos dados preditos, mas tambm da funo regularizadora. Nesse caso, para que o problema inverso seja linear, necessrio que tanto
fi ( p)
como o
lineares dos
parmetros. Se ao menos uma destas funes for no-linear, o problema inverso dever ser resolvido como um problema inverso no-linear. Como foi observado anteriormente (Seo 2.2), o problema inverso linear um caso particular do problema inverso no-linear. Por esta razo, a formulao geral para o problema inverso regularizado ser feita seguindo os procedimentos adotados para o problema inverso no-linear. Assim sendo, iniciaremos expandindo a funo objetivo (equao 3.1) em srie de Taylor at segunda ordem
3. Regularizao
22
1 T ( ( p0 + p) ( p0 ) + p0 )T p + p ( p0 ) p, 2
sendo o vetor gradiente
(3.2)
( p0 )
e a matriz Hessiana
( p0 )
de
( p)
dados por
( ( ( p0 ) = p 0 ) + p0 )
e
(3.3)
( ( ( p0 ) = p0 ) + p0 ) ,
em que
(3.4)
( p0 )
so o gradiente e a
p 0 .
Seguindo a deduo feita para o problema inverso no-linear (Seo 2.2), a correo
p em
( ( p0 ) p = p0 ) .
(3.5)
( ( ( ( o f ( ( 2G p0 )T G p0 ) + p0 ) p = 2G p0 ) T d p0 ) p0 ) .
Esta a equao para o
(3.6)
A seguir, apresentaremos
diferentes funes regularizadoras comumente encontradas em problemas inversos na geofsica. Tambm mostraremos como ca a equao 3.6 para cada um dos casos.
1 Tente
( f p)
linear.
3. Regularizao
23
esta funo utilizada para incorporar a informao de que o vetor de parmetros deve ter a norma quadrtica ( 2 ou Euclidiana) mnima. Isto , os parmetros devem ser assumir valores mais prximos possveis a zero. De forma similar a equao 2.9, a funo regularizadora de norma mnima tem a seguinte forma
N M ( p) = p T p .
O vetor gradiente
(3.7)
N M ( p)
e a matriz Hessiana
N M ( p)
p N M ( p) = 2 I
e
(3.8)
N M ( , p) = 2I
em que
(3.9)
M M,
lembrando que
o nmero de
fi ( p)
(3.10)
o parmetro de regularizao,
o d
matriz de sensibilidade,
a soluo de
3. Regularizao
norma mnima para o problema inverso linear. J para o caso em que linear.
24
2
fi ( p) no-linear,
( ( ( o f ( G p0 )T G p0 ) + I p=G p0 ) p 0 . p0 ) T d
em que a
(3.11)
p 0 .
3.2 Igualdade
H casos em que se conhece um valor aproximado de um ou mais parmetros. Esta informao pode ser proveniente de furos de sondagem, aoramentos, etc. Nestes casos, desejvel que o valor estimado para estes parmetros seja o mais prximo possvel dos valores conhecidos (e preestabelecidos). Para tanto, utilizamos a
funo regularizadora
de igualdade
T A ( IG ( p) = ( pp a )T A pp a) ,
em que
(3.12)
p a
um vetor cujo
j -simo
3
j -simo
parmetro; ou zero
j -simo
parmetro.
A matriz
o nmero de parmetros. O
p no
3 Na
3. Regularizao
25
o mais prximo possvel do valor 26. Podemos ento usar a funo regularizadora de
sero igualdade para impor essa restrio. Neste caso, os vetores p e p a e a matriz A p1 p = p2 , p3
O vetor gradiente
0 p a = 26 0
0 0 0 = 0 1 0 . e A 0 0 0
T A ( IG ( p) = 2 A pp a)
e
(3.13)
IG ( T A . p) = 2A
Para o caso em que a funo tambm
(3.14)
fi ( p)
(3.15)
o parmetro de regularizao,
o d
matriz de sensibilidade,
a soluo do
problema inverso linear com regularizao de igualdade. J para o caso em que linear.
fi ( p) no-linear,
( ( T A ( T A [ o f ( G p0 )T G p0 ) + A p=G p0 ) T d p0 ) A p0 p a] .
(3.16)
3. Regularizao
em que a
26
p 0 .
SV ( p) = v T v ,
em que vetor
(3.17)
p v =R ,
em que
(3.18)
Exemplo 3.3. Seja o problema inverso de estimar o relevo de uma bacia sedimentar. Uma possvel parametrizao seria discretizar a bacia em 7 prismas retangulares justapostos com larguras xas. Os parmetros a serem estimados seriam ento as 7 espessuras dos prismas (Figura 10). Impor suavidade ao relevo da bacia equivalente a minimizar as diferenas p1 p2 , p2 p3 , p3 p4 , p4 p5 , p5 p6 e p6 p7 . Neste caso, o vetor v das diferenas entre os parmetros espacialmente adjacentes dado por
3. Regularizao
27
x
p1 p2 p3 p5 p4 p6 p7
Embasamento
z
Figura 10: Exemplo de parametrizao do relevo de uma bacia sedimentar. Neste caso, os 7 parmetros utilizados so as espessuras de prismas retangulares justapostos. Impor suavidade ao relevo da bacia equivalente a minimizar as diferenas
p1 p2 ,
p2 p3 , p3 p4 , p4 p5 , p 5 p6
p6 p7 .
p 1 0 0 0 0 p1 p2 1 1 0 p2 p p 0 1 1 0 0 0 0 3 2 p 3 p3 p4 0 0 1 1 0 0 0 p . v = 4 = p4 p5 0 0 0 1 1 0 0 p5 p p 0 0 0 0 1 1 0 6 5 p6 0 0 0 0 0 1 1 p6 p7 p7
R p
(3.19)
(3.20)
so, respectivamente,
T R p SV ( p) = 2 R
(3.21)
3. Regularizao
e
28
SV ( T R . p) = 2 R
O gradiente da funo regularizadora de norma mnima uma
(3.22)
dos parmetros.
fi ( p)
parmetros tambm
linear
(3.23)
o parmetro de regularizao,
o d
matriz de sensibilidade,
a soluo
fi ( p) no-linear,
( ( T R ( T R p o f ( G p0 )T G p 0 ) + R p=G p0 ) T d p0 ) R 0 .
em que a
(3.24)
p 0 .
descontinuidades
Nestes casos,
variao total
L
VT
( p) =
k=1
|vk | ,
(3.25)
3. Regularizao
em que
29
sendo
VT
( p)
VT ( p)
=
k=1
2 +, vk
(3.26)
O vetor gradiente
V T ( p)
e a matriz Hessiana
V T ( p)
VT T q ( p) = R ( p)
(3.27)
V T ( ( , T Q p) = R p) R
sendo
(3.28)
( q ( p) e a matriz Q p)
so, respectivamente,
q ( p) =
e
v1
2 v1 + v2 2 v2 + . . . vL 2 vL +
(3.29)
0
2 (v2
(v 2 + ) 3 2 1 0 Q( p) = . . . 0
... ...
.. .
0 0
. . .
+ ) 2
. . .
...
2 (vL + ) 2
3
(3.30)
3. Regularizao
30
Como o gradiente e a Hessiana da funo regularizadora de variao total (equaes 3.27 e 3.28) no so combinaes lineares dos parmetros, a utilizao desta funo regularizadora torna o problema inverso do
no-linear.
total,
( ( T Q ( ( T q o f ( G p0 ) T G p0 ) + R p0 )R p=G p0 ) R p0 )T d ( p0 ) .
(3.31)
em que a
p 0 .
31
Neste captulo descreveremos alguns procedimentos prticos para abordar estas questes.
2. A funo
fi ( p)
3. Excesso de regularizao;
O primeiro caso esperado pois observaes sempre contm algum tipo de rudo. Embora existam tcnicas para a atenuao de rudo, impossvel que ele seja removido
4. Procedimentos prticos
32
completamente. Alm disso, rudos de carter aleatrio no so descritos pela relao funcional entre os parmetros e os dados preditos (equao 2.4). Sendo assim, no
ajustar perfeitamente os dados observados aceitvel, desde que o desajuste esteja dentro do nvel de rudo estimado dos dados. J no segundo caso, a funo escolhida para descrever a relao entre os parmetros e os dados preditos no representa o sistema fsico de forma adequada. Nesse
caso, mesmo se os dados observados fossem isentos de rudo (situao impossvel em condies reais), no seria possvel estimar parmetros que ajustassem os dados observados. Isso um indcio de que a hiptese escolhida para representar o sistema
fsico no vlida. crucial ressaltar que este um resultado to importante quanto encontrar uma hiptese que descreva o sistema fsico de forma satisfatria. Este tipo de resultado nos permite descartar hipteses (i.e., cenrios geolgicos)
dados geofsicos.
O terceiro caso, em que h excesso de regularizao, devido a utilizao de valores demasiado elevados do de
parmetro de regularizao
negligenciam a informao a priori. Neste caso, embora haja um bom ajuste dos dados, o problema inverso se torna instvel. Na Seo 4.2 trataremos da escolha de uma valor adequado para
(equao 3.1)
no
cada parametrizao utilizada. Alm disto, no caso em que haja mais de um funo regularizadora, pode ser desejvel impor alguma delas mais fortemente que as outras.
4. Procedimentos prticos
33
Por exemplo, se utilizarmos ambas as funes regularizadoras de suavidade e igualdade (equaes 3.20 e 3.12, respectivamente), podemos desejar que a igualdade seja imposta mais que a suavidade. No entanto, h procedimentos que permitem encontrar valores de
Um valor adequado de
soluo e o ajuste dos dados observados. Embora existam alguns mtodos para escolha automtica do parmetro de regularizao (Aster et al., 2005), ainda no h uma maneira de determinar um valor timo. Alm disso, estes mtodos automticos so
aplicveis somente a problemas inversos que utilizam uma nica funo regularizadora. Sendo assim, apresentamos a seguir um procedimento prtico que consiste em escolher o menor valor possvel para o parmetro de regularizao para que o problema inverso seja bem-posto (i.e., com soluo nica e estvel). Seja um conjunto de
dados observados e
1. Gerar um vetor
de
uma varivel aleatria com distribuio Gaussiana de mdia zero e desvio padro igual ao nvel de rudo estabelecido para os dados;
2. Gerar um vetor
de
valores aleatrios
e e
0 d
=d 0 + e d ;
em
vetores de parmetros
4. Procedimentos prticos
observados perturbados;
34
j -simo
parmetro;
parmetros;
8. Se ao menos um dos
valor mximo preestabelecido, considere que o valor de caso, aumente ligeiramente o valor de
no adequado. Nesse
9. Se nenhum dos
adequado e o problema
anlise da estabilidade
35
Tarantola (2005)
Menke (1989)
Mtodos potenciais:
Otimizao:
Kelley (1999)
36
Referncias Bibliogrcas
Aster, R. C., B. Borchers, and C. H. Thurber, 2005, Parameter estimation and inverse problems: Elsevier Academic Press. Barbosa, V. C. F., and J. B. C. Silva, 2011, Reconstruction of geologic bodies in depth associated with a sedimentary basin using gravity and magnetic data: Geophysical Prospecting,
59, 10211034.
Kelley, C. T., 1999, Iterative methods for optimization: Raleigh: SIAM. Martins, C. M., W. A. Lima, V. C. F. Barbosa, and J. B. C. Silva, 2011, Total variation regularization for depth-to-basement estimate: Part 1 - mathematical details and applications: Geophysics,
Medeiros, W. E., and J. B. C. Silva, 1996, Geophysical inversion using approximate equality constraints: Geophysics,
Silva, J. B. C., W. E. Medeiros, and V. C. F. Barbosa, 2001, Potential eld inversion: Choosing the appropriate technique to solve a geologic problem: Geophysics, 511520. Tarantola, A., 2005, Inverse problem theory and methods for model parameter estimation: Philadelphia: SIAM.
66,
37
A.1 Denies
Denio 1. Um vetor x de M elementos uma matriz de uma coluna e M linhas
x1 x2 x = . . . xM ( funes f x) dado por f1 ( x) f2 ( x) ( f x) = . . . fN ( x)
(A.1)
(A.2)
de x , xi ,
38
(A.3)
(A.4)
(A.5)
em relao ao vetor x Denio 6. O operador Hessiana de N elementos igual a 2 x2 1 2 x2 x1 2 x2 2 2 ... xN x1 2 ... xN x2 . ... . . 2 ... x2 N
2 = T = x1 x2 . . . 2 x1 xN
. . .
2 x2 xN
(A.6)
39
A.2 Derivadas
A seguir demonstramos como calcular casos,
um vetor de
elementos e
( f x)
elementos.
uma matriz de dimenso N M . em que A , podemos escrever a matriz A em relao a suas M Seja a j a j -sima coluna de A colunas = a A 1 . . . a j . . . a M ,
(A.8)
e ento
( f x) = x1 a 1 + + xj a j + + xM a M . ( Neste caso, a derivada de f x) em relao a xj 0 0 b & ( & x1 a x a x a f x) 1 j j M M & = + + + + & xj x x x j j j & u =a j = A M j .
(A.9)
(A.10)
uma matriz de dimenso N M . em que A , podemos escrever a matriz A T em relao as M Seja a j a j -sima coluna de A colunas de A . . . T = A T a j , . . . a T M a T 1
(A.12)
e ento
40
(A.13)
(A.14)
a derivada de f ( x) em relao a xj
(A.18)
T A x x x f ( x) = x T A = (A )T (A ),
(A.19)
x (A ) x x (A ) + (A )T xj
(A.20)
T u x u ) + (A )T (A M = (A M j ) (Ax j ) .
escalar
escalar
41
f ( x) T T T u = 2(A M ) = 2( uM . j ) (Ax j ) A Ax xj
(A.21)
A.3 Gradientes
A seguir demonstramos como calcular
f ( x)
um vetor de
elementos.
f ( x) x 1 f ( x ) a1 x a2 2 = f ( =a x) = . . . . . . . aM f ( x) xM
(A.23)
(A.25)
42
A.4 Hessianas
A seguir demonstramos como calcular
f ( x)
um vetor de
elementos.
f ( T A x [ f ( 2A x) = x)]T =
T A x = 2 T A
T B
T . x = 2 T B
(A.27)
T x T B
(A.28)
. . .
T x T B xM
Logo,
f ( T A . T = 2A x) = 2 B
(A.29)
f ( x)
at a A
um vetor de
elementos.
x 0
tal que
x =x 0 + x.
(A.30)
43
f ( x)
at a primeira ordem
f ( x) f ( x0 ) +
(A.31)
f ( f ( x0 ) + x0 )T x.
A.5.2 At segunda ordem
f ( x) at a segunda ordem
f ( f ( x) f ( x0 ) + x0 )T x 1 2 f ( x0 ) 1 2 f ( x0 ) 1 2 f ( x0 ) x + x x + + x xM + x1 1 1 2 1 2 2 x1 2 x2 x1 2 xM x1 1 1 1 2 f ( x0 ) 2 f ( x0 ) 2 f ( x0 ) + x2 x1 + x2 x2 + + x2 xM 2 2 x1 x2 2 x2 2 xM x2 + 1 2 f ( x0 ) 1 2 f ( x0 ) 1 2 f ( x0 ) + xM x1 + xM x2 + + xM xM . 2 2 x1 xM 2 x2 xM 2 xM
(A.32) Transformando as multiplicaes de vetor
xj
obtemos
44
f ( f ( x) f ( x0 ) + x0 )T x + 1 2 f ( x0 ) 2 f ( x0 ) 2 f ( x0 ) x x1 x . . . x 1 1 2 2 x1 x2 x1 xM x1
(A.33)
1 2 f ( x0 ) 2 f ( x0 ) 2 f ( x0 ) + x2 x2 . . . x 2 2 2 x1 x2 x2 xM x2 + + 1 2 f ( x0 ) xM 2 x1 xM xj xM 2 f ( x0 ) x2 xM . . . xM 2 f ( x0 ) 2 xM
x.
Em seguida, colocamos
em evidncia
f ( f ( x) f ( x0 ) + x0 )T x 1 2 f ( x0 ) + x1 2 x2 1 2 f ( x0 ) 2 f ( x0 ) x ... x2 x1 xM x1
escalar
1 2 f ( x0 ) + x2 2 x1 x2 + 1 2 f ( x0 ) + xM 2 x1 xM
2 f ( x0 ) 2 f ( x0 ) . . . 2 x2 xM x2
escalar
(A.34)
2 f ( x0 ) x2 xM
...
2 f ( x0 ) 2 xM
x.
escalar
Agora, transformamos a multiplicao de o vetor
xj
45
f ( f ( x) f ( x0 ) + x0 )T x 2 f ( x0 ) x2 1 2 f ( x0 ) 2 f ( x0 ) x ... x2 x1 xM x1 2 2 . f ( x0 ) f ( x0 ) x . . . x2 x x M 2 2 . . . 2 2 f ( x0 ) f ( x0 ) x ... x2 xM x2 M
2 f ( x0 ) 1 T + x x1 x2 2 2 f ( x0 ) x1 xM
Colocando
(A.35)
f ( f ( x) f ( x0 ) + x0 )T x 2 f ( x0 ) x2 1 2 f ( x0 ) 1 T + x x1 x2 2 . . 2 . f ( x0 ) x1 xM 2 f ( x0 ) x2 x1 2 f ( x0 ) x2 2
. . .
2 f ( x0 ) x2 xM
f ( x0 )
(A.36)
Finalmente, a expanso de
f ( x)
1 T f ( f ( x) f ( x0 ) + x0 )T x + x f ( x0 ) x. 2
(A.37)