简介：变换库函数方法是为地震降噪的最通常使用的技术之一，它达到由在变换库函数域利用地震数据的稀疏和分开移开噪音的目的。然而，因为它需要到，效果不是令人满意的预先选择一套固定变换底功能和过程相应变换。以便发现一条新途径，我们介绍学习类型overcomplete字典，即，最佳地稀少的数据表示通过学习并且训练被完成由地震当模特儿的数据开车，而不是使用，一个单身者固定变换底设定。在这份报纸，我们联合与全部的变化(电视)学习最小化压制pseudo-Gibbs人工制品并且在移开噪音上描述不一致的字典亚块规模的效果的字典。作为一个例子拿分离余弦变换和随机的噪音，我们做了在一个单个变换底，non-learning-type，overcomplete字典和一本学习类型overcomplete字典之间的比较并且也把结果与一致、不一致的尺寸字典原子作比较。结果证明当地震数据用学习类型overcomplete字典稀疏地被代表时，噪音是也搬迁了，到噪音比率的可见性和信号显著地被增加。我们也把结果与一致、不一致的尺寸字典原子作比较，它证明一个不一致的字典原子对地震降噪更合适。

简介：Themodelingandpredictionofsuspendedsedimentinariverarekeyelementsinglobalwaterrecoursesandenvironmentpolicyandmanagement.Inthepresentstudy,anAdaptiveNeuro-FuzzyInferenceSystemmodeltrainedwiththeLevenberg-Marquardtlearningalgorithmisconsideredfortimeseriesmodelingofsuspendedsedimentconcentrationinariver.ThemodelistrainedandvalidatedusingdailyriverdischargeandsuspendedsedimentconcentrationdatafromtheSchuylkillRiverintheUnitedStates.TheresultsoftheproposedmethodareevaluatedandcomparedwithsimilarnetworkstrainedwiththecommonHybridandBack-Propagationalgorithms,whicharewidelyusedintheliteratureforpredictionofsuspendedsedimentconcentration.ObtainedresultsdemonstratethatmodelstrainedwiththeHybridandLevenberg-Marquardtalgorithmsarecomparableintermsofpredictionaccuracy.However,thenetworkstrainedwiththeLevenberg-MarquardtalgorithmperformbetterthanthosetrainedwiththeHybridapproach.