탄성파 역산에 있어서 가장 널리 사용되는 최소자승($l^2$ norm)해는 이상치(outlier)에 매우 민감하게 반응하는 경향이 있다. 이에 반해서 $l^1$ norm을 최소화하는 해는 이상치에 강인한 면을 보이나 일반적으로 좀 더 많은 계산이 필요하다. 반복적가중의 최소자승법(Iteratively reweighted least squares [IRLS] method)을 이용하면 이러한 $l^1$ norm 문제의 근사해(approximate solution)를 효율적으로 구할 수 있다. 본 논문에서는 작은 크기의 잔여분은 $l^2$ norm으로 처리하며, 큰 크기의 잔여분은 $l^1$ norm으로 처리하는 하이브리드 $l^1/l^2$ norm 최소화를 IRLS 방법에 쉽게 적용하는 구현 기법을 소개한다. 소개된 알고리즘은 특이치(singularity)처리를 위한 임계값의 결정에 민감하게 반응하는 기존의 $l^1$ norm IRLS 방법과는 달리 임계값 결정에 상관없이 늘 강인한 역산의 특성을 보여준다.
Least squares ($l^2$ norm) solutions of seismic inversion tend to be very sensitive to data points with large errors. The $l^1$ norm minimization gives more robust solutions, but usually with higher computational cost. Iteratively reweighted least squares (IRLS) method gives efficient approximate solutions of these $l^1$ norm problems. I propose an efficient implementation of the IRLS method for a hybrid $l^1/l^2$ minimization problem that behaves as $l^2$ norm fit for small residual and $l^1$ norm fit for large residuals. The proposed algorithm shows more robust characteristics to the decision of the threshold value than the l1 norm IRLS inversion does with respect to the threshold value to avoid singularity.
