Pre-processing:
MPX使用的滤波器是自适应性的‘Wiener’ filter。有时甚至不用MPX，因为尽管Wiener 所引起的扰乱是可以忽略的，有时发现滤波并不能很好地提高拾取的精度或成功率。
同时SNR经常在MPX的pre-processsing 过程中由spectral densities分析得到，因为这将给予质量加权方案重要的预测。
在一个“approximate epicenter”已知的情况下，理论到时（TP）可以用来作为一个分隔两个波形窗口（一个是噪声窗口，另一个是噪声+信号窗口）的参考点：
第一个窗口N被放置在TP之前并用来评估噪声的光谱密度而第二个窗口在TP之后并用来评估噪声加信号的光谱密度。（光谱密度的计算使用一个最大熵值方法 Adersons 2004)。
大到3s的预测时间误差并不会影响MPX收敛到真正的触发值。（也就是说TP的不确定度达到 3s）
但是，由于预测误差的存在，噪声部分和噪声加信号部分需要被'gap'分离开： （给一张图，自己体会）
gap的宽度就是取决于TP的不确定度。
程序使用步骤：
在MPX的第一步，P波列 信噪比由自动和自适应地高保真Winer滤波器提高。
第二步时，拾取工作由1987年Baer 和 Kradolfer 的拾取引擎得到。
如果第二步得到的到时的话，第三步，变量延迟校正以降低拾取函数的固有延迟。
在第四步，加权机制针对拾取的不确定性提供了一个统计学上的估计。对每一个数据集来说，加权引擎首先被校正通过
在至少600个用户提供的参考拾取和权重上执行多项判别分析。
（参考的拾取和权重由Sac2000人工给予或是在MS-Windows下的Visual Picker 拾取）因为Visual Picker
整合了MPX的Winer 滤波器和视觉工具来计算参考拾取的不确定性，因此推荐该程序用以建立参考拾取集和对应的权重。
从以上信息可知，最令人不知道怎么使用的是加权机制：
加权机制是建立在由Allen拾取系统中使用的用于提供判别能力的一些预测性变量。将这一机制根据参考的拾取和权重（由用户提供的）用统计学的方法（判别分析法）予以校正。