A localization technique for ensemble Kalman filters
Universität Potsdam(波茨坦大学)
针对集合卡尔曼滤波中协方差矩阵计算不准确导致的长程虚假相关,提出基于Schur积的局地化技术,通过连续嵌入集合成员的卡尔曼滤波更新为常微分方程(ODE)实现局地化。
2010-01-21 cs.NA math.NA
A mollified Ensemble Kalman filter
Universität Potsdam, Institut für Mathematik(波茨坦大学数学研究所)
针对集合卡尔曼滤波不连续分析增量导致模型高频振荡的问题,提出一种结合 nudging 和 IAU 的平滑化方法,并通过新 Lorenz-96 慢快扩展模型验证其性能。
2010-06-22 cs.NA math.NA
Ensemble Kalman filter for neural network based one-shot inversion
我们研究使用机器学习中出现的新技术来解决逆问题。我们的方法取代了复杂的前向模型的神经网络,这是同时在一个一次性意义上的训练时,估计未知参数的数据,即神经网络的训练只为未知参数。通过建立一个链接到贝叶斯方法反问题,算法框架的开发,确保了参数估计的可行性w.r.到forward模型。我们提出了一种有效的,导数免费的最优化方法的基础上的集合卡尔曼反演的变体。数值实验表明,基于神经网络的一次反演的集合卡尔曼滤波是一个很有前途的方向结合优化和机器学习技术的反问题。
2020-09-14 cs.NA math.NA
Multilevel ensemble Kalman filtering for spatially extended models
Carl von Ossietzky University Oldenburg(奥尔登堡卡尔·冯·奥西茨基大学);University of Oslo(奥斯陆大学);Oak Ridge National Laboratory(橡树岭国家实验室);École polytechnique fédérale de Lausanne(洛桑联邦理工学院);KAUST(阿卜杜拉国王科技大学)
本文将多级蒙特卡洛采样策略嵌入集合卡尔曼滤波的蒙特卡洛步骤,提出多级集合卡尔曼滤波,证明其在给定精度下具有更优的渐近成本。该方法从有限维状态空间扩展到无限维空间场模型。
2016-08-30 cs.NA math.NA
Continuous time limit of the stochastic ensemble Kalman inversion: Strong convergence analysis
EKI方法是一种在贝叶斯逆问题中估计未知参数的方法。该方法通过粒子的集合来近似基本测量,并迭代地应用集合卡尔曼更新以将先前的(近似)演化为后验测量。对于EKI的收敛性分析,通常的做法是导出一个连续的版本,用随机微分方程代替迭代。在本文中,我们验证了这种方法表明,随机EKI迭代收敛到路径的连续时间随机微分方程,同时考虑非线性和线性设置,我们证明了依概率收敛的前,和收敛的时刻为后者。所采用的方法也可应用于一般随机微分方程的更一般的数值格式的分析。
2021-07-30 cs.NA math.NA
Subsampling in ensemble Kalman inversion
本文针对集合卡尔曼反演在大数据集下计算不可行的问题,提出并分析了单一子采样和批量子采样两种随机子采样技术,以降低每次迭代的计算成本。
2023-12-04 cs.NA math.NA
Multilevel Ensemble Kalman Filtering based on a sample average of independent EnKF estimators
本文提出了一种新的多级集合卡尔曼滤波方法(MLEnKF),它由一个独立的集合卡尔曼滤波器(EnKF)样本的层次结构组成。这种新的MLEnKF方法与Hoel,Law和Tempone在2016年介绍的现有方法有根本不同,它适用于基于多指标蒙特卡罗的滤波方法的扩展。稳健的理论分析和支持的数值例子表明,在适当的规律性假设下,MLEnKF方法具有更好的复杂性比普通香草EnKF在大集合和精细分辨率的限制,为弱近似的数量感兴趣。该方法适用于有限维状态空间和线性观测值受加性高斯噪声污染的离散时间滤波问题。
2020-09-21 cs.NA math.NA
Analysis of Hierarchical Ensemble Kalman Inversion
University of Warwick(华威大学)
本文研究了层次化贝叶斯反演的连续时间极限,通过集合卡尔曼滤波探讨了线性情况下反演的连续时间极限,并分析了协方差膨胀和定位等变体的连续时间极限。
2018-01-02 cs.NA math.NA
Well Posedness and Convergence Analysis of the Ensemble Kalman Inversion
Universität Augsburg(奥格斯堡大学);Universität Mannheim(曼海姆大学);Universität Erlangen(埃尔朗根大学)
本文研究了在固定集合大小下,使用扰动观测的Ensemble Kalman Inversion方法在线性反问题中的适定性和收敛性,通过连续时间尺度极限推导出耦合的随机微分方程系统,以分析该方法的长期行为和收敛性质,并将其视为一种无导数优化方法用于最小二乘误差点函数。
2019-02-26 cs.NA math.NA
Iterative Ensemble Kalman Methods: A Unified Perspective with Some New Variants
本文提供了一个统一的观点,迭代集合卡尔曼方法,一个家庭的衍生物自由算法的参数重建和其他相关任务。我们确定,比较和开发三个不同的集成方法,他们寻求最小化的目标和基于导数的优化方案,他们近似通过合奏的子家庭。我们的工作强调两个原则的推导和分析的迭代集合卡尔曼方法:统计线性化和连续极限。遵循这些指导原则,我们引入了新的迭代集合卡尔曼方法,在贝叶斯逆问题,数据同化和机器学习任务中显示出有前途的数值性能。
2020-10-26 cs.NA math.NA math.OC
Convergence Analysis of Ensemble Kalman Inversion: The Linear, Noisy Case
Institute for Mathematics, University of Mannheim(曼海姆大学数学研究所);Department of Computing and Mathematical Sciences, California Institute of Technology(加州理工学院计算与数学科学系)
本文基于算法的连续时间极限,分析Ensemble Kalman inversion的动态行为,建立固定 Ensemble size 下的well-posedness和收敛性结果,探讨噪声对收敛性的影响。
2017-08-08 cs.NA math.NA
Accuracy Boost in Ensemble Kalman Inversion via Ensemble Control Strategies
针对初始集合子空间限制 EKI 精度的问题,本文提出最优子空间框架及融合先验、数据和模型信息的贪心集合选择策略,显著提升高维不适定反演的精度与可扩展性。
2025-03-14 cs.NA math.NA
Analysis of the Ensemble and Polynomial Chaos Kalman Filters in Bayesian Inverse Problems
TU Chemnitz(开姆尼茨工业大学);University of Applied Sciences Zwickau(茨维考应用科学大学)
本文分析了集合滤波和多项式混沌卡尔曼滤波在非线性稳态贝叶斯反问题中的应用,证明在大样本或高多项式阶数极限下,两种方法收敛到分析随机变量,但该变量更接近线性贝叶斯估计器而非后验测度解。
2015-04-14 cs.NA math.NA
Ensemble Kalman filter for multiscale inverse problems
提出了一种基于集合卡尔曼滤波的多尺度椭圆型偏微分方程反问题的新算法。我们的方法是基于数值均匀化和有限元离散化,并允许恢复一个高度振荡张量从测量的多尺度解决方案在计算上便宜的方式。分析了多尺度参数和离散参数对近似解的影响,并证明了其收敛性。从贝叶斯的角度重新解释的解决方案,并证明了收敛的近似条件后验分布相对于Wasserstein距离。数值实验验证了我们的方法,特别强调建模误差和计算成本。
2020-06-25 cs.NA math.NA
Dropout Ensemble Kalman inversion for high dimensional inverse problems
本文针对集成卡尔曼反演在高维问题中受子空间性质限制的难题,提出dropout正则化方法,证明其在小集合下收敛且计算成本随维度线性增长,并达到最优查询复杂度。
2024-09-30 cs.NA math.NA
Multilevel ensemble Kalman filtering for spatio-temporal processes
我们设计和分析的多级集合卡尔曼滤波方法(MLEnKF)的过滤设置的基础状态空间模型是一个无限维的时空过程的性能。我们考虑的基本模型,需要模拟的数值方法,在空间和时间的离散化。多级Monte Carlo(MLMC)采样策略通过相邻分辨率上的集合粒子的成对耦合实现方差减小,用于MLEnKF的采样矩步骤,产生一种有效的时空模型分层滤波方法.在充分的正则性下,MLEnKF被证明是更有效的弱近似比EnKF,渐近大合奏和精细的数值分辨率限制。数值例子支持我们的理论研究结果。
2020-03-10 cs.NA math.NA
An adaptive hierarchical ensemble Kalman filter with reduced basis models
本文提出一种自适应降基技术,在线修改近似空间,以同时保证准确性和低成本,从而提升多保真和多层集合卡尔曼滤波器的性能。
2024-12-16 cs.NA math.NA
Ensemble Kalman Filters for reliability estimation in perfusion inference
University of Basel(巴塞尔大学)
本文提出使用集合卡尔曼滤波器来解决动态对比增强成像中的反问题,通过概率方法估计血液灌注,改进传统确定性方法的可靠性信息。
2018-10-22 cs.NA math.NA
Adaptive Tikhonov strategies for stochastic ensemble Kalman inversion
集合卡尔曼反演(EKI)是一种无导数的优化算法,其主要目的是求解反演问题,其思想来源于著名的集合卡尔曼滤波。本文的目的是考虑引入自适应Tikhonov策略EKI。这项工作建立在Tikhonov EKI(TEKI)的基础上,提出了一个固定的正则化常数。通过自适应地学习正则化参数,该过程被称为提高潜在未知的恢复。对于分析,我们考虑一个连续的时间设置,我们扩展已知的结果,如良好的posdeness和收敛的各种损失函数,但增加了噪声观测。此外,我们允许时变噪声和正则化协方差在我们提出的收敛结果,模仿自适应正则化方案。反过来,我们提出了三个自适应正则化方案,这是突出从确定性和贝叶斯方法的反问题,其中包括双层优化,MAP制定和协方差学习。我们数值测试这些计划和理论的线性和非线性偏微分方程,他们优于非自适应TEKI和EKI。
2021-10-18 cs.NA math.NA
An ensemble Kalman approach to randomized maximum likelihood estimation
本文提出集合卡尔曼随机最大似然估计方法,通过演化集合求解随机扰动优化问题以近似贝叶斯后验采样,并结合平衡截断模型降阶策略降低高维前向模型的计算代价。
2025-07-03 cs.NA math.NA
Multi-index ensemble Kalman filtering
在这项工作中,我们结合多指标蒙特卡罗和集合卡尔曼滤波(EnKF)的思想,产生一个高效的滤波方法称为多指标EnKF(MIEnKF)。MIEnKF基于分辨率水平的多指标层次上的四耦合EnKF估计量的独立样本,并且它可以被视为由相同作者在2020年开发的多级EnKF(MLEnKF)方法的扩展。这里的多指标是指一种双指标方法,由一个层次的EnKF估计,耦合在两个自由度:时间离散化和合奏大小。在一定的假设下,当相邻的数值分辨率上的解决方案之间的强耦合是可实现的,MIEnKF方法被证明是更听话比EnKF和MLEnKF。所述效率增益也在一系列测试问题中进行了数值验证。
2022-09-06 cs.NA math.NA
On the ensemble Kalman inversion under inequality constraints
针对集合卡尔曼反演忽略约束的问题,提出基于对数障碍的连续时间公式改进,纳入凸不等式约束,理论证明集合坍缩界及收敛性,并通过PDE示例验证。
2023-12-21 cs.NA math.NA
An extended sampling-ensemble Kalman filter approach for partial data inverse elastic problems
当一般只有部分数据可用时,反问题更具挑战性。在本文中,我们提出了一个两步的方法相结合的扩展采样方法和集合卡尔曼滤波器来重建一个弹性刚性障碍物的部分数据。在第一步中,通过扩展采样方法获得未知障碍物的近似位置。在第二步中,集合卡尔曼滤波器被用来重建形状。在第一步中获得的位置指导集合卡尔曼滤波器的初始粒子的构造,这对第二步的性能至关重要。这两个步骤都基于相同的物理模型,并使用相同的散射数据。数值例子说明了所提出的方法的有效性。
2020-10-04 cs.NA math.NA physics.comp-ph
Ensemble Kalman Inversion for nonlinear problems: weights, consistency, and variance bounds
针对非线性正向映射下EnKI和EnSRF有偏及重要性采样方差大的问题,提出加权版本WEnKI和WEnSRF,兼具无偏性和有界权重方差,并证明了其性质及方程稳定性。
2020-07-22 cs.NA math.NA
A Reduced Basis Ensemble Kalman Method
在再现参数依赖的分布式系统的状态动态的过程中,来自物理测量的数据可以被并入到数学模型中以减少参数不确定性,从而改善状态预测。这样的数据同化过程必须处理由实验噪声以及模型不准确和不确定性引起的数据和模型失配。在这项工作中,我们专注于集合卡尔曼方法(EnKM),粒子为基础的迭代正则化方法设计的\textit{a posteriori}分析的时间序列。该方法是无梯度的,并且像集合卡尔曼滤波器(EnKF)一样,依赖于参数或粒子集合的样本来识别更好地再现物理观测的状态,同时保留由最佳知识模型描述的系统物理。我们考虑由参数化抛物型偏微分方程描述的系统,并采用模型降阶(MOR)技术来生成具有不确定参数的不同精度的代理模型。它们与EnKM的结合使用涉及模型偏差的引入,该模型偏差构成系统误差的新来源。为了减轻其影响,提出了一种算法调整,考虑到数据中的偏差的先验估计。由此产生的RB-EnKM在不同的条件下进行测试,包括不同的合奏大小和增加的实验噪声水平。将结果与标准EnKF和未经调整的算法所获得的结果进行比较。
2022-10-05 cs.NA math.NA
$l_p$ regularization for ensemble Kalman inversion
包围卡尔曼反演(EKI)是一种介于确定性和概率性反演方法之间的无需导数的最优化方法。EKI迭代基于集合的卡尔曼滤波器的卡尔曼更新,其集合收敛到目标函数的最小值。EKI正则化不适定的问题,限制合奏的线性跨度的初始合奏,或通过迭代正则化提前停止。EKI的另一种正则化方法Tikhonov EKI使用$l_2$惩罚项惩罚目标函数,防止标准EKI中的过拟合。本文提出了一种策略,实现$l_p, 0<p\leq 1,$正则化的EKI恢复稀疏结构的解决方案。该策略将$l_p$问题转化为$l_2$问题,然后用Tikhonov EKI求解。转换是明确的,因此,所提出的方法具有计算成本与吉洪诺夫EKI。我们通过一套数值实验,包括压缩传感和地下水流逆问题,验证了所提出的方法的有效性和鲁棒性。
2021-04-01 cs.NA math.NA math.OC
Tikhonov Regularization Within Ensemble Kalman Inversion
本文提出在集合卡尔曼反演中引入类似吉洪诺夫的Sobolev惩罚以结合先验信息进行正则化,证明了其连续时间极限的集合坍缩性质,并通过数值实验验证了该方法的优势。
2019-01-29 cs.NA math.NA math.OC
Perspectives on locally weighted ensemble Kalman methods
本文从函数逼近视角提出局部加权集合卡尔曼反演方法,结合粒子滤波与集合卡尔曼滤波优势,并用数值实验验证其在逼近和反演中的精度。
2025-05-06 cs.NA math.NA math.PR
Low-rank-assisted inverse medium scattering: Lipschitz stability and ensemble Kalman filter
The University of Texas at Dallas(达拉斯大学)
本文基于盘状椭球面谐波函数提出低秩辅助反介质散射方法,研究Lipschitz稳定性并设计集合卡尔曼滤波,在非线性与线性区域分别获得稳定性常数,并通过数值例子验证方法有效性。
2026-09-29 cs.NA math.NA
Sampling error mitigation through spectrum smoothing: first experiments with ensemble transform Kalman filters and Lorenz models
本文提出一种非侵入式采样误差缓解方法,通过修改集成确保平滑湍流频谱,实现非均匀局地化和膨胀,并在Lorenz 96湍流模型上验证其有效性。
2024-11-08 cs.NA math.NA
An Explicit Probabilistic Derivation of Inflation in a Scalar Ensemble Kalman Filter for Finite Step, Finite Ensemble Convergence
本文使用概率的方法来分析的集合卡尔曼滤波器的解决方案,一个精确的卡尔曼滤波器的解决方案,在最简单的设置,标量的情况下,收敛,因为它允许我们建立在丰富的文学标量概率分布和非初等函数。为此,我们介绍了基本的标量教学包围卡尔曼滤波器(SPEnKF)。我们表明,在渐近的情况下,合奏大小,期望值的分析均值和方差估计的SPEnKF收敛到真正的卡尔曼滤波器,和方差都趋向于零,在每个时刻。我们还表明,合奏收敛的互补的情况下,当合奏是有限的,时间被带到无穷大的概率。此外,我们表明,在有限集合,有限时间的情况下,方差膨胀和平均值校正可以利用,以迫使SPEnKF收敛到其标量卡尔曼滤波对应。然后,我们应用这个框架来分析扰动观测,并解释为什么扰动观测集合卡尔曼滤波器表现不佳的确定性同行。
2020-03-29 cs.NA math.NA math.OC
A Multifidelity Ensemble Kalman Filter with Reduced Order Control Variates
提出了一种基于线性控制变量框架的多保真度集合卡尔曼滤波算法。该方法允许严格的多保真度扩展的EnKF,其中的不确定性,在粗糙度的层次结构中的模型表示控制变量的不确定性,在精细度。高保真度模型运行的小集合由更便宜、更低保真度的运行的大集合补充,以仅以小的额外计算成本获得更好的分析。我们研究使用降阶模型作为MFEnKF中的粗保真度控制变量,并提供分析来量化传统集合卡尔曼滤波器的改进。我们应用这些思想进行资料同化与准地转试验问题,使用直接数值模拟和相应的POD Galerkin降阶模式。数值结果表明,两个保真度MFEnKF提供了更好的分析比现有的EnKF算法在可比的或减少的计算成本。
2020-07-01 cs.NA math.NA math.OC
Ensemble Kalman Filter with perturbed observations in weather forecasting and data assimilation
数据同化为各种领域的广泛应用提供了算法。它对于处理复杂系统中大量的信息量难以估计的问题具有实际应用价值。天气预报是应用之一,其中气象数据的预测根据观测结果进行校正。数据同化中包含许多方法。一种特定的顺序方法是卡尔曼滤波器。其核心是利用新的测量数据和预测的先验数据来估计未知信息。实际上,卡尔曼滤波器有不同的改进方法。本文研究了观测值摄动情况下的包络卡尔曼滤波问题。它是通过蒙特卡罗模拟实现的。在该方法中,系综代替状态向量参与计算。此外,还认为带扰动的测量是合适的观测。与线性卡尔曼滤波器相比,这些变化使其更有利,因为应用不限于线性系,并且当数据由计算机计算时花费更少的时间。本文的研究目标是逐步发展观测值摄动的包络卡尔曼滤波算法。通过引入动力系统等数学原理,建立了线性卡尔曼滤波器。同时,推导了预测和分析过程。在此基础上,利用类比的思想,引入了观测值摄动的非线性EnergyKalman滤波。最后,用MATLAB对一个经典的Lorenz 63模型进行了仿真。在这个例子中,我们对集合成员的数量进行了实验,并试图研究方差误差与集合成员数量之间的关系。我们得出结论,在有限的尺度上,集合成员的数目越多,预测误差越小。
2023-03-22 cs.NA math.NA math.OC
On the Incorporation of Box-Constraints for Ensemble Kalman Inversion
贝叶斯反问题方法在实际中被广泛用于从噪声观测中推断未知参数。在这个框架内,集合卡尔曼反演已成功地应用于量化的不确定性在各个领域的应用。近年来,一个完整的分析方法已经发展为线性逆问题,采用优化的观点。然而,许多应用需要对参数结合附加约束,例如由于物理约束而产生的约束。我们提出了一个新的变形的集合卡尔曼反演,包括框约束的未知参数的理论,预计预处理梯度流的动机。基于约束集合卡尔曼反演的连续时间限制,讨论了线性正演问题的全收敛分析。我们采用过滤技术,这是至关重要的,以提高性能,并建立一个正确的下降,如方差膨胀。这些好处是突出通过一些数值例子对各种反问题的基础上偏微分方程。
2019-10-14 cs.NA math.NA math.OC
Long-time accuracy of ensemble Kalman filters for chaotic and machine-learned dynamical systems
本文研究高维动力系统的在线状态估计问题,确立了集合卡尔曼滤波器在混沌系统及机器学习替代动力学模型中的长时间精度,证明了其估计误差在长时间范围内保持较小,验证了机器学习预测模型在集合数据同化中的有效性。
2024-12-18 cs.NA math.DS math.NA
What the collapse of the ensemble Kalman filter tells us about particle filters
University of Arizona(亚利桑那大学);Naval Research Laboratory(海军研究实验室);National Center for Atmospheric Research(国家大气研究中心)
研究探讨了协同卡尔曼滤波崩溃与高维粒子滤波器的关系,指出粒子滤波器在高维问题中崩溃,支持气象学中对粒子滤波器进行局部化的努力。
2016-05-31 cs.NA math.NA stat.CO
Convergence Acceleration of Ensemble Kalman Inversion in Nonlinear Settings
许多数据科学问题可以被公式化为逆问题,其中通过最小化适当的损失函数来估计参数。当涉及复杂的黑盒模型时,通常需要无导数优化工具。集合卡尔曼滤波(EnKF)是一种基于粒子的无导数贝叶斯算法,最初设计用于数据同化。最近,它已被应用到反问题的计算效率。由此产生的算法,称为集合卡尔曼反演(EKI),涉及运行具有EnKF更新规则的粒子集合,因此它们可以收敛到最小值。在这篇文章中,我们研究EKI收敛在一般的非线性设置。为了提高收敛速度和稳定性,我们考虑采用非常数步长和协方差膨胀的EKI。我们证明了EKI可以在非凸的情况下以有限步达到临界点。我们进一步证明了,如果损失函数是强凸的,EKI多项式快速收敛到全局极小。我们验证了两个反问题的数值实验分析。
2021-10-18 cs.NA math.NA math.OC
Non-Asymptotic Analysis of Ensemble Kalman Updates: Effective Dimension and Localization
本文对Ensemble Kalman更新进行非渐近分析,证明当先验协方差具有适度有效维度时小集合即可满足需求,并在统一框架下比较多种实现方法,同时提出新的协方差估计界限。
2023-10-05 cs.NA math.NA math.ST
Continuous Limits for Constrained Ensemble Kalman Filter
EnergyKalman滤波方法可作为一种迭代粒子数值方法用于状态动态估计和控制-可观测辨识问题。在应用中,可能需要强制解决方案以满足控制空间上的等式约束。在这项工作中,我们处理这个问题,从约束优化的角度来看,推导出相应的最优性条件。连续的限制,在时间和粒子的数量,使我们能够研究的方法的属性。我们说明了该方法的性能,使用测试反问题从文献中。
2020-04-06 cs.NA math.DS math.NA
Robust parameter estimation using the ensemble Kalman filter
针对随机微分方程参数估计的标准方法对连续时间数据扰动鲁棒性不足的问题,本文在集合卡尔曼滤波连续时间估计框架下从频率论视角阐释了三种鲁棒技术的原理,并通过数值实验验证了结论。
2023-12-19 cs.NA math.NA math.ST
Hierarchical Ensemble Kalman Methods with Sparsity-Promoting Generalized Gamma Hyperpriors
本文介绍了一种计算框架,将灵活的正则化技术集成卡尔曼方法的非线性反问题。所提出的方法近似的最大后验概率(MAP)估计的分层贝叶斯模型,其特征在于由一个条件高斯先验和广义伽玛超先验。选择合适的超参数会产生稀疏促进正则化。我们提出了一种迭代算法的MAP估计,它交替更新未知的集合卡尔曼方法和更新超参数的正则化,以促进稀疏性。我们的方法的有效性证明在几个计算实例,包括压缩传感和地下水流逆问题。
2022-05-19 cs.NA math.NA math.OC
Ensemble Kalman inversion with non-smooth regularization
Universität Mannheim, Institute of Mathematics(曼海姆大学数学研究所)
本文提出基于子梯度的集合卡尔曼反演(SEKI)方法,通过协方差预条件将非光滑正则化整合到集合均值中,并在强凸情况下分析其收敛性,验证了非光滑正则化在计算断层扫描和稀疏恢复中的有效性。
2026-03-23 cs.NA math.NA math.OC
A Stochastic Covariance Shrinkage Approach in Ensemble Transform Kalman Filtering
Ensemble卡尔曼滤波器(EnKF)采用蒙特卡罗方法来表示协方差信息,并受到操作设置中的采样误差的影响,其中模型实现的数量远小于模型状态维度。为了减轻这些误差的影响,EnKF依赖于模型特定的算法,如协方差定位,它利用了模型变量之间相关性的空间局部性。这项工作提出了一种方法,以减轻采样误差,利用当地平均的时间动态的模型,描述的气候协方差的动态系统。我们使用这个协方差作为目标矩阵的协方差收缩方法,并开发了一个随机协方差收缩方法,其中合成集成成员被绘制到丰富的集成子空间和集成变换。我们还提供了一种方法,这种方法可以本地化类似于国家的最先进的LETKF方法,并且对于一定的模型设置,我们的方法显着优于它。
2022-06-03 cs.NA math.NA stat.ME
Comparing an Ensemble Kalman Filter to a 4DVAR Data Assimilation System in Chaotic Dynamics
Universidade Federal de Pelotas – Faculdade de Meteorologia(佩洛塔斯联邦大学气象学院);Departamento de Ciência e Tecnologia Aeroespacial – Instituto de Aeronáutica e Espaço – Divisão de Ciências Atmosféricas(航空航天科学与技术系 – 航空与航天研究所 – 大气科学部)
研究比较了集合卡尔曼滤波与4DVAR在混沌动力学中的有效性,探讨了初始误差10%、20%和40%时的跟踪性能,发现4DVAR在20%误差下表现更优,但在40%误差时两者均无法准确跟踪。
2026-04-07 cs.NA math.NA math.OC
Multilevel Ensemble Kalman-Bucy Filters
本文考虑连续时间中的线性滤波问题。我们开发和应用多级蒙特卡罗(MLMC)策略合奏卡尔曼-布西滤波器(EnKBF)。这些过滤器可以被视为近似的条件McKean-Vlasov型扩散过程。它们也被解释为连续时间模拟的\textit{ensemble Kalman filter},这已被证明是成功的,由于其适用性和计算成本。我们证明了我们的多级EnKBF的理想版本可以实现$\mathcal{O}(ε^2), \ ε>0$的均方误差(MSE),成本为$\mathcal{O}(ε^{-2}\log(ε)^2)$。为了证明这一结果,我们提供了一个Monte Carlo收敛性和近似界相关的时间离散的EnKBF。这意味着与需要$\mathcal{O}(ε^{-3})$的成本来实现$\mathcal{O}(ε^2)$的MSE的(单级)EnKBF相比成本降低。我们测试我们的理论上的线性问题,我们激励通过高维的例子,以$\sim \mathcal{O}(10^4)$和$\mathcal{O}(10^5)$。
2021-04-05 cs.NA math.NA stat.CO
Affine-Mapping based Variational Ensemble Kalman Filter
Shanghai Jiao Tong University(上海交通大学);University of Birmingham(伯明翰大学)
针对一般观测模型下的序列贝叶斯滤波问题,提出了一种基于仿射映射的变分Envelope卡尔曼滤波算法。具体地,所提出的方法被公式化为构造从先前集合到后验集合的仿射映射,并且该仿射映射经由变分贝叶斯公式计算,即,通过最小化通过仿射映射变换的分布和实际后验之间的Kullback-Leibler发散。研究了所得最优化问题的一些理论性质,并提出了求解所得最优化问题的梯度下降法。数值例子表明,该方法具有竞争力的性能,对现有的方法。
2021-09-03 cs.LG cs.NA math.NA
Unbiased Estimation of the Vanilla and Deterministic Ensemble Kalman-Bucy Filters
在这篇文章中,我们考虑发展的无偏估计量的集合卡尔曼-布西滤波器(EnKBF)。EnKBF是一种连续时间滤波方法,可以看作是著名的离散时间集合卡尔曼滤波器的连续时间模拟。我们的无偏估计量将受到最近工作的激励[Rhee \& Glynn 2010,[31]],该工作引入随机化作为产生无偏和有限方差估计量的一种手段。随机化通过离散化水平和每个水平的样本数量进入。我们的估计将是特定的线性和高斯设置,我们知道,EnKBF是一致的,在粒子限制$N \rightarrow \infty$,与KBF。我们强调这两个特定的变体的EnKBF,即确定性和香草变种,并证明这一点上的线性奥恩斯坦-乌伦贝克过程。我们比较这与EnKBF和多级(MLEnKBF),不同尺寸的实验。我们还提供了一个多层次的确定性EnKBF,这提供了一些无偏的方法的指导方针的证明。
2022-08-08 cs.NA math.NA stat.ME
Analysis of a Computational Framework for Bayesian Inverse Problems: Ensemble Kalman Updates and MAP Estimators Under Mesh Refinement
本文分析了在加权内积空间中离散化先验与前向模型的贝叶斯反问题计算框架,建立算子范数界以保证集合卡尔曼方法和MAP估计器在网格细化下的可扩展性与精度。
2024-02-20 cs.NA math.NA stat.CO
Localization in Ensemble Kalman inversion
针对集成卡尔曼反演(EKI)受子空间性质限制、集成规模需超过问题维度的问题,提出局域化EKI(LEKI)方法,证明其能突破初始子空间、收敛至全局最优,并用多类数值算例验证理论结果。
2022-01-31 cs.NA math.NA stat.CO
Ensemble Kalman Filters with Resampling
本文提出一种结合额外重采样步骤的集合卡尔曼滤波器,通过打破粒子间依赖性改进理论分析,并在数值示例中表现良好。
2024-07-27 cs.NA cs.SY eess.SY
Data Assimilation for Wildland Fires: Ensemble Kalman filters in coupled atmosphere-surface models
本文描述了两种野火模型,并采用正则化和变形集合卡尔曼滤波器进行数据同化,以提高耦合大气-地表模型的预测精度。
2009-01-15 cs.NA math.NA physics.ao-ph
A Stabilization of a Continuous Limit of the Ensemble Kalman Inversion
扩展卡尔曼滤波器(EnKF)属于迭代粒子滤波方法,可用于求解控制-可观测逆问题。在这种情况下,EnKF被称为Envelope Kalman Inversion(EKI)。近年来,为了研究该方法的性质,对迭代次数和粒子数进行了连续限制。特别是,一维线性稳定性分析揭示了可能的缺点,在相空间的时刻提供的连续限制的EKI,但也观察到在多维设置。在这项工作中,我们解决这个问题,通过引入一个稳定的动态,导致一个方法与全局渐近稳定的解决方案。我们说明了稳定版本的性能,使用测试反问题从文献中,并将其与经典的连续极限制定的方法。
2022-02-16 cs.NA math.DS math.NA
A second order Langevin sampler preserving positive volume for isothermal isobaric ensemble
本文提出了一种用于等温等压系综(NPT)的二阶Langevin采样器,通过将周期性盒子人工质量设为零推导出粒子运动方程与体积过阻尼Langevin方程耦合,证明了方程组适定性且不变测度为所需系综,并基于对数变量替换提出保证体积正性的二阶弱格式,数值实验验证了方法有效性。
2024-12-23 cs.NA math.NA physics.comp-ph
The Mean Field Ensemble Kalman Filter: Near-Gaussian Setting
本文首次分析了平均场集合卡尔曼滤波器在高斯设定之外的精度,通过引入加权全变差度量证明其稳定性,并证明在高斯问题邻域内误差很小。
2024-08-27 cs.NA math.DS math.NA