合卡尔曼滤波

Enkf集合卡尔曼滤波Enkf是一种复杂的序贯数据同化方法。它应用模型状态的集合来表示模型估计的误差统计量,它应用集合集成来预测误差统计在时间上向前,并且它使用在观测被同化时直接在模型状态的集合上操作的分析方案。Enkf已被证明能够有效地处理强非线性动力学和大的状态空间,并且现在被用在海洋和大气的原始方程模型的实际应用中。Dana McKenzie在10月2003日的暹罗新闻中发表的一篇文章指出,在2003夏季的中欧撞击热浪可以更有效地预测EnKF是否被气象中心使用。参见“集合卡尔曼滤波器最新的天气模型”HTTP://www. sia.Org/siaNeW/10-03/ToCOCT03.HTM这个页面被建立为Enkf的用户的参考页面,它包含文档、示例代码和标准化的FORTRAN 90子例程,这些子程序可以在Enkf的新实现中使用。该页面上的材料将为Enkf的新用户提供一个快速启动和插入,以及经验丰富的用户,优化代码可以提高其实现的性能。


ZBMaX中的参考文献(308篇)1标准条款

显示结果1至20的308。
按年份排序(引文
  1. de Wiljes,Jana;Paulaja,Sahani;Reich,塞巴斯蒂安:非线性平滑问题的集合变换算法(2020)
  2. He,启智;陈,Jiun Shyan:一种基于局部凸重构的物理约束数据驱动方法(2020)
  3. 阿尔伯斯,David J.;布兰夸特,Paul Adrien;Levine,Matthew E.;Esmaeilzadeh Seylabi,埃尔纳兹;斯图尔特,安得烈:带约束的集合Kalman方法(2019)
  4. 阿尔伯斯,David J.;Levin,Matthew E.;Mamykina,莱娜;HRIPPCAK,乔治:参数霍利汉:一个解决不适定问题的高通量可辨识不确定性的解决方案(2019)
  5. Bergou,El Houne;Gruton,SelGE;曼德尔,Jun:关于非线性集合Kalman平滑器的收敛性(2019)
  6. 毕肖普,Adrian N.;德尔道德,彼埃尔:随机系数线性随机微分方程组的稳定性性质(2019)
  7. 毕肖普,A. N.;德尔道德,P;KAMATANI,K.;R米勒德,B:一维Riccati扩散(2019)
  8. Dirk,S希林斯,克劳蒂亚;瓦克,Philipp;韦斯曼,西蒙:集合卡尔曼反演的适定性和收敛性分析(2019)
  9. 陈,楠;MaGDA,Andrew J.;佟,Xin T.:可激发介质非线性动力学随机模型的空间局部化(2019)
  10. Evensen,GEIR:迭代集成平滑器模型误差的计算(2019)
  11. Hoang,H. S.;Baraille,里米:一种基于同时数值随机扰动的高维矩阵估计的简单数值方法(2019)
  12. 侯,Thomas Y.;Lam,卡春;张,Pengchuan;张,舒茂:从深生成网络角度解决贝叶斯逆问题(2019)
  13. Jahanbakhshi,Reza;Zaki,Tamer A.:高速边界层过渡的非线性最危险干扰(2019)
  14. 凯莉,戴维;StuART,Andrew M.:贝叶斯数据同化最优粒子滤波的遍历性和准确性(2019)
  15. Kovachki,尼古拉B;StuART,Andrew M.:集合卡尔曼反演:机器学习任务的无导数技术(2019)
  16. 库马尔,DeVISH;Srinivasan,Sangjay:非高斯特性油藏模型中非线性相关动态数据的集合同化(2019)
  17. 马,Xiang;Bi,Linfeng:实用历史匹配应用的鲁棒自适应迭代集成平滑方案(2019)
  18. NG、Michael K.、朱、肇晨:空气质量预测数据同化的稀疏矩阵计算(2019)
  19. Nino Ruiz,Elias David:基于信赖域优化的非线性数据同化(2019)
  20. Paulaja,Sahani;Reich,塞巴斯蒂安:计算贝叶斯推断的离散梯度(2019)