贾纳·德威尔杰斯;童欣。 具有完整和准确观测的局部非线性集合卡尔曼-布西滤波器分析。 （英语） 兹比尔1458.62212 非线性 33，第9号，4752-4782（2020）. 摘要：并行观测技术使高精度实时数据大量可用。数据同化（DA）涉及如何将这些数据与物理模型相结合，以产生准确的预测。对于时空模型，具有适当定位技术的集合卡尔曼滤波器被认为是最先进的DA方法。针对具有短程相互作用的非线性模型，提出并研究了一种局部化集合卡尔曼-布西滤波器。我们推导了维相关误差界和分量相关误差界，并表明长时间路径误差仅对时间范围具有对数依赖性。通过简单的数值试验验证了理论结果。 引用于6文件 MSC公司： 62M20型 随机过程推断和预测 2015年1月62日 贝叶斯推断 62升10 序列统计分析 62兰特 大数据和数据科学的统计方面 93E11号机组 随机控制理论中的滤波 关键词：集合卡尔曼-布基滤波器;数据同化;误差估计 软件：合卡尔曼滤波 PDF格式BibTeX公司 XML格式引用 \textit{J.de Wiljes}和\textit{X.T.Tong}，非线性33，No.9，4752-4782（2020；Zbl 1458.62212） 全文： 内政部 arXiv公司 参考文献： [1] Amezcua J、Kalnay E、Ide K和Reich S 2014 Ensemble变换Kalman-Bucy滤波器Q.J.R.Meteorol。社会140 995-1004·doi:10.1002/qj.2186 [2] Bergemann K和Reich S 2012用于连续数据同化Meteorol的集合Kalman-Bucy滤波器。字.21 213-9·doi:10.1127/0941-2948/2012/0307 [3] Bickel P J和Levina E 2008大型协方差矩阵的正则化估计Ann.Stat.36 199-227·Zbl 1132.62040号 ·doi:10.1214/009053607000000758 [4] Bishop A N和Del Moral P 2017关于Kalman-Bucy扩散的稳定性SIAM J.Control Optim.55 4015-47·Zbl 1390.60151号 ·数字对象标识代码：10.1137/16m1102707 [5] de Wiljes J、Reich S和Stannat W 2018针对完全观测过程和小测量噪声SIAM J.Appl的集合Kalman-Bucy滤波器的长期稳定性和准确性。动态。系统17 1152-81·Zbl 1391.93265号 ·数字对象标识代码：10.1137/17m1119056 [6] Del Moral P和Tugaut J 2018关于系综Kalman Bucy滤波器混沌特性的稳定性和均匀传播Ann.Appl。大约28 790-850·Zbl 1391.60082号 ·doi:10.1214/17-aap1317 [7] Evensen G 2006数据同化：集合卡尔曼滤波器（柏林：施普林格）·Zbl 1157.86001号 [8] Le Gland F、Monbet V和Tran V-D 2009集合卡尔曼滤波器的大样本渐近性INRIA研究报告RR-7014 INRIA-00409060·Zbl 1225.93108号 [9] Gaspari G和Cohn S E 1999二维和三维相关函数的构建Q.J.R.Meteorol。Soc.125 723-57号·doi:10.1002/qj.49712555417 [10] Hoel H和Kody J H 2016 Law，以及Raul Tempone。多级集合卡尔曼滤波SIAM J.Numer。分析54 1813-39·Zbl 1401.65008号 ·数字对象标识码：10.1137/15m100955x [11] Hoel H、Shaimerdenova G和Tempone R 2020具有本地卡尔曼增益的多级集合卡尔曼滤波（arXiv:2002.00480） [12] Jazwinski A H 1970随机过程和过滤理论（纽约：学术）·Zbl 0203.50101号 [13] 卡尔曼R E 1960线性滤波和预测问题的新方法。ASME82 35-45标准·doi:10.115/1.3662552 [14] Kalnay E 2002大气建模、数据同化和可预测性（剑桥：剑桥大学出版社）·doi:10.1017/CBO9780511802270 [15] Kelly D、Majda A J和Tong X T 2015混凝土集合卡尔曼滤波器，具有严格的灾难性滤波器发散程序。美国国家科学院。科学。美国112 10589-94·doi:10.1073/pnas.1511063112 [16] Kelly D T、Law K J H和Stuart A 2014离散和连续时间集合卡尔曼滤波器的良好性和准确性非线性27 2579-604·Zbl 1305.62323号 ·doi:10.1088/0951-7715/27/10/2579 [17] Evan K和Mandel J 2015平方根集合卡尔曼滤波器在大集合极限SIAM/ASA J.不确定性中的收敛性。量化3 1-17·Zbl 1329.60083号 ·数字对象标识代码：10.1137/140965363 [18] Lange T和Stannat W 2019关于集合平方根滤波器的连续时限（arXiv:1910.12493） [19] Law K J H、Tembine H和Tempone R 2016确定性平均场集合卡尔曼滤波SIAM J.Sci。计算38 A1251-79·Zbl 1351.60047号 ·doi:10.137/140984415 [20] Lorenz E N 1996可预测性：部分解决了程序。预测性研讨会第1卷（阅读：ECMWF）1-18 [21] Majda A和Tong X T 2018大尺寸Commun集合卡尔曼滤波器的性能。纯应用程序。数学71 892-937·Zbl 1390.93799号 ·doi:10.1002/cpa.21722 [22] Mandel J、Cobb L和Beezley J D 2011关于集合卡尔曼滤波器应用的收敛性。数学56 533-41·Zbl 1248.62164号 ·doi:10.1007/s10492-011-0031-2 [23] Morzfeld M、Tong X T和Marzouk Y M 2019 MCMC本地化：用局部结构抽样高维后验分布J.Compute。物理310 1-28·Zbl 1451.65011号 ·doi:10.1016/j.jcp.2018.12.008 [24] Oliver D、Reynolds A和Liu N，2008《油藏描述和历史拟合反演理论》（剑桥：剑桥大学出版社）·doi:10.1017/CBO9780511535642 [25] Reich S 2013贝叶斯推断的非参数集合变换方法SIAM J.Sci。计算35 A2013-24·Zbl 1362.65007号 ·数字对象标识代码：10.1137/130907367 [26] Reich S和Cotter C J 2015概率预测和贝叶斯数据同化（剑桥：剑桥大学出版社）·Zbl 1314.62005年 ·doi:10.1017/CBO9781107706804 [27] Simo S 2013贝叶斯滤波与平滑（剑桥：剑桥大学出版社）·Zbl 1274.62021号 [28] Tong X T 2018局部集合卡尔曼滤波器性能分析J.非线性科学28 1397-442·Zbl 1394.60038号 ·doi:10.1007/s00332-018-9453-2 [29] Tong X T、Majda A J和Kelly D 2016基于集合的卡尔曼滤波器的非线性稳定性和遍历性非线性29 657·Zbl 1334.60060号 ·doi:10.1088/0951-7715/29/2/657 [30] Tong X T、Morzfeld M和Marzouk Y M 2020 MALA-采用吉布斯采样器，用于具有稀疏条件结构的高维分布SIAM J.Sci。计算。接受（arXiv:1908.09429）·Zbl 1444.62073号 [31] Yang T、Mehta P G和Meyn S P 2013反馈粒子滤波器IEEE Trans。自动。控制58 2465-80·Zbl 1369.93662号 ·doi:10.10109/tac.2013.2258825 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。