×
沃尔特·阿塞维多;贾纳·德威尔杰斯;塞巴斯蒂安·雷奇

二阶精确集合变换粒子滤波器。 （英语） Zbl 1373.65001号

SIAM J.科学。计算。 39，编号5，A1834-A1850（2017）.
摘要：粒子滤波器（也称为序贯蒙特卡罗方法）广泛用于非线性演化方程中的状态和参数估计问题。最近提出的集合变换粒子滤波器（ETPF）[S.Reich公司，SIAM J.科学。计算。35，第4期，A2013–A2024（2013；Zbl 1362.65007号)]将标准粒子滤波器的重采样步骤替换为线性变换，该变换允许粒子滤波器与集合卡尔曼滤波器的混合，并使得到的混合滤波器适用于空间扩展系统。然而，线性变换步骤的计算成本很高，并且对于较小和中等规模的集合，会导致对集合传播的低估。在这里，我们通过开发ETPF的二阶精确扩展来解决这两个缺点。这些扩展特别允许人们用Sinkhorn近似代替线性传输问题的精确解。我们还证明了非线性集合变换滤波器是我们一般框架的特例。我们说明了混沌Lorenz-63和Lorenz-96模型以及动态场景观察模型的二阶精确滤波器的性能。Lorenz-63和Lorenz-96模型的数值结果表明，与标准集合卡尔曼滤波器和ETPF相比，对于中小规模的集合，可以实现显著的精度改进。另一方面，视景模型的数值结果表明，二阶修正可能导致后验参数分布的样本在统计上不一致。

引用于6文件

MSC公司：

65二氧化碳 蒙特卡罗方法
2015年1月62日 贝叶斯推断
62M20型 随机过程推断和预测
65C60个 统计中的计算问题（MSC2010）

关键词：

贝叶斯推断;数据同化;粒子过滤器;集合卡尔曼滤波;下沉近似;序贯蒙特卡罗方法;参数估计;非线性演化方程;线性运输问题;数值结果

引文：

Zbl 1362.65007号

软件：

合卡尔曼滤波
PDF格式BibTeX公司 XML格式引用
\textit{W.Acevedo}等人，SIAM J.Sci。计算。39，第5号，A1834--A1850（2017；Zbl 1373.65001）
全文： 内政部 arXiv公司

参考文献：

[1] J.L.Anderson，{数据同化的非高斯集合滤波器更新}，《月度天气评论》，138（2010），第4186-4198页。
[2] T.Bengtsson、P.Bickel和B.Li，《重新审视维度的诅咒：超大规模系统中粒子滤波器的崩溃》，《概率与统计：纪念大卫·F·弗里德曼的论文》，第2卷，国际监测系统讲稿Monogr。序列号。，加利福尼亚州海沃德数学科学研究所，2008年，第316-334页·Zbl 1166.93376号
[3] J.Broöcker，{用连续排列的概率分数评估原始信号群}，Q.J.R.Meteor。Soc.，138（2012），第1611-1617页。
[4] R.S.Bucy和P.D.Joseph，《随机过程的过滤及其指导应用》，第二版，AMS，普罗维登斯，RI，1987年·兹标0174.21903
[5] Y.Chen和S.Reich，{将数据同化为科学模型：最佳耦合视角}，《应用动力系统的前沿：评论和教程》，第2卷，Springer-Verlag，纽约，2015年，第75-118页·Zbl 1330.62004号
[6] N.Chustagulprom、S.Reich和M.Reinhardt，《非线性和空间扩展动力系统的混合集成变换滤波器》，SIAM/ASA J.《不确定性量化》，4（2016），第592-608页·Zbl 1343.65009号
[7] M.Cuturi，《下沉距离：最佳传输的光速计算》，收录于NIPS 2013，神经信息处理。序列号。，麻省理工学院出版社，马萨诸塞州剑桥，2013年。
[8] A.Doucet，N.de Freitas和N.Gordon，eds.，{实践中的序贯蒙特卡罗方法}，Springer-Verlag，柏林，2001年·Zbl 0967.00022号
[9] R.Engbert、H.A.Trukenbrod、S.Barthemeí和F.A.Wichmann，《场景观看中的空间统计和注意力动力学》，J.Vision，15（2015）。
[10] G.Evensen，{it数据同化。集合卡尔曼滤波器}，Springer-Verlag，纽约，2006年·Zbl 1157.86001号
[11] M.Frei和H.R.Kuönsch，《架起集成卡尔曼和粒子滤波器的桥梁》，《生物统计学》，100（2013），第781-800页·Zbl 1279.62199号
[12] G.Freiling、V.Mehrmann和H.Xu，{拉格朗日不变子空间的存在性、唯一性和参数化}，SIAM J.矩阵分析。申请。，23（2002），第1045-1069页·Zbl 1029.65044号
[13] B.R.Hunt、E.J.Kostelich和I.Szunyogh，时空混沌的有效数据同化：局部集成变换卡尔曼滤波器，Phys。D、 230（2007年），第112-137页·兹比尔1115.62030
[14] A.Laub，{求解代数Riccati方程的Schur方法}，IEEE Trans。自动化。《控制》，24（1979），第913-921页·Zbl 0424.65013号
[15] K.Law、A.Stuart和K.Zygalakis，《数据同化：数学导论》，Springer-Verlag，纽约，2015年·Zbl 1353.60002号
[16] J.Lei和P.Bickel，{非线性和非高斯数据同化的矩匹配集合滤波器}，《月度天气评论》，139（2011），第3964-3973页。
[17] E.N.Lorenz，《确定性非周期流》，J.Atmos。科学。，20（1963年），第130-141页·Zbl 1417.37129号
[18] E.N.Lorenz，《预测性：部分解决的问题》，载于《预测性研讨会论文集》，第1卷，ECMWF，雷丁，伯克希尔，英国，1996年，第1-18页。
[19] S.Metref、E.Cosme、C.Snyder和P.Brasseur，{使用秩直方图进行集合数据同化的非高斯分析方案}，《非线性过程地球物理》。，21（2013），第869-885页。
[20] I.Olkin和F.Pukelsheim，{给定离散矩阵的两个随机向量之间的距离}，线性代数应用。，48（1982），第257-263页·Zbl 0527.60015号
[21] S.Reich，{贝叶斯推理的非参数集合变换方法}，SIAM J.Sci。计算。，35（2013年），第A2013-A2024页·Zbl 1362.65007号
[22] S.Reich和C.J.Cotter，{概率预测和贝叶斯数据同化}，剑桥大学出版社，英国剑桥，2015年·Zbl 1314.62005年
[23] H.Schu¨tt、L.Rothkegel、H.A.Trukenbrod、S.Reich、F.A.Wichmann和R.Engbert，《基于似然法的参数估计和动态认知模型的比较》，《心理学评论》，124（2017），第505-524页。
[24] A.S.Stordal、H.A.Karlsen、G.N\aevdal、H.J.Skaug和B.ValleíS，《架桥集成卡尔曼滤波器和粒子滤波器：自适应高斯混合滤波器}》，计算。地质科学。，15（2011年），第293-305页·Zbl 1213.62151号
[25] J.Toödter和B.Ahrens，{非线性数据同化的二阶精确集合平方根滤波器}，《月度天气评论》，143（2015），第1347-1367页。
[26] P.J.Van Leeuwen，{高维系统的非线性数据同化}，《应用动力系统的前沿：评论和教程》，第2卷，Springer-Verlag，纽约，2015年，第1-73页·兹比尔1330.62004
[27] W.M.Wonham，《关于随机控制的矩阵Riccati方程》，SIAM J.control，6（1968），第681-697页·Zbl 0182.20803号
[28] X.Xiong，I.M.Navon和B.Uzungoglu，{关于后验高斯重采样粒子滤波器的注释}，Tellus，85A（2006），第456-460页。
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。