粒子卡尔曼滤波：集合卡尔曼滤波的非线性贝叶斯框架
摘要：基于状态概率分布函数的高斯混合表示，本文研究了最优非线性贝叶斯滤波器的近似方案。所得滤波器类似于粒子滤波器，但不同之处在于，粒子滤波器中的标准权重修正被配以带有相关协方差矩阵的卡尔曼类型修正。我们证明了这个滤波器是介于卡尔曼滤波器和粒子滤波器之间的算法，因此被称为粒子卡尔曼滤波器（PKF）。在PKF中，非线性滤波问题的解表示为在并行操作的“卡尔曼滤波器集合”中的加权平均。然而，运行一组卡尔曼滤波器在实际大气和海洋数据同化问题中是计算上禁止的。因此，我们考虑通过“卡尔曼滤波器集合（EnKF）”来构建PKF，并将其实现称为粒子EnKF（PEnKF）。我们证明了不同类型的EnKF可以看作是PEnKF的特例。与粒子滤波器类似，我们还引入了PEnKF的重采样步骤，以减少权重崩溃的风险并改善滤波器的性能。我们通过对强非线性Lorenz-96模型进行数值实验并进行讨论。
作者：Ibrahim Hoteit, Xiaodong Luo, and Dinh-Tuan Pham
论文ID：1108.0168
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2015-05-30