修订随机迭代集合平滑器
摘要：集成随机最大似然（EnRML）是一种用于大型和非线性反问题的迭代（随机）集成平滑器，例如历史匹配和数据同化。当前的公式过于复杂，存在计算成本、噪声和协方差定位等问题，甚至导致一些从业者忽略重要的先验信息。本文解决了这些困难，并简化了算法，但其输出结果未改变。通过对线性化和子空间的仔细处理，实现了这些简化。例如，本文展示了（a）集成线性化与平均灵敏度之间的关系，以及（b）在更新过程中集成不会丢失秩。本文还在（确定性的）迭代集成卡尔曼平滑器（IEnKS）的理论基础上进行了重要的参考。使用洛伦兹-96模型对这两种平滑器进行了比较基准，并使用多数据同化的集成平滑器（ES-MDA）进行了测试。
作者：Patrick N. Raanes, Geir Evensen, Andreas S. Stordal
论文ID：1901.06570
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2019-09-12