使用在线期望最大化算法在粒子和集合卡尔曼滤波器中估计模型误差协方差
摘要：基于集合的数据同化技术在从部分观测中估计动态系统状态时的性能，关键取决于模型动力学和观测的预定不确定性。这些通常是未知的，需要推断。许多方法已经被提出来应对这个问题，包括完全贝叶斯、极大似然和基于创新的技术。本文重点研究通过期望最大化（EM）算法最大化似然函数来推断模型误差协方差，结合基于集合的卡尔曼滤波器和粒子滤波器来估计状态。经典的EM算法在数据同化中的应用涉及固定批次观测的滤波和平滑，以完成单次迭代。这在高维应用中使用顺序滤波时是不便的。出于这个原因，提出了一种适应算法，可以实时处理观测并更新参数，并进行了一些基本简化。所提出的技术在Lorenz-63和40变量Lorenz-96动力系统的实验中进行了评估，并取得了良好的性能，在数据同化中常见的非线性、混沌性和模型错误拟合等情景下表现出良好的性能。
作者：Tadeo Javier Cocucci, Manuel Pulido, Magdalena Lucini and Pierre Tandeo
论文ID：2003.02109
分类：Computation
分类简称：stat.CO
提交时间：2021-02-24