参数化卡尔曼滤波器预测的边界条件提交
摘要：参数化卡尔曼滤波（PKF）是对卡尔曼滤波的一种近似方法，其中错误协方差通过协方差模型来近似。本文侧重于通过本地相关性的方差和异性参数化的协方差模型，并且该协方差模型的参数动态提供了完整错误协方差动力学的代理。针对这个协方差模型，我们旨在为有界域的PKF的预测指定边界条件，重点关注当物理动力学中预设了狄利克雷和诺依曼条件时。对于有界的一维域内的输运方程和异质扩散方程，提出了一个集合验证方法。这个集合验证方法需要指定自相关时间尺度，以生成边界扰动，从而导致预定的不确定性特征。数值模拟表明，PKF能够在适当的边界扰动的集合预报中复现诊断出的不确定性，显示了PKF在处理不确定性预测中处理边界的能力。结果表明，物理动力学中的狄利克雷条件意味着方差和异性的狄利克雷条件。代码可在https://github.com/opannekoucke/pkf-boundary上找到。
作者：M. Sabathier, O. Pannekoucke, V. Maget, and N. Dahmen
论文ID：2212.10921
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2023-06-16