[论文解读] An Explicit Probabilistic Derivation of Inflation in a Scalar Ensemble Kalman Filter for Finite Step, Finite Ensemble Convergence

Andrey A. Popov, Adrian Sandu|arXiv (Cornell University)|Mar 29, 2020

Meteorological Phenomena and Simulations参考文献 19被引用 10

一句话总结

本文对标量集合卡尔曼滤波（SPEnKF）中的方差膨胀与均值校正给出了概率推导，表明这些修正对于实现有限集合、有限步长下向真实卡尔曼滤波的收敛是必要的。研究证明，在最优膨胀条件下，SPEnKF 的期望均值与方差估计可在有限时间与有限集合大小下精确匹配卡尔曼滤波的结果，从而为启发式膨胀方法提供了一种有理论依据的替代方案。

ABSTRACT

This paper uses a probabilistic approach to analyze the converge of an ensemble Kalman filter solution to an exact Kalman filter solution in the simplest possible setting, the scalar case, as it allows us to build upon a rich literature of scalar probability distributions and non-elementary functions. To this end we introduce the bare-bones Scalar Pedagogical Ensemble Kalman Filter (SPEnKF). We show that in the asymptotic case of ensemble size, the expected value of both the analysis mean and variance estimate of the SPEnKF converges to that of the true Kalman filter, and that the variances of both tend towards zero, at each time moment. We also show that the ensemble converges in probability in the complementary case, when the ensemble is finite, and time is taken to infinity. Moreover, we show that in the finite-ensemble, finite-time case, variance inflation and mean correction can be leveraged to coerce the SPEnKF converge to its scalar Kalman filter counterpart. We then apply this framework to analyze perturbed observations and explain why perturbed observations ensemble Kalman filters underperform their deterministic counterparts.

研究动机与目标

• 严格分析在有限集合、有限步长情形下集合卡尔曼滤波的收敛性，此前的研究仅关注渐近极限。
• 将方差膨胀与均值校正明确推导为最优校正项而非启发式方法，确保 SPEnKF 估计与真实卡尔曼滤波完全一致。
• 解释为何带观测扰动的EnKF在有限集合中表现较差，因其引入了额外的方差。
• 建立有限集合SPEnKF随时间在概率上收敛至卡尔曼滤波的理论，且不依赖于模型动力学。
• 为将最优膨胀与局部化方法推广至多变量系统奠定基础。

提出的方法

• 引入标量教学型集合卡尔曼滤波（SPEnKF），一种适用于标量系统的最小化、可解析处理的EnKF变体。
• 使用非初等函数与已知的标量分布，推导SPEnKF均值与方差估计的精确概率分布。
• 采用矩法与最大熵原理，将集合统计量与真实卡尔曼滤波的矩建立联系。
• 推导出顺序的、逐步的方差膨胀与均值校正因子，使SPEnKF的期望值精确匹配卡尔曼滤波的均值与方差。
• 将该框架应用于分析带观测扰动的EnKF，表明其引入了与观测误差方差平方成正比的额外方差项。
• 通过模型基变换与Schur-乘积局部化方法，将结果推广至多变量情形，表明其可减少对过采样集合的需求。

实验结果

研究问题

• RQ1 能否显式推导出EnKF中方差膨胀作为实现有限集合、有限步长收敛的必要校正？
• RQ2 使SPEnKF在有限时间与有限集合大小下精确收敛至真实卡尔曼滤波的精确顺序膨胀与均值校正因子是什么？
• RQ3 为何在有限集合设置下，带观测扰动的EnKF相较于确定性EnKF表现较差？
• RQ4 在不依赖渐近集合大小的前提下，有限集合SPEnKF是否能在时间上以概率收敛至卡尔曼滤波？
• RQ5 能否通过该框架有理论依据地证明，Schur-乘积等局部化技术可减少对过采样集合的需求？

主要发现

• 在集合大小趋于无穷的极限下，SPEnKF的期望均值与方差估计精确收敛至标量卡尔曼滤波的结果，且两者方差均趋于零。
• 在有限集合与有限时间条件下，最优顺序方差膨胀与均值校正因子可确保SPEnKF的期望均值与方差与卡尔曼滤波完全一致。
• 有限集合SPEnKF在时间上以概率收敛至卡尔曼滤波，且不依赖于模型动力学，建立了弱收敛性。
• 带观测扰动的EnKF引入了与观测误差方差平方成正比的额外方差项，解释了其在有限集合中表现次优的原因。
• 在多变量情形下，Schur-乘积局部化可减少对过采样集合的需求，表明其在稳定估计方面的作用与方差膨胀类似。
• 该框架为方差膨胀提供了有理论依据的概率基础，表明其并非启发式方法，而是实现有限集合、有限步长估计的必要校正。