[论文解读] Interacting particle filters for simultaneous state and parameter estimation

David Angwenyi, Jana de Wiljes+1 more|arXiv (Cornell University)|Sep 26, 2017

Target Tracking and Data Fusion in Sensor Networks参考文献 6被引用 3

一句话总结

该论文提出了一种混合交互粒子滤波器，结合了连续时间状态估计的集合卡尔曼-布奇滤波器（EnKBF）与高维随机动力系统中间歇性参数更新的扩展集合变换粒子滤波器（ETPF）。该方法通过利用状态条件分布的近高斯性与参数的非高斯性，高效地实现了联合状态-参数估计，通过并行化滤波与自适应重采样，在计算开销极小的情况下准确恢复了随机波动方程中的未知波速。

ABSTRACT

Simultaneous state and parameter estimation arises from various applicational areas but presents a major computational challenge. Most available Markov chain or sequential Monte Carlo techniques are applicable to relatively low dimensional problems only. Alternative methods, such as the ensemble Kalman filter or other ensemble transform filters have, on the other hand, been successfully applied to high dimensional state estimation problems. In this paper, we propose an extension of these techniques to high dimensional state space models which depend on a few unknown parameters. More specifically, we combine the ensemble Kalman-Bucy filter for the continuous-time filtering problem with a generalized ensemble transform particle filter for intermittent parameter updates. We demonstrate the performance of this two stage update filter for a wave equation with unknown wave velocity parameter.

研究动机与目标

• 解决高维、非线性随机动力系统中同时进行状态与参数估计的计算挑战。
• 克服标准粒子滤波器与集合卡尔曼滤波器在处理非高斯参数分布时的局限性，同时在高维状态空间中保持效率。
• 开发一种可扩展、可并行化的滤波框架，通过使用不同的粒子滤波策略分离状态与参数更新。
• 实现在状态分布近似高斯但参数后验分布为非高斯的系统中对未知参数的准确估计。

提出的方法

• 该方法采用两阶段滤波策略：对连续状态更新使用集合卡尔曼-布奇滤波器（EnKBF），对离散、间歇性参数更新使用扩展集合变换粒子滤波器（ETPF）。
• EnKBF在固定参数值条件下应用于每个集合成员，利用反馈粒子流动力学实现高效、并行化的状态估计。
• 当有效样本量降至阈值以下时，使用ETPF更新参数集合，以确保在非高斯参数后验分布中保持多样性与准确性。
• 通过求解Wasserstein中位数问题，将不同参数实现下的状态集合对齐，保留跨集合的相关性。
• 采用混合假设来近似联合条件密度，通过解耦状态与参数动力学，避免在高维空间中进行完整的联合滤波。
• 该方法支持局部化与集合膨胀技术，以提升在空间扩展系统中的性能。

实验结果

研究问题

• RQ1 结合EnKBF与ETPF的混合粒子滤波器是否能在仅有少量未知参数的高维随机PDE中实现准确的联合状态-参数估计？
• RQ2 当参数分布为非高斯时，所提出方法的性能与直接使用EnKBF方法相比如何？
• RQ3 使用Wasserstein中位数在多大程度上改善了不同参数实现下状态集合之间的相关性？
• RQ4 该方法在如随机波动方程等非线性、高维系统的长时间模拟中是否能保持准确性和稳定性？
• RQ5 基于ETPF的参数更新计算成本相对于标准重采样如何？是否可通过高效求解器（如Sinkhorn算法）降低该成本？

主要发现

• 所提出的混合滤波器在随机波动方程中成功估计了真实的波速参数，在较短同化窗口内收敛至正确值。
• 当参数后验分布为非高斯时，该方法在状态与参数估计上均优于直接使用EnKBF的方法，因为ETPF能更好地捕捉真实的参数分布。
• 使用Wasserstein中位数对状态集合进行对齐，有效维持了状态与参数集合之间的相关性，而无需频繁重组。
• 该算法在100个空间点离散化下运行400个时间步，表现出鲁棒性与稳定性，实现了准确的状态与参数跟踪。
• 基于ETPF的参数更新计算成本高于标准重采样，但依然可行，尤其在采用如Sinkhorn算法等高效实现时。
• 通过解耦状态与参数更新，该方法实现了可扩展、可并行化的滤波，适用于仅有少量未知参数的高维系统。