[论文解读] Multilevel ensemble Kalman filtering for spatially extended models

Alexey Chernov, Haakon Hoel+3 more|arXiv (Cornell University)|Aug 30, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 26被引用 9

一句话总结

本文提出了一种用于无限维状态空间的时空扩展模型的多级集成卡尔曼滤波器（MLEnKF），通过将多级蒙特卡洛（MLMC）采样与集成卡尔曼滤波器（EnKF）相结合，实现了更优的计算效率。该方法利用分层空间离散化，在给定计算成本下降低均方误差，证明了MLEnKF继承了MLMC的最优渐近成本-精度比例关系，同时在线性高斯设定下保持与滤波分布的一致性。

ABSTRACT

This work embeds a multilevel Monte Carlo (MLMC) sampling strategy into the Monte Carlo step of the ensemble Kalman filter (EnKF), thereby yielding a multilevel ensemble Kalman filter (MLEnKF) which has provably superior asymptotic cost to a given accuracy level. The development of MLEnKF for finite-dimensional state-spaces in the work [20] is here extended to models with infinite-dimensional state- spaces in the form of spatial fields. A concrete example is given to illustrate the results.

研究动机与目标

• 将多级集成卡尔曼滤波器（MLEnKF）从有限维扩展到无限维时空扩展模型。
• 降低高维空间场中集成卡尔曼滤波蒙特卡洛采样的计算成本。
• 证明所提出的MLEnKF实现与标准多级蒙特卡洛（MLMC）相同的最优渐近成本-精度比例关系。
• 证明MLEnKF的平均场极限分布在线性高斯设定下收敛至真实滤波分布。
• 提供一个具体示例，说明在时空扩展的随机偏微分方程（SPDE）背景下理论优势的实际体现。

提出的方法

• 将多级蒙特卡洛（MLMC）策略嵌入集成卡尔曼滤波器（EnKF）的蒙特卡洛步骤中，形成多级集成卡尔曼滤波器（MLEnKF）。
• 采用空间离散化层级，网格尺寸递减且计算成本递增，其中粗粒度层级提供低精度近似，细粒度层级进行精炼。
• 应用望远镜恒等式将感兴趣期望值分解为层级间的差异，降低方差并实现高效估计。
• 在每一层级使用基于集合的均值和协方差近似，利用独立同分布的集合估计滤波分布。
• 施加限制条件：极限协方差算子为迹类，以确保在无限维设定下的数学适定性。
• 利用希尔伯特空间的对称化与R型2性质，推导集合估计的浓度界，确保样本统计量的收敛性。

实验结果

研究问题

• RQ1 多级蒙特卡洛框架能否成功扩展至具有无限维状态空间的时空扩展模型？
• RQ2 所提出的MLEnKF在滤波问题中是否实现与标准MLMC相同的最优渐近成本-精度比例关系？
• RQ3 MLEnKF的平均场极限分布在线性高斯设定下的收敛行为如何？
• RQ4 在相同计算成本下，MLEnKF相比标准EnKF如何降低蒙特卡洛误差？
• RQ5 在时空扩展的随机偏微分方程（SPDE）背景下，确保MLEnKF稳定性和一致性的条件是什么？

主要发现

• MLEnKF实现与标准多级蒙特卡洛相同的最优渐近成本-精度比例关系，计算成本随均方误差ε的尺度为O(ε⁻²)，达到已知最佳速率。
• 在线性高斯情况下，MLEnKF的平均场极限分布收敛至真实滤波分布，确保一致性。
• 该方法在固定计算成本下降低蒙特卡洛误差，使得实现相同精度时可使用更小的集合规模，优于标准EnKF。
• 理论边界表明，在适当的矩条件满足下，基于集合的协方差和均值估计收敛速率为O(1/√M)，其中M为集合大小。
• 该框架适用于具有迹类协方差算子的SPDE，确保在无限维希尔伯特空间中的数学适定性。
• 一个具体示例展示了MLEnKF在时空扩展滤波问题中的实际优势，与标准EnKF相比显著降低了计算成本。