[论文解读] Recursive Bayesian Filters for Data Assimilation

Xiaodong Luo|ArXiv.org|Nov 30, 2009

Meteorological Phenomena and Simulations参考文献 87被引用 8

一句话总结

本论文开发了先进的递归贝叶斯滤波器——具体为集合卡尔曼滤波器（EnKF）、无迹点卡尔曼滤波器（SPKF）和高斯混合滤波器（GSF），以解决非线性、非高斯及高维数据同化问题。论文提出了一种降秩SPKF和一种辅助算法，使GSF在显著降低计算成本的同时，性能可与基础滤波器相媲美，尤其在并行实现时效果更佳。

ABSTRACT

A thesis on some recursive Bayesian filters for data assimilation

研究动机与目标

• 解决动力系统中数据同化面临的非线性、非高斯性和高维性挑战。
• 开发非线性卡尔曼滤波器的计算高效变体，以提升高维系统中的可扩展性。
• 通过利用EnKF和降秩SPKF等基础滤波器，提升高斯混合滤波器（GSF）的性能。
• 通过一种辅助算法降低GSF的计算成本，实现在不损失精度的前提下并行实现。
• 证明经参数优化的GSF在非线性、非高斯系统中可优于其基础滤波器。

提出的方法

• 将集合卡尔曼滤波器（EnKF）和无迹点卡尔曼滤波器（SPKF）作为非线性系统中高斯混合滤波的基底滤波器。
• 提出降秩SPKF，通过将状态空间投影到低维子空间，降低高维系统中的计算成本。
• 应用无迹变换和缩放无迹变换，以更高阶精度近似非线性状态和观测转移。
• 采用斯特林插值和差分滤波作为无迹变换的替代近似方法，用于非线性滤波。
• 提出一种辅助算法，通过支持并行执行，在不损失精度的前提下降低GSF的计算成本。
• 通过使用多个并行的非线性卡尔曼滤波器实现GSF，每个滤波器作为高斯混合模型中的一类分量，以表示非高斯后验分布。

实验结果

研究问题

• RQ1 降秩SPKF是否能在保持估计精度的同时，有效降低高维非线性系统中的计算成本？
• RQ2 在非线性、非高斯系统中，高斯混合滤波器（GSF）的性能与基础滤波器（EnKF和SPKF）相比如何？
• RQ3 辅助算法在不降低估计性能的前提下，能在多大程度上降低GSF的计算成本？
• RQ4 参数调优（如膨胀因子、长度尺度）对基于EnKF和SPKF的GSF性能有何影响？
• RQ5 当在非线性、非高斯环境下进行适当参数化时，GSF是否能实现优于其基础滤波器的估计精度？

主要发现

• 配备辅助算法并实现并行化的降秩SPKF-基GSF，其计算速度几乎等同于降秩SPKF本身。
• 在合适参数下，GSF在非线性、非高斯系统中的估计精度始终优于其基础滤波器（EnKF和降秩SPKF）。
• SPKF中的无迹变换在均值和协方差估计中提供二阶精度，且在对称无迹点下，高阶项与真实变换一致。
• 辅助算法使GSF能够高效并行化，显著降低计算成本，同时保持估计保真度。
• 在40维Lorenz-Emanuel 98系统上的数值实验表明，经参数优化的GSF相比其基础滤波器具有更低的相对均方根误差（RMSE）。
• GSF通过在混合模型框架中结合多个非线性卡尔曼滤波器，展现出对非高斯后验分布的强大处理能力。