考虑模型误差的Tempered Ensemble Transform粒子滤波及其在非加性模型误差中的应用
最优化与控制
2019-01-11 v1 统计方法学
摘要
本文将Tempered (Localized) Ensemble Transform Particle Filter——T(L)ETPF——平凡地扩展以考虑模型误差。我们在一个低维和一个高维测试问题上检验了T(L)ETPF在非加性模型误差下的性能。前者是一个非线性玩具模型,其中不确定参数服从非高斯分布而模型误差服从高斯分布。后者是一个稳态单相Darcy流模型,其中不确定参数服从高斯分布而模型误差服从非高斯分布。Darcy流问题中模型误差的来源是不确定的边界条件。我们将T(L)ETPF与Regularized (Localized) Ensemble Kalman Filter——R(L)EnKF进行比较。我们表明T(L)ETPF在低维和高维问题上均优于R(L)EnKF。即便TLETPF的集成规模为100而R(L)EnKF的集成规模大于6000时,这一结论仍成立。作为附注,我们表明TLETPF比TETPF迭代次数更少,从而降低了计算成本;而RLEnKF比REnKF迭代次数更多,从而增加了计算成本。这是由于局部化对tempering和regularizing参数的影响所致。
引用
@article{arxiv.1901.03144,
title = {Accounting for model error in Tempered Ensemble Transform Particle Filter and its application to non-additive model error},
author = {Svetlana Dubinkina and Sangeetika Ruchi},
journal= {arXiv preprint arXiv:1901.03144},
year = {2019}
}