基于拟蒙特卡洛传输的混合加权集成卡尔曼滤波
统计方法学
2026-01-28 v1 数值分析
数值分析
摘要
自助粒子滤波（BPF）和集成卡尔曼滤波（EnKF）是两种广泛使用的序列贝叶斯滤波方法：BPF 是渐近精确的，但可能遭受权重退化问题；而 EnKF 在高维情况下扩展性好，但仅在线性高斯情形下是精确的。我们通过保留 EnKF 的传输步骤并添加一个有原则的重要性采样校正，将这两种方法结合起来。我们的第一个贡献是针对混合目标和提议分布的一般重要性采样理论，包括基于个体和基于混合的估计量之间的方差比较。然后，我们将随机 EnKF 分析解释为从通过条件化当前或先前集成获得的显式高斯混合提议分布中进行采样，这导出了六种自归一化 IS-EnKF 方案。我们将这些更新嵌入到更广泛的基于集成的滤波器类中，并证明了相合性和误差界，包括权重方差比较以及确保重要性权重具有有限方差的充分条件。作为第二个贡献，我们为预测和分析中出现的高斯混合分布构造了传输拟蒙特卡洛（TQMC）点集，从而产生了 TQMC 增强变体，可以在不改变滤波流程的情况下显著减少采样误差。在基准模型上的数值实验比较了所提出的混合加权和 TQMC 增强滤波器，结果显示相对于 BPF、EnKF 和标准加权 EnKF，滤波精度有所提高，并且加权方案消除了通常由分析-目标不匹配引起的 EnKF 误差平台。
引用
@article{arxiv.2601.18992,
title = {Mixture-Weighted Ensemble Kalman Filter with Quasi-Monte Carlo Transport},
author = {Ilja Klebanov and Claudia Schillings and Dana Wrischnig},
journal= {arXiv preprint arXiv:2601.18992},
year = {2026}
}