利用集合卡尔曼滤波器的状态与动力学在线学习
机器学习
2020-10-06 v2 机器学习
混沌动力学
大气与海洋物理
数据分析、统计与概率
摘要
作为代理模型对被观测物理系统动力学的重建，因机器学习的最新进展而受到关注。为应对此过程中部分且含噪的观测，可在贝叶斯数据同化框架内使用代理模型的机器学习表示。然而，这些方法需要考虑旨在被一同同化的长时序观测数据。本文研究在线学习动力学与状态的可能性，即随时更新其估计，特别是在获取新观测时。该估计基于集合卡尔曼滤波器（EnKF）系列算法，对代理模型采用相当简单的表示并进行状态增广。我们考虑通过（i）全局 EnKF、（ii）局部 EnKF 与（iii）迭代 EnKF 在线学习动力学所涉及的涵义，并讨论各种情况下的若干问题与算法解。随后我们利用一维、单尺度与双尺度混沌 Lorenz 模型数值展示了这些方法的效率并评估了其精度。
引用
@article{arxiv.2006.03859,
title = {Online learning of both state and dynamics using ensemble Kalman filters},
author = {Marc Bocquet and Alban Farchi and Quentin Malartic},
journal= {arXiv preprint arXiv:2006.03859},
year = {2020}
}
备注
26 pages, 7 figures