降阶可自动微分集成卡尔曼滤波器
机器学习
2023-01-31 v1 机器学习
动力系统
统计计算
摘要
本文介绍一种计算框架，用于重建并预报根据未知或模拟代价高昂的动力学系统演化的部分观测状态。我们的降阶可自动微分集成卡尔曼滤波器（ROAD-EnKFs）学习动力学的一个潜在低维代理模型以及从潜空间映射到状态空间的解码器。学习到的动力学与解码器随后在集成卡尔曼滤波器内用于重建并预报状态。数值实验表明，若状态动力学表现出隐藏的低维结构，ROAD-EnKFs 以更低计算成本实现比现有方法更高的精度。若此类结构未体现在潜在状态动力学中，ROAD-EnKFs 以更低成本达到相似精度，使其成为代理状态重建与预报的一种有前景的方法。
引用
@article{arxiv.2301.11961,
title = {Reduced-Order Autodifferentiable Ensemble Kalman Filters},
author = {Yuming Chen and Daniel Sanz-Alonso and Rebecca Willett},
journal= {arXiv preprint arXiv:2301.11961},
year = {2023}
}