集合卡尔曼反演的基本子空间
数值分析
2025-05-26 v2 数值分析
摘要
集合卡尔曼反演(EKI)方法是一类用于求解加权最小二乘问题的迭代方法，这些问题通常出现在科学和工程反问题中，即通过最小化数据失配的加权范数，从观测数据估计未知参数或状态。EKI的实现仅需评估将未知量映射到数据的前向模型，而不需要前向模型的导数或伴随。因此，对于计算导数或伴随不可行的问题，EKI提供了一种替代基于梯度的优化方法的可行方案。本文针对线性观测算子，分析了基本EKI的确定性和随机版本的收敛行为，并利用类似于线性代数中Strang基本子空间的“基本子空间”概念，对EKI的收敛特性进行了自然解释。我们直接分析离散EKI迭代，而不是先前工作中考虑的连续时间极限，并提供了定义六个基本子空间的谱分解，这些子空间跨越了观测空间和状态空间。该方法验证了连续时间极限下已有的收敛速率结果，并针对标准加权最小二乘解，给出了描述确定性和随机EKI收敛行为的新结果。数值实验验证了我们的理论结果。
关键词
引用
@article{arxiv.2409.08862,
title = {The Fundamental Subspaces of Ensemble Kalman Inversion},
author = {Elizabeth Qian and Christopher Beattie},
journal= {arXiv preprint arXiv:2409.08862},
year = {2025}
}