State and Parameter Estimation from Observed Signal Increments.
State and Parameter Estimation from Observed Signal Increments.
复制标题
DOI：
10.3390/e21050505
复制
发表时间：
2019-05-17
期刊：
影响因子：
--
通讯作者：
Rozdeba PJ
中科院分区：
文献类型：
--
作者：
Nüsken N;Reich S;Rozdeba PJ
集合卡尔曼滤波器的成功引发了人们对扩展其范围超出经典状态估计问题的浓厚兴趣。在本文中，我们专注于连续时间数据同化的模型和测量误差相关的状态和参数需要确定。这种情况下产生的噪声和部分观测拉格朗日粒子下移动的随机速度场，涉及未知参数。我们采取适当的类的McKean-Vlasov方程作为出发点，推导出集成卡尔曼-布西滤波算法的组合状态和参数估计。我们通过一系列日益复杂的多尺度模型系统来展示它们的性能。
The success of the ensemble Kalman filter has triggered a strong interest in expanding its scope beyond classical state estimation problems. In this paper, we focus on continuous-time data assimilation where the model and measurement errors are correlated and both states and parameters need to be identified. Such scenarios arise from noisy and partial observations of Lagrangian particles which move under a stochastic velocity field involving unknown parameters. We take an appropriate class of McKean–Vlasov equations as the starting point to derive ensemble Kalman–Bucy filter algorithms for combined state and parameter estimation. We demonstrate their performance through a series of increasingly complex multi-scale model systems.
登录
查看更多内容
影响因子：
5.4
作者：
Saha, Saikat;Gustafsson, Fredrik
通讯作者：
Gustafsson, Fredrik
影响因子：
4
作者：
Apte, A.;Hairer, M.;Voss, J.
通讯作者：
Voss, J.
影响因子：
14.2
作者：
Reich, Sebastian
通讯作者：
Reich, Sebastian
DOI：
10.1111/j.1600-0870.2007.00295.x
发表时间：
2008-03-01
影响因子：
2
作者：
Apte, A.;Jones, C. K. R. T.;Stuart, A. M.
通讯作者：
Stuart, A. M.
影响因子：
3.2
作者：
Berry, Tyrus;Sauer, Timothy
通讯作者：
Sauer, Timothy