Data assimilation for models with parametric uncertainty
Data assimilation for models with parametric uncertainty
复制标题
具有参数不确定性的模型的数据同化
DOI：
10.1016/j.jcp.2019.07.020
复制
发表时间：
2019-07
影响因子：
4.1
通讯作者：
Peng Wang
中科院分区：
文献类型：
--
作者：
Lun Yang;Yi Qin;Akil Narayan;Peng Wang
众所周知，在给定近似仿真模型、参数不确定性以及有限和噪声数据的情况下，对复杂系统的行为进行建模是非常困难的。为了解决这样的困难和利用信息从模型预测和观察，我们提出了一种新的粒子滤波框架与广义多项式混沌（gPC）方法。通过构建一个感兴趣的系统状态的gPC扩展，我们的框架提供了一个系统同化过程，更新gPC系数时，系统的观测是可用的，其前向模型是由随机Galerkin方法定义的。通过这种方式，人们不仅可以估计特定实现的系统状态，还可以估计其统计矩，甚至概率密度函数。通过四个数值算例证明了该方法的有效性。
Modeling the behavior of complex systems is notoriously difficult given approximate simulation models, parametric uncertainty, and limited and noisy data. To address such difficulty and harness information from both model forecast and observation, we propose a novel particle filter framework with the generalized polynomial chaos (gPC) method. By constructing a gPC expansion for the system state of interest, our framework delivers a system assimilation procedure that updates gPC coefficients when observations of the system are available, and whose forward model is defined by the stochastic Galerkin method. In this way, one can not only estimate the system state for specific realizations but also its statistical moments, and even the probability density function. The effectiveness of the proposed scheme is demonstrated through four numerical examples.
登录
查看更多内容
影响因子：
2.9
作者：
D. Xiu;G. Karniadakis
通讯作者：
D. Xiu;G. Karniadakis
影响因子：
14.2
作者：
C. Schwab;C. J. Gittelson
通讯作者：
C. Schwab;C. J. Gittelson
非结构化多元网格上的随机搭配
DOI：
10.4208/cicp.020215.070515a
发表时间：
2015-01
期刊：
Commun. Comput. Phys.
影响因子：
--
作者：
A. Narayan;T. Zhou
通讯作者：
T. Zhou
DOI：
10.1109/9780470544334.ch9
发表时间：
2001
期刊：
Comput. Electron. Agric.
影响因子：
--
作者：
T. Başar
通讯作者：
T. Başar
DOI：
10.1016/s0076-5392(09)x6022-4
发表时间：
1970-03
期刊：
--
影响因子：
--
作者：
A. Jazwinski
通讯作者：
A. Jazwinski