Bridging the ensemble Kalman and particle filters
连接集合卡尔曼滤波与粒子滤波AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用非线性滤波，未明确宏观时间序列或金融场景，暂不归入所列领域细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
连接集合卡尔曼滤波与粒子滤波
- 研究问题
- 在传播步骤昂贵、蒙特卡洛样本有限时，如何兼顾粒子滤波的非高斯处理能力与集合卡尔曼滤波避免样本退化的特点？
- 方法与思路
- 作者构造由零到一之间的参数索引的连续更新方案，并自动选择参数，使更新在避免退化的约束下尽可能接近粒子滤波。
- 材料陈述的贡献
- 摘要称该方案连接两类滤波更新，并在多个例子中展示了处理预报样本非高斯特征的能力，其中包括高维情形。
- 阅读关注点
- 应核对连续更新的具体构造、退化的判定指标、参数自动选择规则，以及高维例子中的计算成本与近似误差。
- 阅读边界
- 材料为版本未注明的索引摘要；未说明自动调参的判据、误差保证或维数适用范围，不能据例子推断普遍有效或刊本变化。
原文摘要
In many applications of Monte Carlo nonlinear filtering, the propagation step is computationally expensive, and hence the sample size is limited. With small sample sizes, the update step becomes crucial. Particle filtering suffers from the well-known problem of sample degeneracy. Ensemble Kalman filtering avoids this, at the expense of treating non-Gaussian features of the forecast distribution incorrectly. Here we introduce a procedure that makes a continuous transition indexed by γ∈[0,1] between the ensemble and the particle filter update. We propose automatic choices of the parameter γ such that the update stays as close as possible to the particle filter update subject to avoiding degeneracy. In various examples, we show that this procedure leads to updates that are able to handle non-Gaussian features of the forecast sample even in high-dimensional situations.