Data assimilation with the 2D Navier–Stokes equations: Optimal Gaussian asymptotics for the posterior measure
二维 Navier–Stokes 方程的数据同化：后验测度的最优高斯渐近性质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：摘要研究流体方程的数据同化，未涉及宏观预测模型或其他所列计量领域细分。
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
二维 Navier–Stokes 方程的数据同化：后验测度的最优高斯渐近性质
- 研究问题
- 对二维 Navier–Stokes 系统的离散动态观测，如何刻画整条轨迹的后验高斯近似，并评估未来状态预测与不确定性？
- 方法与思路
- 作者给初始条件配置高斯过程先验，以带高斯初值的线性抛物型偏微分方程解近似后验，并建立函数型渐近理论。
- 材料陈述的贡献
- 摘要称证明了函数型 Bernstein–von Mises 定理，并得到局部渐近极小极大下界，且贝叶斯同化算法达到该下界。
- 阅读关注点
- 应核对观测设计、先验和方程解的条件，上确界范数近似的对象，以及可信带覆盖与局部下界成立的具体范围。
- 阅读边界
- 仅依据所给 Crossref 摘要；速率写作“1/ N”，符号可能缺失，需查原 PDF，不能重构其公式或据此判断具体速率。
原文摘要
A functional Bernstein–von Mises theorem is proved for posterior measures arising in a data assimilation problem with the two-dimensional Navier–Stokes equation where a Gaussian process prior is assigned to the initial condition of the system. The posterior measure, which provides the update in the space of all trajectories arising from a discrete sample of the (deterministic) dynamics, is shown to be approximated by a Gaussian random vector field obtained as the solution to a linear parabolic PDE with Gaussian initial condition. The approximation holds in the strong sense of the supremum norm on the regression functions, showing that predicting future states of Navier–Stokes systems admits 1/ N-consistent estimators even for commonly used nonparametric models. Consequences for coverage of credible bands and uncertainty quantification are discussed. A local asymptotic minimax theorem is derived that describes the lower bound for estimating the state of the nonlinear system, which is shown to be attained by the Bayesian data assimilation algorithm.