Ensemble Kalman Methods for High-Dimensional Hierarchical Dynamic Space-Time Models
高维层级动态时空模型的集合卡尔曼方法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：摘要聚焦一般高维时空状态空间模型及云运动应用，未明确对应所列宏观或金融细分。
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…
高维层级动态时空模型的集合卡尔曼方法
- 研究问题
- 如何在高维、非线性且非高斯的时空状态空间模型中，同时完成状态与参数的在线或离线贝叶斯推断？
- 方法与思路
- 作者将集合卡尔曼滤波和平滑与统计状态空间算法结合，利用集合方法降维，目标是生成状态与参数联合后验样本。
- 材料陈述的贡献
- 摘要称方法能够处理高维状态向量，并在云运动数据及若干模拟情形下优于所比较的集合卡尔曼、粒子滤波和粒子 MCMC 方法。
- 阅读关注点
- 应核对降维引入的近似、后验采样的准确性、集合规模与计算预算，以及比较方法是否在相同条件下调参与评估。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明后验近似误差、性能指标或比较数值，不能外推所述优势或推断刊本变化。
原文摘要
We propose a new class of filtering and smoothing methods for inference in high-dimensional, nonlinear, non-Gaussian, spatio-temporal state-space models. The main idea is to combine the ensemble Kalman filter and smoother, developed in the geophysics literature, with state-space algorithms from the statistics literature. Our algorithms address a variety of estimation scenarios, including online and off-line state and parameter estimation. We take a Bayesian perspective, for which the goal is to generate samples from the joint posterior distribution of states and parameters. The key benefit of our approach is the use of ensemble Kalman methods for dimension reduction, which allows inference for high-dimensional state vectors. We compare our methods to existing ones, including ensemble Kalman filters, particle filters, and particle MCMC. Using a real data example of cloud motion and data simulated under a number of nonlinear and non-Gaussian scenarios, we show that our approaches outperform these existing methods. Supplementary materials for this article are available online.