Marginalized Particle Filtering Framework for Tuning of Ensemble Filters
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F11%3A00367533" target="_blank" >RIV/67985556:_____/11:00367533 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1175/2011MWR3586.1" target="_blank" >http://dx.doi.org/10.1175/2011MWR3586.1</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1175/2011MWR3586.1" target="_blank" >10.1175/2011MWR3586.1</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Marginalized Particle Filtering Framework for Tuning of Ensemble Filters
Popis výsledku v původním jazyce
Marginalized particle ltering (MPF), also known as Rao-Blackwellized particle filtering has been recently developed as a hybrid method combining analytical lters with particle filters. In this paper, we investigate the prospects of this approach in enviromental modelling where the key concerns are nonlinearity, high-dimensionality, and computational cost. In our formulation, exact marginalization in the MPF is replaced by approximate marginalization yielding a framework for creation of new hybrid lters.In particular, we propose to use the MPF framework for on-line tuning of nuisance parameters of ensemble filters. Strength of the framework is demonstrated on the joint estimation of the inflation factor, the measurement error variance and the length-scale parameter of covariance localization. It is shown that accurate estimation can be achieved with a moderate number of particles. Moreover, this result was achieved with naively chosen proposal densities leaving space for further improv
Název v anglickém jazyce
Marginalized Particle Filtering Framework for Tuning of Ensemble Filters
Popis výsledku anglicky
Marginalized particle ltering (MPF), also known as Rao-Blackwellized particle filtering has been recently developed as a hybrid method combining analytical lters with particle filters. In this paper, we investigate the prospects of this approach in enviromental modelling where the key concerns are nonlinearity, high-dimensionality, and computational cost. In our formulation, exact marginalization in the MPF is replaced by approximate marginalization yielding a framework for creation of new hybrid lters.In particular, we propose to use the MPF framework for on-line tuning of nuisance parameters of ensemble filters. Strength of the framework is demonstrated on the joint estimation of the inflation factor, the measurement error variance and the length-scale parameter of covariance localization. It is shown that accurate estimation can be achieved with a moderate number of particles. Moreover, this result was achieved with naively chosen proposal densities leaving space for further improv
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
BB - Aplikovaná statistika, operační výzkum
OECD FORD obor
—
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2011
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Monthly Weather Review
ISSN
0027-0644
e-ISSN
—
Svazek periodika
139
Číslo periodika v rámci svazku
11
Stát vydavatele periodika
US - Spojené státy americké
Počet stran výsledku
10
Strana od-do
3589-3599
Kód UT WoS článku
000296475700014
EID výsledku v databázi Scopus
—