Авторы вводят понятие неявного ассимилирования данных, определяя закон анализа как энергетический наклон распределения прогноза для обработки механизмов наблюдений, которые являются многозначными, неявными или негладкими. Они предлагают Фильтр потока с управлением ансамблем (EnCF), который реализует это обновление через стохастический управляемый поток и обучает зависящий от наблюдений контроль путем сопряженного согласования на основе градиентов терминальной энергии.
- EnCF-LF учит суррогатное условное энергопотребление по выборкам для определений симулятора.
- В статье доказывается идеальная точность, выводится одношаговая декомпозиция ошибки и устанавливается отсутствие накопления локальных ошибок при устойчивости фильтра.
- Численные результаты показывают, что хотя фильтры типа Калмана остаются предпочтительными для гладких аддитивных гауссовских наблюдений, EnCF лучше подходит для негауссовских, многозначных, многомодальных и неявных моделей наблюдений.
Этот подход предоставляет жизнеспособную альтернативу для сценариев ассимилирования данных, где существующие ансамблевые фильтры не работают из-за отсутствия структур остатков или руководства по правдоподобия.