用于隐式数据同化的集成控制流滤波器 (EnCF)

作者引入了隐式数据同化，将分析定律定义为预报分布的能量倾斜，以处理多对一、隐式或不平滑的观测机制。他们提出了集成控制流滤波器 (EnCF)，通过随机受控流实现此更新，并通过终端能量梯度的伴随匹配学习依赖于观测的控制。

• EnCF-LF 从样本中学习用于模拟器定义观测的代理条件能量。
• 论文证明了理想精确性，推导了一步误差分解，并建立了在滤波稳定性下局部误差不积累的性质。
• 数值结果表明，虽然卡尔曼型滤波器对于平滑加性高斯观测仍然更可取，但 EnCF 更适合非高斯、多对一、多峰和隐式观测模型。

这种方法为数据同化场景提供了一种可行的替代方案，在这些场景中，由于缺乏残差结构或似然引导，现有的集成滤波器会失效。