State and parameter estimation from observed signal increments

The success of the ensemble Kalman filter has triggered a strong interest in expanding its scope beyond classical state estimation problems. In this paper, we focus on continuous-time data assimilation where the model and measurement errors are correlated and both states and parameters need to be identified. Such scenarios arise from noisy and partial observations of Lagrangian particles which move under a stochastic velocity field involving unknown parameters. We take an appropriate class of McKean–Vlasov equations as the starting point to derive ensemble Kalman–Bucy filter algorithms for combined state and parameter estimation. We demonstrate their performance through a series of increasingly complex multi-scale model systems.

Metadaten
Verfasserangaben:	Nikolas Nüsken ORCiD, Sebastian Reich ORCiD GND, Paul J. Rozdeba ORCiD
URN:	urn:nbn:de:kobv:517-opus4-442609
DOI:	https://doi.org/10.25932/publishup-44260
ISSN:	1866-8372
Titel des übergeordneten Werks (Deutsch):	Postprints der Universität Potsdam : Mathematisch-Naturwissenschaftliche Reihe
Schriftenreihe (Bandnummer):	Zweitveröffentlichungen der Universität Potsdam : Mathematisch-Naturwissenschaftliche Reihe (916)
Publikationstyp:	Postprint
Sprache:	Englisch
Datum der Erstveröffentlichung:	27.05.2020
Erscheinungsjahr:	2019
Veröffentlichende Institution:	Universität Potsdam
Datum der Freischaltung:	27.05.2020
Freies Schlagwort / Tag:	continuous-time data assimilation; correlated noise; ensemble Kalman filter; multi-scale diffusion processes; parameter estimation
Ausgabe:	916
Seitenanzahl:	25
Quelle:	Entropy 21 (2019) 5, 505 DOI: 10.3390/e21050505
Organisationseinheiten:	Mathematisch-Naturwissenschaftliche Fakultät
DDC-Klassifikation:	5 Naturwissenschaften und Mathematik / 51 Mathematik / 510 Mathematik
Peer Review:	Referiert
Publikationsweg:	Open Access
Lizenz (Deutsch):	CC-BY - Namensnennung 4.0 International