Open Daily: 10am - 10pm | Alley door pickup 10am - 7pm 3038 Hennepin Ave Minneapolis, MN
612-822-4611

  • Open Daily: 10am - 10pm
    Alley-side Pickup: 10am - 7pm

    3038 Hennepin Ave Minneapolis, MN
    612-822-4611

Open Daily: 10am - 10pm | Alley-side Pickup: 10am - 7pm
3038 Hennepin Ave Minneapolis, MN
612-822-4611
Assimilation de Données

Assimilation de Données

Tran-V

Paperback

Series: Omn.Univ.Europ.

Literary CriticismProbability & Statistics

ISBN10: 6131536821
ISBN13: 9786131536823
Publisher: Ed Universitaires Europeennes
Published: Feb 28 2018
Pages: 180
Weight: 0.60
Height: 0.41 Width: 5.98 Depth: 9.02
Language: French
Cette thèse porte sur les méthodes d'assimilation de données, qui consistent à combiner des informations provenant d'un modèle dynamique avec des observations. Nous présentons des méthodes d'assimilation de données: l'interpolation statistique, les méthodes variationnelles et les méthodes séquentielles. Nous nous intéressons particulièrement au filtre de Kalman d'ensemble qui est de plus en plus utilisé dans les applications océanographiques. Nous démontrons que, quand le nombre d'éléments tend vers l'infini, dans le cas où la fonction du modèle dynamique est continue et localement lipschitzienne avec un accroissement au plus polynomial à l'infini, les éléments du filtre de Kalman d'ensemble convergent vers les éléments indépendants et identiquement distribués selon une loi qui diffère de la loi a posteriori du filtre bayésien optimal dans le cas général. Dans le cas du modèle linéaire gaussien, cette loi asymptotique n'est autre que la loi a posteriori du filtre de Kalman. Nous présentons aussi des résultats de simulations du filtre de Kalman d'ensemble et du filtre particulaire sur le modèle de Lorenz afin de comparer la performance des deux filtres.

Also in

Probability & Statistics

View All