Filtre de Kalman d'ensemble et filtres particulaires pour le ... - Inria
Filtre de Kalman d'ensemble et filtres particulaires pour le ... - Inria
Filtre de Kalman d'ensemble et filtres particulaires pour le ... - Inria
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
amène aux équations connues du filtre <strong>de</strong> <strong>Kalman</strong>-Bucy.<br />
Dans <strong>le</strong> cas général, on a recours à <strong>de</strong>s approximations<br />
numériques <strong>de</strong> type Monte Carlo.<br />
L’idée <strong>de</strong>s métho<strong>de</strong>s d’assimilation <strong>de</strong> données<br />
séquentiel<strong>le</strong>s (ADs) <strong>de</strong> type Monte Carlo est d’approcher<br />
la moyenne conditionnel<strong>le</strong> E[x k |y 0:k ] par une<br />
espérance empirique calculée à partir d’un ensemb<strong>le</strong><br />
<strong>de</strong> N particu<strong>le</strong>s. Les particu<strong>le</strong>s sont soumises à un<br />
mécanisme d’évolution en <strong>de</strong>ux étapes :<br />
Etape <strong>de</strong> prédiction - Les particu<strong>le</strong>s explorent l’espace<br />
d’état <strong>de</strong> façon indépendante selon l’équation d’état (1).<br />
Etape <strong>de</strong> correction - Lorsqu’une observation est disponib<strong>le</strong>,<br />
<strong>le</strong>s particu<strong>le</strong>s sont corrigées <strong>de</strong> façon à se<br />
’rapprocher’ <strong>de</strong> l’observation. L’étape <strong>de</strong> correction est<br />
illustrée, <strong>pour</strong> <strong>le</strong>s trois <strong>filtres</strong> étudiés, figures 4 <strong>et</strong> 5.<br />
Les variations entre <strong>le</strong>s différents <strong>filtres</strong> viennent <strong>de</strong> la<br />
façon dont on réalise <strong>le</strong>s étapes <strong>de</strong> prédiction <strong>et</strong> <strong>de</strong> correction.<br />
2.2 Algorithmes <strong>de</strong>s <strong>filtres</strong><br />
Avant d’écrire <strong>le</strong>s algorithmes <strong>de</strong>s <strong>filtres</strong>, il est nécessaire<br />
d’introduire quelques notations.<br />
La moyenne <strong>et</strong> la variance <strong>de</strong> la variab<strong>le</strong> aléatoire x k |y 0:k<br />
sont notées respectivement<br />
x a k = E[x k |y 0:k ] (3)<br />
P a k = E[(x a k − x k )(x a k − x k ) T |y 0:k ] (4)<br />
On définit éga<strong>le</strong>ment <strong>le</strong>s quantités suivantes<br />
x f k<br />
= E[x k |y 0:k−1 ] (5)<br />
P f k<br />
= E[(x a k − x k )(x a k − x k ) T |y 0:k−1 ] (6)<br />
qui décrivent respectivement la moyenne <strong>et</strong> la variance<br />
<strong>de</strong> la variab<strong>le</strong> aléatoire x k |y 0:k−1 . Les indices f <strong>et</strong> a<br />
représentent respectivement l’état prédit (forecast) <strong>et</strong> corrigé<br />
(analysed).<br />
2.2.1 <strong>Filtre</strong> <strong>Kalman</strong> d’Ensemb<strong>le</strong> (EnKF)<br />
Supposons que w k <strong>et</strong> v k sont <strong>de</strong>s bruits blancs gaussiens<br />
p k (dw) = N(0,Q k )<br />
q k (dv) = N(0,R k )<br />
<strong>et</strong> que la loi initia<strong>le</strong> est aussi gaussienne<br />
µ 0 (dx) = N(0,P 0 )<br />
où N(µ,σ) représente la loi <strong>de</strong> Gauss <strong>de</strong> moyenne µ <strong>et</strong><br />
<strong>de</strong> variance σ.<br />
Dans <strong>le</strong> filtre EnKF, l’étape <strong>de</strong> prédiction se fait d’après<br />
l’équation d’état (1) <strong>et</strong> l’étape <strong>de</strong> correction est réalisée<br />
comme dans <strong>le</strong> filtre <strong>de</strong> <strong>Kalman</strong> en calculant une<br />
moyenne pondérée entre la position <strong>de</strong> l’observation <strong>et</strong><br />
la position <strong>de</strong>s particu<strong>le</strong>s donnée par l’équation d’observation<br />
(2).<br />
La figure 4 <strong>et</strong> 5 illustrent <strong>de</strong>s itérations <strong>de</strong>s <strong>filtres</strong> <strong>pour</strong><br />
<strong>le</strong> modè<strong>le</strong> <strong>de</strong> Lorenz. On voit en particulier comment <strong>le</strong>s<br />
particu<strong>le</strong>s réparties autour du lobe <strong>le</strong> plus bas sont corrigées<br />
<strong>et</strong> se regroupent autour <strong>de</strong> l’observation courante<br />
qui est représentée par l’intersection entre <strong>le</strong>s 3 droites.<br />
Initialisation - <strong>pour</strong> i = 1,...,N<br />
- générer x a,i<br />
0 ∼ N(0,P 0 ).<br />
Pour k ≥ 1<br />
Prédiction - <strong>pour</strong> i = 1,...,N<br />
- générer wk i ∼ N(0,Q k)<br />
- x f,i<br />
k<br />
= f(xa,i k−1 ) + wi k<br />
- x f k ≈ 1 ∑ N<br />
N i=1 xf,i k<br />
- P f k ≈ 1 ∑ N<br />
N−1 i=1 [(xf,i k<br />
Correction - <strong>pour</strong> i = 1,...,N<br />
- générer vk i ∼ N(0,R k)<br />
- ˜R k = 1 ∑ N<br />
N i=1 (vi k )(vi k )T<br />
-K k = P f k HT (HP f k HT + ˜R k ) −1<br />
-x a,i<br />
k<br />
= x f,i<br />
k<br />
− xf k )(xf,i k − xf k )T ]<br />
+ K k[y k − Hx f,i<br />
k + vi k ]<br />
TAB. 1 – <strong>Filtre</strong> EnKF<br />
Quand la fonction f dans <strong>le</strong> système dynamique est<br />
linéaire, alors [Evensen, 2003] affirme que <strong>le</strong> filtre EnKF<br />
converge exactement vers <strong>le</strong> filtre <strong>de</strong> <strong>Kalman</strong>-Bucy quand<br />
N tend vers l’infini.<br />
Le principal inconvénient du filtre EnKF est qu’il<br />
nécessite <strong>de</strong> calcu<strong>le</strong>r <strong>de</strong>s produits <strong>de</strong> matrices <strong>pour</strong> obtenir<br />
<strong>le</strong> gain <strong>de</strong> <strong>Kalman</strong><br />
K k = P f k HT (HP f k HT + ˜R k ) −1<br />
où l’indice T représente la transposée <strong>de</strong> la matrice.<br />
Ainsi dès que la dimension n du vecteur d’état x k est<br />
gran<strong>de</strong>, par exemp<strong>le</strong> n = 10 5 <strong>pour</strong> <strong>le</strong>s modè<strong>le</strong>s physiques<br />
<strong>de</strong> l’océan, P k , ˜R k sont <strong>de</strong>s matrices <strong>de</strong> très gran<strong>de</strong> dimension<br />
<strong>et</strong> <strong>le</strong> coût <strong>de</strong> calcul est important.<br />
2.2.2 <strong>Filtre</strong> bootstrap<br />
Dans <strong>le</strong>s algorithmes reposant sur <strong>de</strong>s techniques<br />
d’échantillonnage d’importance, on s’affranchit <strong>de</strong>s<br />
produits <strong>de</strong> matrices.<br />
Dans l’algorithme bootstrap , l’étape <strong>de</strong> prédiction est<br />
réalisée comme <strong>pour</strong> <strong>le</strong> filtre EnKF d’après l’équation<br />
d’état (1). Dans l’étape <strong>de</strong> correction aussi appelée<br />
étape <strong>de</strong> sé<strong>le</strong>ction, l’adéquation <strong>de</strong> chaque particu<strong>le</strong> avec<br />
l’observation est évaluée grâce à la fonction <strong>de</strong> vraisemblance<br />
: un poids ωk i proportionnel à la vraisemblance<br />
est affecté à chaque particu<strong>le</strong> x f,i<br />
k<br />
, <strong>et</strong> <strong>le</strong>s particu<strong>le</strong>s sont<br />
éliminées ou dupliquées selon la va<strong>le</strong>ur <strong>de</strong> <strong>le</strong>ur poids,<br />
autrement dit <strong>le</strong>s particu<strong>le</strong>s corrigées sont calculées en<br />
simulant<br />
∑<br />
N nouvel<strong>le</strong>s particu<strong>le</strong>s selon la loi mélange<br />
N<br />
i=1 ωi k δ x<br />
(dx), où δ est la mesure <strong>de</strong> Dirac.<br />
f,i<br />
k<br />
C<strong>et</strong>te étape <strong>de</strong> sé<strong>le</strong>ction constitue une amélioration significative<br />
par rapport à l’algorithme sequential importance<br />
sampling (SIS), dans <strong>le</strong>quel on se contente d’accumu<strong>le</strong>r<br />
<strong>le</strong>s poids au cours du temps. On constate dans ce cas un<br />
phénomène <strong>de</strong> dégénérescence <strong>de</strong>s poids, puisque seu<strong>le</strong>s<br />
quelques particu<strong>le</strong>s conservent un poids significatif <strong>et</strong><br />
contribuent uti<strong>le</strong>ment à l’estimation [Douc<strong>et</strong> <strong>et</strong> al. 2000].<br />
Même avec l’étape <strong>de</strong> sé<strong>le</strong>ction, il peut néanmoins arriver<br />
que la plupart <strong>de</strong>s particu<strong>le</strong>s disponib<strong>le</strong>s à l’issue <strong>de</strong><br />
l’étape <strong>de</strong> prédiction recoivent un poids trop faib<strong>le</strong>, <strong>de</strong>