Questões de Concurso Para inpe

A reamostragem em filtros de partículas pode ser realizada por meio da criação de novas amostras retiradas das distribuições de probabilidade discretas correspondentes a conjuntos de partículas e suas configurações de pesos. No entanto, o fato de as novas amostras serem criadas exatamente nos mesmos pontos do espaço em que se localizam as partículas anteriores é inconveniente, pois facilita o empobrecimento das partículas (i.e., o chamado particle impoverishment).

Uma forma de produzir um novo conjunto de partículas em pontos distintos é substituir as distribuições discretas de probabilidade por aproximações contínuas e, somente então, realizar a reamostragem. A criação dessas aproximações se dá por meio de uma operação matemática entre a distribuição de probabilidade discreta e um kernel contínuo.

Nesse contexto, o processo de reamostragem em distribuições de probabilidade contínuas, que aproximam distribuições discretas correspondentes às configurações de partículas, é chamado de

Filtros de partículas são, em geral, implementados com o uso de reamostragem sequencial por importância. Essa reamostragem pode ser adaptativa, ocorrendo apenas quando a métrica denominada número efetivo de partículas é considerada muito baixa.

Considerando um filtro de partículas com N partículas cujos pesos são dados por w_(i) ,i = 1, … , N, a estimativa do número efetivo de partículas é dada por

Filtros de Partículas são implementações não paramétricas de filtros Bayesianos em que as distribuições de probabilidade não são explicitamente definidas, sendo, portanto, representadas por um conjunto de amostras provenientes delas próprias (denominadas partículas).

Com relação aos filtros de partículas, analise as afirmativas a seguir e assinale (V) para a verdadeira e (F) para a falsa.

( ) As partículas representam observações (ou medidas) obtidas por sensores aplicados ao sistema em análise, e a elas são associados pesos proporcionais às suas probabilidades de coincidirem com medidas correspondentes ao estado verdadeiro do sistema.
( ) Quando aplicados à assimilação de dados, a cada passo de assimilação, novos pesos são atribuídos às partículas. Caso não seja realizado nenhum processo de reamostragem, o conjunto de partículas costuma degenerar-se, com uma das partículas recebendo peso normalizado próximo de 1 e as outras partículas recebendo pesos normalizados próximos de 0.
( ) São capazes de representar distribuições de probabilidade multimodais, isto é, cujas densidades de probabilidade possuem mais de um máximo local.

As afirmativas são, respectivamente,

Considere o modelo não linear e o Filtro de Kalman por Conjunto (EnKF) detalhados na questão 04.

Para garantir estimativas de covariâncias não enviesadas, a matriz B pode ser calculada pela expressão:

Seja um modelo não linear dado por:




em que: x_k é um vetor de estados de n dimensões em um dado instante de tempo K; M e H são mapeamentos não-lineares de Rⁿ para Rⁿ e de R^m para R^m, respectivamente; q e r são vetores aleatórios gaussianos de média nula e covariância Q e R, respectivamente.

Considere a implementação de um Filtro de Kalman por Conjunto (Ensemble Kalman Filter - EnKF) com 1000 pontos representando possíveis estados. Cada um dos 1000 pontos é denotado x_t⁽ⁱ⁾, onde i é inteiro e varia de 1 a 1000.

Considere, ainda, que a média dos pontos do conjunto no instante k pode ser representada por , e que o ganho de Kalman no instante k é geralmente representado pelo produto de uma matriz A pela inversa de uma matriz B (K_k = AB⁻¹).

Considerando as condições enunciadas acima, para garantir estimativas de covariâncias não enviesadas, a matriz A pode ser calculada pela expressão: