iis:用于物理模型贝叶斯参数估计的迭代重要性采样 (IIS)

信息系统 用于物理模型贝叶斯参数估计的迭代重要性采样 (IIS) 背景 该模块与有一定关系，但侧重于计算成本相对较高的物理模型。 它基于参数分布和结果模型状态的高斯近似，但在非线性偏差方面比集成卡尔曼滤波器更稳健 ( ) 在最好的情况下，它允许收敛 50 到500 名成员模型在 10 秒的迭代中集成（例如， 和笔记本）。 这比经典的蒙特卡罗马尔可夫链快得多，后者更通用（不限于高斯情况）但需要 10,000 次迭代。 即使没有完美、稳定的后验 PDF 收敛（例如，集成限制为 50 个成员的非线性模型），IIS 方法也可以帮助将模型集成“调整”到观察范围内，这并不总是一项微不足道的任务“用手”。 这个概念在和的论文中得到了更详细的解释，这个包的灵感来自于这篇论文。 入门 定义一些模型来估计。 一个前向函数来整合模型，这里是 2-param 到标量： def mymodel(para