使用集成卡尔曼滤波器学习神经网络权重 该存储库包含用于使用Ensemble Kalman滤波器学习神经网络权重的代码。 有三个主要实验： 与反向传播的比较： generate_comparison.py 精度阈值的影响： varying_r.py 从ENKF到反向传播的转换： varying_pretrain.py 每个文件都接受一组命令行参数，这些参数确定数据集，模型体系结构和ENKF超参数。 例如： python generate_comparison.py --dataset=boston_housing --model=fcn --r=0.01 --initial_noise=0.03 --batch_size=16 --timesteps=25 --num_epochs=5 --num_particles=50 从命令行运行此命令，将使用指定的学习超参数，将波士顿房屋

该代码中使用的算法从以下引用： S Gillijns 等人“什么是集成卡尔曼滤波器以及它的工作情况如何？” 2006 年美国控制会议论文集，美国明尼苏达州明尼阿波利斯，2006 年 6 月 14-16 日，第 4448-4453 页。

GP-EnKF 利用集合卡尔曼滤波器估计，在线数据的归纳点实现高斯过程回归。 在线高斯过程回归和学习的集成卡尔曼滤波代码（Fusion 2018）。

集成式卡尔曼滤波器的MATLAB代码，十分好用，而且在降雨预测，径流预测中使用，取得很好的效果。这一算法除了计算效率很好，预测技能对滤波器中的噪声公式相当不敏感，这意味着实验设置很强的，仅仅需要较少的调整。