更改

<math>k(\mathbf{x}, \mathbf{y}) = \langle \phi(\mathbf{x}), \phi(\mathbf{y}) \rangle</math>，

<math>k(\mathbf{x}, \mathbf{y}) = \langle \phi(\mathbf{x}), \phi(\mathbf{y}) \rangle</math>，

其中<math>\langle \cdot, \cdot \rangle</math>表示RKHS中的内积。例如，高斯核函数<math>k(\mathbf{x}, \mathbf{y}) = \exp\left(-\frac{\\mathbf{x} - \mathbf{y}\

其中<math>\langle \cdot, \cdot \rangle</math>表示RKHS中的内积。这种方法允许我们在不知道显式映射<math>\phi</math>的情况下，直接在核空间中计算相似性。

^2}{2\sigma^2}\right)</math>通过指数衰减来强调局部相似性，其中<math>\sigma</math>是带宽参数，控制核的宽度。这种方法允许我们在不知道显式映射<math>\phi</math>的情况下，直接在核空间中计算相似性。

在核DMD中，我们首先构建一个核矩阵<math>\mathbf{K}</math>，其元素为<math>K_{ij} = k(\mathbf{x}_i, \mathbf{x}_j)</math>，然后通过对核矩阵进行特征分解来提取主导模式。这相当于在RKHS中执行标准DMD算法，从而获得近似Koopman算子的特征值和特征模式。核DMD的优势在于，它能够处理复杂的非线性系统，如流体湍流或混沌系统，而无需手动设计非线性特征函数。此外，核技巧减少了计算复杂度，因为我们可以通过核矩阵运算避免高维空间中的直接计算。

在核DMD中，我们首先构建一个核矩阵<math>\mathbf{K}</math>，其元素为<math>K_{ij} = k(\mathbf{x}_i, \mathbf{x}_j)</math>，然后通过对核矩阵进行特征分解来提取主导模式。这相当于在RKHS中执行标准DMD算法，从而获得近似Koopman算子的特征值和特征模式。核DMD的优势在于，它能够处理复杂的非线性系统，如流体湍流或混沌系统，而无需手动设计非线性特征函数。此外，核技巧减少了计算复杂度，因为我们可以通过核矩阵运算避免高维空间中的直接计算。目前，有很多种核函数，包括线性核、多项式核、径向基核、高斯核、拉普拉斯核、sigmod核等等。

线性核（Linear Kernel）：可视为核DMD的退化形式。其公式为：  

'''多项式核（Polynomial Kernel）'''适用于处理多项式非线性。其公式为： <math>k(\mathbf{x}, \mathbf{y}) = (\mathbf{x} \cdot \mathbf{y} + c)^d</math>  ，其中， <math>\mathbf{x} \cdot \mathbf{y}</math> 是向量 <math>\mathbf{x}</math> 和 <math>\mathbf{y}</math> 的内积，表示它们的线性相似性。 <math>c</math> 是常数项（通常 <math>c \geq 0</math>），用于调整偏置，影响核的平移。<math>d</math> 是多项式的次数，控制非线性程度；较高的 <math>d</math> 能捕捉更复杂的交互作用。  多项式核计算简单且能明确控制模型复杂度；但当 <math>d</math> 较大时易过拟合，且对非多项式关系捕捉能力有限。在核DMD中，它适用于具有多项式动力学的系统，如机械振动或电路系统，其中变量间存在高阶依赖。

<math>k(\mathbf{x}, \mathbf{y}) = \mathbf{x} \cdot \mathbf{y}</math>

'''径向基函数核（Radial Basis Function Kernel）'''的公式为：<math>k(\mathbf{x}, \mathbf{y}) = f(|\mathbf{x} - \mathbf{y}|)</math>  ，其中，<math>f(\cdot)</math>为关于距离的单调递减函数。高斯核和拉普拉斯核均属此类特例。径向基函数核的共性是利用数据点间的距离度量相似性，适用于局部平滑的动力系统。其优势在于能自动适应数据分布，无需预先假设特定函数形式。在动力系统分析中，径向基函数核能有效捕捉相空间中的局部动力学特征，如吸引子结构或稳定流形。缺点是当系统维度较高时，可能面临"维度灾难"，且计算成本随数据量增加而显著增长。

其中，<math>\mathbf{x} \cdot \mathbf{y}</math> 是标准内积，直接反映线性相关性。 线性核计算高效且无超参数，适合线性或近似线性的系统；但无法处理强非线性。在核DMD中，它适用于小扰动下的线性化系统，可作为复杂核的基准比较。

'''高斯核（Gaussian Kernel）'''： <math>k(\mathbf{x}, \mathbf{y}) = \exp\left(-\frac{\mathbf{x} - \mathbf{y}}{\alpha}\right)</math>  ，其中， <math>\mathbf{x} - \mathbf{y}</math> 表示数据点 <math>\mathbf{x}</math> 和 <math>\mathbf{y}</math> 之间的欧氏距离，用于量化它们的空间分离程度。<math>\alpha</math> 是带宽参数（缩放因子），控制核函数的衰减速率；较小的 <math>\alpha</math> 使核更局部化，较大的 <math>\alpha</math> 使核更平滑。<math>\exp</math> 是指数函数，确保相似性随距离增加而指数衰减。该核函数能捕捉数据的局部结构，并对噪声有一定的鲁棒性；但对参数 <math>\alpha</math> 的选择敏感，若选择不当可能导致过拟合或欠拟合。在核DMD中，高斯核适用于非线性动力系统分析，如流体湍流或混沌系统，能有效识别相干结构。

<math>k(\mathbf{x}, \mathbf{y}) = (\mathbf{x} \cdot \mathbf{y} + c)^d</math>  

'''Sigmoid核（Sigmoid Kernel）'''源自神经网络理论，其形式为： <math>k(\mathbf{x}, \mathbf{y}) = \tanh(\alpha \mathbf{x} \cdot \mathbf{y} + c)</math>   ，其中，<math>\alpha</math>为缩放参数，<math>c</math>为偏置项，<math>\tanh</math>为双曲正切函数。该核函数模拟神经元激活函数的行为，能产生非线性映射。Sigmoid核的独特之处在于它能模拟饱和非线性特性，适用于具有阈值行为的动力系统，如生物神经元模型或开关控制系统。然而，Sigmoid核并非始终满足Mercer条件（即不一定为正定核），这可能导致数值不稳定性和收敛问题。在实际应用中，需谨慎验证其正定性，或采用修正版本以确保计算稳定性。

 

 

 

 

 

 

 

 

 

 

 

 

<math>k(\mathbf{x}, \mathbf{y}) = \tanh(\alpha \mathbf{x} \cdot \mathbf{y} + c)</math>

 

其中，<math>\alpha</math>为缩放参数，<math>c</math>为偏置项，<math>\tanh</math>为双曲正切函数。该核函数模拟神经元激活函数的行为，能产生非线性映射。Sigmoid核的独特之处在于它能模拟饱和非线性特性，适用于具有阈值行为的动力系统，如生物神经元模型或开关控制系统。然而，Sigmoid核并非始终满足Mercer条件（即不一定为正定核），这可能导致数值不稳定性和收敛问题。在实际应用中，需谨慎验证其正定性，或采用修正版本以确保计算稳定性。

核DMD的适用场景广泛，包括动力系统分析、预测建模和控制设计。例如，在流体动力学中，核DMD可以识别湍流中的相干结构，而在神经网络应用中，它能近似非线性动力学的演化。然而，核函数的选择（如高斯核、多项式核或线性核）对性能有显著影响，需要根据具体系统进行调整。总之，核DMD提供了一种高效且灵活的方式来扩展线性DMD，使其适用于现实世界中的非线性问题，同时保持了Koopman理论的理论严谨性。

核DMD的适用场景广泛，包括动力系统分析、预测建模和控制设计。例如，在流体动力学中，核DMD可以识别湍流中的相干结构，而在神经网络应用中，它能近似非线性动力学的演化。然而，核函数的选择（如高斯核、多项式核或线性核）对性能有显著影响，需要根据具体系统进行调整。总之，核DMD提供了一种高效且灵活的方式来扩展线性DMD，使其适用于现实世界中的非线性问题，同时保持了Koopman理论的理论严谨性。