更改

==核DMD==

==核DMD==

核动态模式分解（Kernel Dynamic Mode Decomposition）是一种通过[[核技巧（kernel trick）]]在[[再生核希尔伯特空间（Reproducing Kernel Hilbert Space，RKHS）]]中近似[[非线性动力系统]]的Koopman算子的方法。Koopman算子本身是一个线性算子，但作用于无限维的函数空间，这意味着直接对它进行计算几乎是不可行的（无限维空间无法直接用有限维矩阵表示）。而核 DMD 的核心优势，就在于通过[[核函数]]隐式地实现高维特征映射：它不需要 “显式” 地把原系统的低维数据转换成高维向量（这一步不仅计算量极大，甚至可能因维度爆炸无法实现），而是通过[[核函数]]直接计算高维空间中特征向量的内积，从而间接捕捉系统的非线性特性，同时规避了高维空间的显式构造。

核动态模式分解（Kernel Dynamic Mode Decomposition）是一种通过[[核技巧（kernel trick）]]在[[再生核希尔伯特空间（Reproducing Kernel Hilbert Space，RKHS）]]中近似[[非线性动力系统]]的Koopman算子的方法。Koopman算子虽然能将非线性系统转化为线性演化，但它作用在无限维函数空间上，无法直接计算。而核 DMD 的核心优势，就在于通过[[核函数]]将原始数据隐式映射到高维特征空间（RKHS），并在该空间中执行类似DMD的线性分析，从而间接获得非线性系统的主导动态模式，不需要 “显式” 地把观测函数写出来。

===理论===

===理论===

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。

==基于神经网络的DMD==

==基于神经网络的DMD==