842
个编辑
更改
跳到导航
跳到搜索
第364行：
第364行： − + + + + + + + + +
→残差DMD
==残差DMD==
==残差DMD==
在[[动力系统]]研究中，Koopman[[算子]]理论通过全局[[线性化]]为分析[[非线性系统]]提供框架，但传统方法如EDMD面临[[谱污染]]、[[连续谱]]处理不足和高维挑战等局限。残差动态[[模式分解]]（ResDMD）通过引入残差计算[[机制]]，构建Koopman[[算子]]<math>\mathcal{K}</math>及其伴随[[算子]]与自身的乘积<math>\mathcal{K}^* \mathcal{K}</math>的[[Galerkin近似]]，有效区分真实[[特征值]]与伪[[特征值]]，解决了EDMD因有限维假设和离散化误差导致的谱失真问题。
在[[动力系统]]研究中，Koopman[[算子]]理论通过全局[[线性化]]为分析[[非线性系统]]提供框架，但传统方法如EDMD面临[[谱污染]]、[[连续谱]]处理不足和高维挑战等局限。残差动态[[模式分解]]（ResDMD）通过引入残差计算[[机制]]，构建Koopman[[算子]]<math>\mathcal{K}</math>及其伴随[[算子]]与自身的乘积<math>\mathcal{K}^* \mathcal{K}</math>的[[Galerkin近似]]，有效区分真实[[特征值]]与[[伪特征值]]，解决了EDMD因有限维假设和离散化误差导致的谱失真问题。
===[[伪特征值]]的出现===
如果选取的观测函数并不张成Koopman不变子空间，那么[[投影]][[算子]]将会产生与真实Koopman[[算子]]不同的[[伪特征值]]和伪[[特征向量]]。例如，设有一个平凡的对角线[[线性系统]]，其[[特征值]]<math>\lambda \in \{1, 2, 5\}</math>，[[特征向量]]<math>\xi_j</math>为坐标[[方向]]<math>x_j</math>，以及一个对前两个[[特征向量]]进行混合的简单观测：
:<math> \frac{d}{dt} \begin{bmatrix} x_1 \\ x_2 \\ x_3 \end{bmatrix} = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 5 \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \\ x_3 \end{bmatrix} </math> <math> \quad \text{选择观测函数为} \quad y = x_1 + x_2. </math>
在这种情况下，数据驱动算法会预测出一个[[伪特征值]]3，这实际上是前两个[[特征值]]<math>\lambda=1</math>和<math>\lambda=2</math>的和，因为测量是前两个[[特征向量]]之和。因此，在实际应用中选取观测函数时，采取一些手段避免[[过拟合]]是非常重要的。除了观测函数选取不当，在数据驱动算法中，如果数据量没有足够多，或者数据[[采样]]相比于原本的[[连续]][[动力学]]过于离散化，也会造成[[伪特征值]]出现的问题。
===理论===
===理论===