761
个编辑
更改
跳到导航
跳到搜索
第451行：
第451行： − 给定一组观测函数<math>\{\psi_1, \dots, \psi_{N_K}\} \subset D(\mathcal{K})(D(\mathcal{K})</math>为<math>\mathcal{K}</math>的定义域），如一系列的多项式，EDMD 的目标是在子空间<math>V_{N_K} = \text{span}\{\psi_1, \dots, \psi_{N_K}\}</math>上近似<math>\mathcal{K}</math>的作用，即满足<ref name=Colbrook_2023 /><ref name=Colbrook_2024>Colbrook, M. J. & Townsend, A. Rigorous data‐driven computation of spectral properties of koopman operators for dynamical systems. Commun. Pure Appl. Math. 77, 221–283 (2024).</ref>：+ − 定义[[向量]]值特征映射<math>\Psi(\boldsymbol{x}) = [\psi_1(\boldsymbol{x}), \dots, \psi_{N_K}(\boldsymbol{x})] \in \mathbb{C}^{1 \times N_K}</math>，则子空间<math>V_{N_K}</math>中的任意观测函数g可表示为<math>g(\boldsymbol{x}) = \sum_{j=1}^{N_K} \psi_j(\boldsymbol{x}) g_j = \Psi(\boldsymbol{x}) \boldsymbol{g}</math>，其中<math>\boldsymbol{g} \in \mathbb{C}^{N_K}</math>为系数[[向量]]。+ − 由此可将Koopman[[算子]]对g的作用分解为：+ − :<math>[\mathcal{K}g](\boldsymbol{x}) = \Psi(F(\boldsymbol{x})) \boldsymbol{g} = \Psi(\boldsymbol{x}) (K_{\text{EDMD}} \boldsymbol{g}) + \underbrace{\sum_{j=1}^{N_K} \psi_j(F(\boldsymbol{x})) g_j - \Psi(\boldsymbol{x}) (K_{\text{EDMD}} \boldsymbol{g})}_{r(g, \boldsymbol{x})}.</math>+ − 通常情况下，<math>V_{N_K}</math>并非<math> \mathcal{K} </math>的不变子空间，因此不存在能使<math>\displaystyle{ r(g, \boldsymbol{x}) }</math>对所有<math>\displaystyle{ g \in V_{N_K} }</math>和<math>\boldsymbol{x} \in \Omega</math>均为零的<math>\displaystyle{ K_{\text{EDMD}} }</math>。此时，EDMD 通过最小化 “残差项<math>\displaystyle{ r(g, \boldsymbol{x}) }</math>的积分范数” 确定<math>\displaystyle{ K_{\text{EDMD}} }</math>，即求解以下优化问题：+ − + − 该问题的[[解析解]]可表示为：+ − + − +
无编辑摘要
===理论===
===理论===
给定一组观测函数字典<math>\{\psi_1, \dots, \psi_{N_K}\} \subset D(\mathcal{K})(D(\mathcal{K})</math>为<math>\mathcal{K}</math>的定义域），如一系列的多项式，EDMD 的目标是在子空间<math>V_{N_K} = \text{span}\{\psi_1, \dots, \psi_{N_K}\}</math>上近似<math>\mathcal{K}</math>的作用，定义[[向量]]值特征映射<math>\Psi(\boldsymbol{x}) = [\psi_1(\boldsymbol{x}), \dots, \psi_{N_K}(\boldsymbol{x})] \in \mathbb{C}^{1 \times N_K}</math>，则子空间<math>V_{N_K}</math>中的任意观测函数g可表示为<math>g(\boldsymbol{x}) = \sum_{j=1}^{N_K} \psi_j(\boldsymbol{x}) g_j = \Psi(\boldsymbol{x}) \boldsymbol{g}</math>，其中<math>\boldsymbol{g} \in \mathbb{C}^{N_K}</math>为系数[[向量]]。满足<ref name=Colbrook_2023 /><ref name=Colbrook_2024>Colbrook, M. J. & Townsend, A. Rigorous data‐driven computation of spectral properties of koopman operators for dynamical systems. Commun. Pure Appl. Math. 77, 221–283 (2024).</ref>：
:<math>[\mathcal{K}\psi_j](\boldsymbol{x}) = \psi_j(F(\boldsymbol{x})) \approx \sum_{i=1}^{N_K} (K_{\text{EDMD}})_{ij} \psi_i(\boldsymbol{x}), \quad 1 \leq j \leq N_K.</math>
:<math>[\mathcal{K}\psi_j](\boldsymbol{x}) = \psi_j(F(\boldsymbol{x})) \approx \sum_{i=1}^{N_K} (K_{\text{EDMD}})_{ij} \psi_i(\boldsymbol{x}), \quad 1 \leq j \leq N_K.</math>
基于这个近似，我们可以把Koopman算子<math>\mathcal{K}</math>对任意观测函数 g 的作用拆分成两部分：一部分是用上述近似得到的“可表示项”，另一部分是近似带来的“误差项（残差）”<math>r(g, \boldsymbol{x})</math>，即为：
:<math>[\mathcal{K}g](\boldsymbol{x}) = \Psi(F(\boldsymbol{x})) \boldsymbol{g} = \Psi(\boldsymbol{x}) (K_{\text{EDMD}} \boldsymbol{g}) + \underbrace{\sum_{j=1}^{N_K} \psi_j(F(\boldsymbol{x})) g_j - \Psi(\boldsymbol{x}) (K_{\text{EDMD}} \boldsymbol{g})}_{r(g, \boldsymbol{x})}.</math>
残差项衡量的是“用子空间<math>V_{N_K}</math>近似Koopman算子作用”的误差大小。通常情况下，<math>V_{N_K}</math>并非<math> \mathcal{K} </math>的不变子空间，因此不存在能使<math>\displaystyle{ r(g, \boldsymbol{x}) }</math>对所有<math>\displaystyle{ g \in V_{N_K} }</math>和<math>\boldsymbol{x} \in \Omega</math>均为零的<math>\displaystyle{ K_{\text{EDMD}} }</math>。
因此，EDMD的核心任务就变成了：找到一个最优的矩阵<math>K_{\text{EDMD}}</math>，让这个残差项的整体误差最小。为了量化“整体误差”，我们用“积分范数”来衡量，对应的优化问题就是：
:<math>\displaystyle{ \arg\min_{B \in \mathbb{C}^{N_K \times N_K}} \left\{ \int_{\Omega} \max_{\substack{g \in \mathbb{C}^{N_K}, \\ \|\boldsymbol{g}\|=1}} |r(g, \boldsymbol{x})|^2 d\omega(\boldsymbol{x}) = \int_{\Omega} \|\Psi(F(\boldsymbol{x})) - \Psi(\boldsymbol{x}) B\|_{\ell^2}^2 d\omega(\boldsymbol{x}) \right\} }</math>
:<math>\displaystyle{ \arg\min_{B \in \mathbb{C}^{N_K \times N_K}} \left\{ \int_{\Omega} \max_{\substack{g \in \mathbb{C}^{N_K}, \\ \|\boldsymbol{g}\|=1}} |r(g, \boldsymbol{x})|^2 d\omega(\boldsymbol{x}) = \int_{\Omega} \|\Psi(F(\boldsymbol{x})) - \Psi(\boldsymbol{x}) B\|_{\ell^2}^2 d\omega(\boldsymbol{x}) \right\} }</math>
其中<math>\|\mathbf{ · }\|_2</math>表示[[向量]]的标准欧几里得范数。实际计算中无法直接对上式的求积分，因此通过 “积分规则”（以<math>\displaystyle{ \{x_j\}_{j=1}^M }</math>为[[节点]]，<math>\boldsymbol{y}^{(j)} = F(\boldsymbol{x}^{(j)}) </math>，<math>\displaystyle{ \{w_j\}_{j=1}^M }</math>为权重，<math>M </math>为[[初始条件]]数量）近似积分，将上式转化为加权[[最小二乘]]问题：
其中<math>\|\mathbf{ · }\|_2</math>表示[[向量]]的标准欧几里得范数。不过实际计算中无法直接对上式的求积分（状态空间连续，无法遍历所有状态），因此通过 “数值积分规则”（以<math>\displaystyle{ \{x_j\}_{j=1}^M }</math>为[[节点]]，<math>\boldsymbol{y}^{(j)} = F(\boldsymbol{x}^{(j)}) </math>，<math>\displaystyle{ \{w_j\}_{j=1}^M }</math>为权重，<math>M </math>为[[初始条件]]数量）近似积分。通过这种方式，把连续的积分转化为离散的加权和，原来的优化问题就变成了更容易计算的“[[加权最小二乘问题]]”：
:<math>\arg\min_{B\in\mathbb{C}^{N_K \times N_K}} \sum_{j=1}^{M} w_j \|\Psi(y^{(j)}) - \Psi(x^{(j)})B\|_{\ell_2}^2</math>
:<math>\arg\min_{B\in\mathbb{C}^{N_K \times N_K}} \sum_{j=1}^{M} w_j \|\Psi(y^{(j)}) - \Psi(x^{(j)})B\|_{\ell_2}^2</math>
该问题有[[解析解]]，这个解就是我们要找的最优近似矩阵<math>K_{\text{EDMD}}</math>，可表示为：
:<math>\displaystyle{ K_{\text{EDMD}} = (\Psi_X^* W \Psi_X)^\dagger (\Psi_X^* W \Psi_Y) }</math>
:<math>\displaystyle{ K_{\text{EDMD}} = (\Psi_X^* W \Psi_X)^\dagger (\Psi_X^* W \Psi_Y) }</math>
其中 “<math>\displaystyle{ \dagger }</math>” 表示[[伪逆]]，<math>\displaystyle{ W = \text{diag}(w_1, \dots, w_M) }</math>（对角权重矩阵），<math>\displaystyle{ \Psi_X }</math>和<math>\displaystyle{ \Psi_Y }</math>为矩阵，即，
其中 “<math>\displaystyle{ \dagger }</math>” 表示[[伪逆]]，<math>\displaystyle{ W = \text{diag}(w_1, \dots, w_M) }</math>（对角权重矩阵），<math>\displaystyle{ \Psi_X }</math>和<math>\displaystyle{ \Psi_Y }</math>为矩阵，是把所有节点的特征映射向量堆叠起来形成的矩阵——简单说就是“每个行对应一个节点，每个列对应一个观测函数”，具体形式为：
<math>\displaystyle{ \Psi_X = \begin{pmatrix} \Psi(\boldsymbol{x}^{(1)}) \\ \vdots \\ \Psi(\boldsymbol{x}^{(M)}) \end{pmatrix}, \quad \Psi_Y = \begin{pmatrix} \Psi(\boldsymbol{y}^{(1)}) \\ \vdots \\ \Psi(\boldsymbol{y}^{(M)}) \end{pmatrix} }</math>
<math>\displaystyle{ \Psi_X = \begin{pmatrix} \Psi(\boldsymbol{x}^{(1)}) \\ \vdots \\ \Psi(\boldsymbol{x}^{(M)}) \end{pmatrix}, \quad \Psi_Y = \begin{pmatrix} \Psi(\boldsymbol{y}^{(1)}) \\ \vdots \\ \Psi(\boldsymbol{y}^{(M)}) \end{pmatrix} }</math>
故对于<math>\displaystyle{ \mathcal{K} }</math>的候选特征对 <math>(\lambda, g) </math>（<math>\lambda \in \mathbb{C} </math>是候选[[特征值]]，<math>g = \Psi \boldsymbol{g} \in V_{N_K}</math>是基于字典的候选[[特征函数]]），残差定义为：
故对于<math>\displaystyle{ \mathcal{K} }</math>的候选特征对 <math>(\lambda, g) </math>（<math>\lambda \in \mathbb{C} </math>是候选[[特征值]]，<math>g = \Psi \boldsymbol{g} \in V_{N_K}</math>是基于字典的候选[[特征函数]]），为了衡量这个候选特征对的“靠谱程度”（也就是它偏离真实特征对的程度），我们定义了残差：
:<math>\text{res}(\lambda, g)^2 = \frac{\sum_{j,k=1}^{N_K} \overline{g_j} g_k \left[ (\Psi_Y^* W \Psi_Y)_{jk} - \lambda (\Psi_Y^* W \Psi_X)_{jk} - \overline{\lambda} (\Psi_X^* W \Psi_Y)_{jk} + |\lambda|^2 (\Psi_X^* W \Psi_X)_{jk} \right]}{\sum_{j,k=1}^{N_K} \overline{g_j} g_k (\Psi_X^* W \Psi_X)_{jk}}</math>
:<math>\text{res}(\lambda, g)^2 = \frac{\sum_{j,k=1}^{N_K} \overline{g_j} g_k \left[ (\Psi_Y^* W \Psi_Y)_{jk} - \lambda (\Psi_Y^* W \Psi_X)_{jk} - \overline{\lambda} (\Psi_X^* W \Psi_Y)_{jk} + |\lambda|^2 (\Psi_X^* W \Psi_X)_{jk} \right]}{\sum_{j,k=1}^{N_K} \overline{g_j} g_k (\Psi_X^* W \Psi_X)_{jk}}</math>