更改

:<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>

:<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>

该观测函数本身张成的空间并不是 Koopman 算子的不变子空间，所以产生了误差<math>\epsilon</math>，其大小反应的是该观测空间与Koopman不变子空间之间的距离。在这种情况下，数据驱动算法试图用单一的增长率来拟合混合了不同增长率的数据，从而预测出一个伪特征值 <math>3</math>。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。该特征值属于上述伪谱定义的集合内，但不是系统真实的特征值。

该观测函数本身张成的空间并不是 Koopman 算子的不变子空间，所以产生了误差<math>\epsilon</math>，其大小反应的是该观测空间与Koopman不变子空间之间的距离。在这种情况下，数据驱动算法试图用单一的增长率来拟合混合了不同增长率的数据，从而预测出一个伪特征值 <math>5</math>。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。该特征值属于上述伪谱定义的集合内，但不是系统真实的特征值。

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。

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。