更改

残差DMD算法的核心思路是：通过数据驱动的方式求解近似Koopman矩阵<math>K</math>，再基于此筛选出“靠谱”的Koopman候选特征对（<math>\lambda, g</math>）——筛选的核心依据就是前文定义的残差<math>\text{res}(\lambda, g)</math>，残差越小说明候选特征对越接近真实情况。

残差DMD算法的核心思路是：通过数据驱动的方式求解近似Koopman矩阵<math>K</math>，再基于此筛选出“靠谱”的Koopman候选特征对（<math>\lambda, g</math>）——筛选的核心依据就是前文定义的残差<math>\text{res}(\lambda, g)</math>，残差越小说明候选特征对越接近真实情况。

一、计算无[[谱污染]][[特征值]]的算法<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>：近似得到的矩阵容易出现伪特征值，故此算法是用来判断矩阵的特征值是不是为特征值，解决传统EDMD的[[谱污染]]问题。

一、计算无[[谱污染]][[特征值]]的算法<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>：近似得到的矩阵容易出现伪特征值，故此算法是用来判断矩阵的特征值是不是伪特征值，解决传统EDMD的[[谱污染]]问题。

'''输入：'''系统变量的初始状态<math>\{x^{(j)}\}_{j=1}^M</math>、系统变量的下一时刻状态<math>\{y^{(j)}=F(x^{(j)})\}_{j=1}^M</math>、每个点对应的权重<math>\{w_j\}_{j=1}^M</math>、观测函数<math>\{\psi_j\}_{j=1}^{N}</math>、判定是否是真特征值的阈值<math>\epsilon>0</math>

'''输入：'''系统变量的初始状态<math>\{x^{(j)}\}_{j=1}^M</math>、系统变量的下一时刻状态<math>\{y^{(j)}=F(x^{(j)})\}_{j=1}^M</math>、每个点对应的权重<math>\{w_j\}_{j=1}^M</math>、观测函数<math>\{\psi_j\}_{j=1}^{N}</math>、判定是否是真特征值的阈值<math>\epsilon>0</math>