Koopman算子理论 - 版本历史

Jake：/* 扩展DMD */

2026-04-21T09:59:42Z

扩展DMD

Jake：/* Koopman算子应用的简单案例 */

2026-02-15T04:04:52Z

Koopman算子应用的简单案例

Matthew：/* Perron-Frobenius算子 */

2026-01-23T04:55:20Z

Perron-Frobenius算子

Matthew：/* Koopman模式分解 */

2026-01-23T04:38:54Z

Koopman模式分解

Matthew：/* 时间延迟DMD */

2026-01-23T04:01:39Z

时间延迟DMD

2026年1月23日 (五) 03:58 Matthew

2026-01-23T03:58:07Z

2026年1月23日 (五) 03:55 Matthew

2026-01-23T03:55:37Z

2026年1月23日 (五) 03:52 Matthew

2026-01-23T03:52:21Z

2026年1月23日 (五) 03:47 Matthew

2026-01-23T03:47:03Z

2026年1月23日 (五) 03:41 Matthew

2026-01-23T03:41:24Z

@@ 第389行： / 第389行： @@
 这里<math>\mathbf{z}_k = \mathbf{g}(\mathbf{x}k) = \mathbf{g}(\mathbf{x}(k\Delta t))</math>，为简化起见，我们假设数据是在时间上等间隔采样。
-'''算法（拟合线性迭代矩阵）：'''和DMD一样，构造一个最佳线性矩阵算子<math>\mathbf{A}\mathbf{Z}</math>，将<math>\mathbf{Z}</math>映射到<math>\mathbf{Z}'</math>：
+'''算法（拟合线性迭代矩阵）：'''和DMD一样，构造一个最佳线性矩阵算子<math>\mathbf{A}_{\mathbf{Z}}</math>，将<math>\mathbf{Z}</math>映射到<math>\mathbf{Z}'</math>：
 :<math> \mathbf{A}_\mathbf{Z} = \underset{\mathbf{A}_\mathbf{Z}}{\arg\min} \, \|\mathbf{Z}' - \mathbf{A}_\mathbf{Z} \mathbf{Z}\|_F = \mathbf{Z}'\mathbf{Z}^\dagger </math>

@@ 第284行： / 第284行： @@
 :<math> \dot{x}_1 = μx_1 </math>
-:<math> \dot{x}_2 = λ(x_2 - x_1^2） </math>
+:<math> \dot{x}_2 = λ(x_2 - x_1^2) </math>
 其中μ=-0.05，λ=-1。观测函数选取上，首先可以直接观测<math> y_1=x_1,y_2=x_2 </math>。然后，我们可以引入一个[[非线性]]测量 <math> y_3 = x_1^2 </math>， 从而定义一个三维的Koopman不变子空间。在这些新坐标下，[[动态系统]]变成了[[线性系统]]：

@@ 第639行： / 第639行： @@
 :<math>\mathcal{P}^t \rho = \lambda^t \rho.</math>
-当 <math>\lambda = 1</math> 时，<math>\rho</math> 是不变密度，可将[[动力学]]划分为不变集。即使远离[[Galerkin近似]]的极限，Ulam矩阵 <math>\mathbf{U}</math>(PF[[算子]]的具体矩阵表示) 也可以被解释为[[有向图]]上的[[马尔可夫链]][[转移矩阵]]，这允许定义[[状态空间]]中的[[几乎不变集]]<ref>G. Froyland and M. Dellnitz, Detecting and locating near-optimal almost-invariant sets and cycles, SIAM J. Sci. Comput., 24 (2003), pp. 1839--1863, https://doi.org/10.1137/ S106482750238911X. (Cited on pp. 240, 272)</ref>。对于模长<math>|\lambda| \neq 1</math>的[[特征值]]，其[[特征函数]]与[[动力系统]][[状态空间]]中的混合性质和逃逸率有关<ref>G. Froyland and O. Stancevic, Escape rates and Perron-Frobenius operators: Open and closed dynamical systems, Discrete Contin. Dyn. Syst. B, 14 (2010), pp. 457--472, https: //doi.org/10.3934/dcdsb.2010.14.457. (Cited on p. 272)</ref>。
+当 <math>\lambda = 1</math> 时，<math>\rho</math> 是不变密度，可将[[动力学]]划分为不变集。即使远离[[Galerkin近似]]的极限，Ulam矩阵 <math>\mathbf{U}</math>(PF[[算子]]的具体矩阵表示) 也可以被解释为[[有向图]]上的[[马尔可夫链]][[转移矩阵]]，这允许定义[[状态空间]]中的[[几乎不变集]]<ref>G. Froyland and M. Dellnitz, Detecting and locating near-optimal almost-invariant sets and cycles, SIAM J. Sci. Comput., 24 (2003), pp. 1839--1863, https://doi.org/10.1137/ S106482750238911X. (Cited on pp. 240, 272)</ref>。对于模长<math>|\lambda| \neq 1</math>的[[特征值]]，其[[特征函数]]与[[动力系统]][[状态空间]]中的混合性质和逃逸率有关<ref>G. Froyland and O. Stancevic, Escape rates and Perron-Frobenius operators: Open and closed dynamical systems, Discrete Contin. Dyn. Syst. B, 14 (2010), pp. 457--472, https: //doi.org/10.3934/dcdsb.2010.14.457. </ref>。
 PF[[算子]]的无穷小[[生成元]]是[[Liouville算子]] <math>\mathcal{A}</math>，其满足
@@ 第653行： / 第653行： @@
 :<math>\mu \rho + \operatorname{div}(\rho \mathbf{f}) = 0,</math>
-只要PF[[算子]][[特征值]]<math>\lambda = e^\mu \in \mathbb{C}/\{0\}</math> 成立。Koopman和PF[[算子]]的不变[[特征函数]]已被用于提取[[动力系统]][[状态空间]]中的不变集。在这些[[算子]]互为对偶的函数空间中，两个[[算子]]的[[特征函数]]理论上包含相同的信息。然而，在实践中，我们需要基于实际约束做出合适的选择。例如，通过Koopman[[特征函数]]对不变集的近似依赖于长时间的轨迹，而Ulam对PF的近似通常需要定义域内密集[[采样]]的短时轨迹<ref>M. Budis\v i\'c and I. Mezic\', Geometry of the ergodic quotient reveals coherent structures in flows, Phys. D, 241 (2012), pp. 1255--1269, https://doi.org/10.1016/j.physd.2012.04.006. (Cited on pp. 231, 232, 237, 244, 267, 272, 279)</ref>。
+只要PF[[算子]][[特征值]]<math>\lambda = e^\mu \in \mathbb{C}/\{0\}</math> 成立。Koopman和PF[[算子]]的不变[[特征函数]]已被用于提取[[动力系统]][[状态空间]]中的不变集。在这些[[算子]]互为对偶的函数空间中，两个[[算子]]的[[特征函数]]理论上包含相同的信息。然而，在实践中，我们需要基于实际约束做出合适的选择。例如，通过Koopman[[特征函数]]对不变集的近似依赖于长时间的轨迹，而Ulam对PF的近似通常需要定义域内密集[[采样]]的短时轨迹<ref>M. Budis\v i\'c and I. Mezic\', Geometry of the ergodic quotient reveals coherent structures in flows, Phys. D, 241 (2012), pp. 1255--1269, https://doi.org/10.1016/j.physd.2012.04.006.</ref>。另外，对于PF算子的特征值谱的计算，读者可参考相关的周期轨道理论<ref name=chaosbook>P. Cvitanovi\'c, R. Artuso, R. Mainieri, G. Tanner and G. Vattay, Chaos: Classical and Quantum, ChaosBook.org (Niels Bohr Institute, Copenhagen 2020)</ref>。
 ==[[Lie算子]]==

@@ 第94行： / 第94行： @@
 =Koopman[[模式分解]]=
-Koopman[[模式分解]]是一种基于Koopman[[算子]]理论的[[动力学]]分析方式。它允许研究者利用成熟的线性分析工具（如[[特征分解]]、谱分析）来解析复杂的[[非线性]]现象，能够从数据中直接提取出具有明确[[物理]]意义的时空相干结构（动态模式），从而实现对[[非线性系统]]的有效预测、[[降维]]建模与控制，目前已被广泛应用于[[流体力学]]、[[混沌理论]]、[[神经科学]]及各类[[复杂网络]]的研究中。
+Koopman[[模式分解]]是一种基于Koopman[[算子]]理论的[[动力学]]分析方式。它允许研究者利用成熟的线性分析工具（如[[特征分解]]、谱分析）来解析复杂的[[非线性]]现象，能够从数据中直接提取出具有明确[[物理]]意义的时空相干结构（动态模式），从而实现对[[非线性系统]]的有效预测、[[降维]]建模与控制，目前已被广泛应用于[[流体力学]]、[[混沌理论]]、[[神经科学]]及各类[[复杂网络]]的研究中，甚至可以帮助识别动力学系统接近临界慢化或[[分岔]]等临界点时的特征<ref name=zagli_2025>Zagli, N., Colbrook, M., Lucarini, V., Mezić, I., & Moroney, J. (2025). Bridging the Gap between Koopmanism and Response Theory: Using Natural Variability to Predict Forced Response (No. arXiv:2410.01622).</ref>。
 为了定义Koopman[[模式分解]]本身的含义，我们需要先了解Koopman[[算子]]的[[特征函数]]及其[[相关性]]质，因为正是[[特征函数]]捕捉了具有[[物理]]含义的时空相干结构，它们的演化仅由一个[[特征值]]就可以描述（增长、衰减或震荡）。下文我们在介绍完[[特征函数]]的定义及性质后，还会介绍如何在具体案例中计算[[特征函数]]。

@@ 第583行： / 第583行： @@
 另外在实践中，对于具有混沌性质的动力系统还需要注意动力学封闭性的问题，仅靠升维可能是不够的。Champion, Brunton 和 Kutz等人表明<ref name=champion_2019>K. P. Champion, S. L. Brunton, and J. N. Kutz, Discovery of nonlinear multiscale systems: Sampling strategies and embeddings, SIAM J. Appl. Dyn. Syst., 18 (2019), pp. 312--333, https://doi.org/10.1137/18M1188227.</ref>，对于[[混沌系统]]，即使有近似Koopman不变的测量系统，在识别封闭的线性模型方面仍存在挑战<ref name=mezic_2022>Mezić, I. (2022). On Numerical Approximations of the Koopman Operator. Mathematics, 10(7), 1180. https://doi.org/10.3390/math10071180</ref>。无论多么高维的线性模型，都无法捕捉多个[[不动点]]或具有正[[Lyapunov指数]]的[[混沌]]所特有的不可预测行为<ref name=Brunton_2016 /><ref name=mezic_2022 />。与其构建一个封闭的线性模型，不如在前 <math>p-1</math> 个变量上构建一个线性模型，并将最后一个变量强加为一个外力项<ref name=brunton_2017 />。
-如上图所示，在所探索的[[Lorenz系统]]示例中<ref name=brunton_2017 />，前<math>r-1</math> 项的线性模型是准确的，而没有线性模型能表示 <math>v_r</math>。相反，<math>v_r</math> 应该是线性动力学的外来输入。<math>v_r(t)</math> 的统计数据是非高斯的，具有长尾，也就意味着显著存在罕见的波动事件。这种外力变量的罕见变化对应于驱动 Lorenz 系统中的波瓣切换,如图中左下角红色标注的波峰所示。这种分析架构被称为 Koopman 的 Hankel 替代视图分析 (Hankel alternative view of the Koopman，[[HAVOK]])<ref name=brunton_2017 />。这种考虑有外生变量的模型其实就已经可以用来建模系统控制上的问题。对于控制问题，Koopman算子理论的优势便在于使得非线性系统的反馈控制能够利用高效的线性优化工具完成<ref name=korda_2020>Korda, M., & Mezic, I. (2020). Optimal Construction of Koopman Eigenfunctions for Prediction and Control. IEEE Transactions on Automatic Control, 65(12), 5114–5129. https://doi.org/10.1109/TAC.2020.2978039</ref>，更多相关内容详见词条[[基于Koopman算子的控制策略]]。
+如上图所示，在所探索的[[Lorenz系统]]示例中<ref name=brunton_2017 />，前<math>r-1</math> 项的线性模型是准确的，而没有线性模型能表示 <math>v_r</math>。相反，<math>v_r</math> 应该是线性动力学的外来输入。<math>v_r(t)</math> 的统计数据是非高斯的，具有长尾，也就意味着显著存在罕见的波动事件。这种外力变量的罕见变化对应于驱动 Lorenz 系统中的波瓣切换,如图中左下角红色标注的波峰所示。这种分析架构被称为 Koopman 的 Hankel 替代视图分析 (Hankel alternative view of the Koopman，[[HAVOK]])<ref name=brunton_2017 />。这种考虑有外生变量的模型其实就已经可以用来建模系统控制上的问题。对于控制问题，Koopman算子理论的优势便在于使得非线性系统的反馈控制能够利用高效的线性优化工具完成<ref name=korda_2020>Korda, M., & Mezic, I. (2020). Optimal Construction of Koopman Eigenfunctions for Prediction and Control. IEEE Transactions on Automatic Control, 65(12), 5114–5129. https://doi.org/10.1109/TAC.2020.2978039</ref><ref name=str_2026>Strässer R, Worthmann K, Mezić I, et al. An overview of Koopman-based control: From error bounds to closed-loop guarantees[J]. Annual Reviews in Control, 2026, 61: 101035.</ref>，更多相关内容详见词条[[基于Koopman算子的控制策略]]。
 Hankel矩阵在[[系统]]辨识中已使用了几十年，例如在[[ERA]]<ref>J. N. Juang and R. S. Pappa, An eigensystem realization algorithm for modal parameter identification and model reduction, J. Guidance Control Dynam., 8 (1985), pp. 620--627.</ref>和奇异谱分析(singular spectrum analysis，SSA)<ref>R. W. Brockett, Optimal control of the Liouville equation, in Proceedings of the International Conference on Complex Geometry and Related Fields, AMS/IP Stud. Adv. Math. 39, AMS, 2007, pp. 23--35.</ref>中。这些早期算法是专门为线性[[系统]]开发的，尽管它们常被应用于弱[[非线性系统]]，但当时尚不清楚如何解释由这些方法产生的模型和分解。

@@ 第553行： / 第553行： @@
 DMD和eDMD算法基于全状态测量的可用性，而这些测量通常维数很高。然而，通常情况下只能获得[[系统]]的部分观测值，即存在隐藏变量或潜在变量。在这种情况下，可以使用[[系统]]的时间延迟测量值来构建新的观测量，从而构建一个Koopman不变子空间。和之前提及的算法一样，这里输入是已知的时间序列数据，输出是Koopman算子对应的线性迭代矩阵，只不过这里我们用时间延迟的变量作为扩展的观测函数。
-将时间延迟坐标用作Koopman坐标系依赖于满足[[Takens嵌入定理]]的条件<ref name=takens_1981>F. Takens, Detecting strange attractors in turbulence, in Dynamical Systems and Turbulence, Lecture Notes in Math. 898, Springer, 1981, pp. 366--381.</ref>，这样才能使得延迟嵌入[[吸引子]]与原始全状态坐标中的[[吸引子]][[微分同胚]]。如此构建出来的观测空间中，描述系统演化的线性矩阵便是[[Hankel矩阵]]<ref name=brunton_2017>S. L. Brunton, B. W. Brunton, J. L. Proctor, E. Kaiser, and J. N. Kutz, Chaos as an intermittently forced linear system, Nature Commun., 8 (2017), pp. 1--9. (Cited on pp. 257, 275, 284, 287, 288, 289, 294)</ref>。
+将时间延迟坐标用作Koopman坐标系依赖于满足[[Takens嵌入定理]]的条件<ref name=takens_1981>F. Takens, Detecting strange attractors in turbulence, in Dynamical Systems and Turbulence, Lecture Notes in Math. 898, Springer, 1981, pp. 366--381.</ref>，这样才能使得延迟嵌入[[吸引子]]与原始全状态坐标中的[[吸引子]][[微分同胚]]。如此构建出来的观测空间中，描述系统演化的线性矩阵便是[[Hankel矩阵]]<ref name=brunton_2017 />。
 [[文件:Hankel lorenz.png||无|Lorenz系统作为案例进行时间延迟DMD的分析。其中输入是观测到的<math>x(t)</math>这一个维度的时间序列，输出是回归拟合之后得到的线性微分方程组的系数矩阵。如果考虑存在控制变量的话，输出还有控制变量前的系数。<ref name=brunton_2017 />|缩略图|600x600像素]]<br>

@@ 第296行： / 第296行： @@
 :<math>\displaystyle{ \varphi_μ = x_1 }</math>  和  <math>\displaystyle{ \varphi_\lambda = x_2 - bx_1^2 }</math>，
-其中 <math>\displaystyle{ b = \frac {\lambda} {\lambda-2μ} }</math> 。这个参数代表着快慢变量之间速度变化的比例，其中<math>x_1</math>是慢变量。如果我们以这些[[特征函数]]本身作为观测量来构建不变子空间，那么此时空间上的坐标就是Koopman不变子空间上的特征坐标<ref name=william_2015>M. O. Williams, I. G. Kevrekidis, and C. W. Rowley, A data-driven approximation of the Koopman operator: Extending dynamic mode decomposition, J. Nonlinear Sci., 6 (2015), pp. 1307--1346. (Cited on pp. 246, 247, 256, 284, 285, 292)</ref>
+其中 <math>\displaystyle{ b = \frac {\lambda} {\lambda-2μ} }</math> 。这个参数代表着快慢变量之间速度变化的比例，其中<math>x_1</math>是慢变量。如果我们以这些[[特征函数]]本身作为观测量来构建不变子空间，那么此时空间上的坐标就是Koopman不变子空间上的特征坐标<ref name=william_2015>M. O. Williams, I. G. Kevrekidis, and C. W. Rowley, A data-driven approximation of the Koopman operator: Extending dynamic mode decomposition, J. Nonlinear Sci., 6 (2015), pp. 1307--1346.</ref>
 [[文件:Exampleph.png|无|三维空间中系统动力学的流形，引自<ref name=william_2015 />|缩略图|600x600像素]]<br>
@@ 第312行： / 第312行： @@
 在分析复杂的[[非线性系统]]时，传统的分析方法只能在不动点附近很小的领域内进行线性化处理，大大限制了我们对[[非线性系统]]的解释和预测。Koopman[[算子]]理论通过将系统的状态映射到由可观测函数构成的无穷维空间，从而在'''全局'''上将非线性动力学问题转化为一个无穷维线性算子问题。不过，这个理想的Koopman算子本身是无穷维的，无法直接计算。实践中，我们要利用Koopman不变子空间的概念（参见第3.3节），通过数据拟合出有限维的线性迭代系统，尽可能地逼近[[无限]]维的Koopman线性[[算子]]。
-那么如何用有限的、来自现实的数据，去逼近[[无限]]维的Koopman线性[[算子]]呢？最开始的方法是'''[[动力学模式分解]]（DMD，Dynamic Mode Decomposition）'''<ref name=Schmid_2010>P. J. Schmid, Dynamic mode decomposition of numerical and experimental data, J. Fluid Mech., 656 (2010), pp. 5--28.</ref>，它直接把“[[状态变量]]本身”当作观测函数。然而，对于真正的[[非线性系统]]，DMD的近似就太粗糙了。故此后学者们围绕着“如何更有效地拓展观测空间”与“如何优化求解过程”展开。'''扩展动态[[模式分解]]（EDMD, Extended Dynamic Mode Decomposition）'''<ref name=william_2015>M. O. Williams, I. G. Kevrekidis, and C. W. Rowley, A data-driven approximation of the Koopman operator: Extending dynamic mode decomposition, J. Nonlinear Sci., 6 (2015), pp. 1307--1346.</ref>通过预定义的[[非线性]]函数显式拓展；'''残差动态[[模式分解]]（ResDMD, Residual DMD）'''<ref name=Colbrook_2023>Colbrook, M. J., Ayton, L. J. & Szőke, M. Residual dynamic mode decomposition: Robust and verified koopmanism. J. Fluid Mech. 955, A21 (2023).</ref><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>致力于严格评估逼近精度并筛选可靠模态；'''核动态[[模式分解]]（Kernel DMD）'''<ref name=william_2015_kernal>M. O. Williams, C. W. Rowley, and I. G. Kevrekidis, A kernel approach to data-driven Koopman spectral analysis, J. Comput. Dynam., 2 (2015), pp. 247--265.</ref><ref name=Gonzalez_2023_kernal>Gonzalez, E., Abudia, M., Jury, M., Kamalapurkar, R. & Rosenfeld, J. A. The kernel perspective on dynamic mode decomposition. Preprint at https://doi.org/10.48550/arXiv.2106.00106 (2023).</ref>利用[[核技巧]]隐式构建观测函数空间；'''基于[[神经网络]]的动态[[模式分解]]（[[Neural Network]] DMD）'''<ref name=CW2018>C. Wehmeyer and F. Noe\', Time-lagged autoencoders: Deep learning of slow collective variables for molecular kinetics, J. Chem. Phys., 148 (2018), pp. 1--9.</ref><ref name=NT2017>N. Takeishi, Y. Kawahara, and T. Yairi, Learning Koopman invariant subspaces for dynamic mode decomposition, in Advances in Neural Information Processing Systems, 2017, pp. 1130--1140.</ref>用[[深度学习]]自动学习最优的拓展方式；'''时间延迟动态[[模式分解]]（Time-delay DMD/Hankel DMD）'''<ref name=brunton_2017>S. L. Brunton, B. W. Brunton, J. L. Proctor, E. Kaiser, and J. N. Kutz, Chaos as an intermittently forced linear system, Nature Commun., 8 (2017), pp. 1--9.</ref>通过历史数据构造[[嵌入空间]]；'''[[随机]]动态[[模式分解]]（Randomized DMD）'''<ref name=ranDMD>Erichson, N. B., Mathelin, L., Kutz, J. N. & Brunton, S. L. Randomized dynamic mode decomposition. Siam J. Appl. Dyn. Syst. 18, 1867–1891 (2019)</ref>专注于利用[[随机]]算法提升高维问题的计算效率；'''最优[[模式分解]]（OPD/Optimal DMD）'''<ref name=opdmd>T. Askham and J. N. Kutz, Variable projection methods for an optimized dynamic mode decomposition, SIAM J. Appl. Dyn. Syst., 17 (2018), pp. 380--416, https://doi.org/10. 1137/M1124176.</ref>将问题重构为全局[[非线性]]优化以求取最佳拟合；'''多分辨率动态[[模式分解]]（mrDMD, Multiresolution DMD）'''<ref name=mrdmd>J. N. Kutz, X. Fu, and S. L. Brunton, Multiresolution dynamic mode decomposition, SIAM J. Appl. Dyn. Syst., 15 (2016), pp. 713--735, https://doi.org/10.1137/15M1023543.</ref>则能分离系统在不同时间尺度或层次上的[[动力学]]；'''前向-后向动态[[模式分解]]（fbDMD, forward-backward DMD）'''<ref name=fbdmd>S. T. Dawson, M. S. Hemati, M. O. Williams, and C. W. Rowley, Characterizing and correcting for the effect of sensor noise in the dynamic mode decomposition, Exp. Fluids, 57 (2016), pp. 1--19.</ref>通过平均正反向数据提升稳定性；'''张量动态[[模式分解]]（Tensor DMD）'''<ref name=tensordmd>S. Klus, P. Gel{\ss}, S. Peitz, and C. Sch\"utte, Tensor-based dynamic mode decomposition, Nonlinearity, 31 (2018), pp. 3359--3380.</ref>处理具有空间结构的多维数据；'''受控动态[[模式分解]]（Controlled DMD）'''<ref name=DMDc>J. L. Proctor, S. L. Brunton, and J. N. Kutz, Dynamic mode decomposition with control, SIAM J. Appl. Dyn. Syst., 15 (2016), pp</ref>则旨在辨识含外部输入系统的Koopman模型。DMD算法现在已经扩展出许多不同的版本，在这里只是罗列的部分情况，下文会对主流的几种方法进行更详细的介绍，其他算法请参考文献。
+那么如何用有限的、来自现实的数据，去逼近[[无限]]维的Koopman线性[[算子]]呢？最开始的方法是'''[[动力学模式分解]]（DMD，Dynamic Mode Decomposition）'''<ref name=Schmid_2010>P. J. Schmid, Dynamic mode decomposition of numerical and experimental data, J. Fluid Mech., 656 (2010), pp. 5--28.</ref>，它直接把“[[状态变量]]本身”当作观测函数。然而，对于真正的[[非线性系统]]，DMD的近似就太粗糙了。故此后学者们围绕着“如何更有效地拓展观测空间”与“如何优化求解过程”展开。'''扩展动态[[模式分解]]（EDMD, Extended Dynamic Mode Decomposition）'''<ref name=william_2015 />通过预定义的[[非线性]]函数显式拓展；'''残差动态[[模式分解]]（ResDMD, Residual DMD）'''<ref name=Colbrook_2023>Colbrook, M. J., Ayton, L. J. & Szőke, M. Residual dynamic mode decomposition: Robust and verified koopmanism. J. Fluid Mech. 955, A21 (2023).</ref><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>致力于严格评估逼近精度并筛选可靠模态；'''核动态[[模式分解]]（Kernel DMD）'''<ref name=william_2015_kernal>M. O. Williams, C. W. Rowley, and I. G. Kevrekidis, A kernel approach to data-driven Koopman spectral analysis, J. Comput. Dynam., 2 (2015), pp. 247--265.</ref><ref name=Gonzalez_2023_kernal>Gonzalez, E., Abudia, M., Jury, M., Kamalapurkar, R. & Rosenfeld, J. A. The kernel perspective on dynamic mode decomposition. Preprint at https://doi.org/10.48550/arXiv.2106.00106 (2023).</ref>利用[[核技巧]]隐式构建观测函数空间；'''基于[[神经网络]]的动态[[模式分解]]（[[Neural Network]] DMD）'''<ref name=CW2018>C. Wehmeyer and F. Noe\', Time-lagged autoencoders: Deep learning of slow collective variables for molecular kinetics, J. Chem. Phys., 148 (2018), pp. 1--9.</ref><ref name=NT2017>N. Takeishi, Y. Kawahara, and T. Yairi, Learning Koopman invariant subspaces for dynamic mode decomposition, in Advances in Neural Information Processing Systems, 2017, pp. 1130--1140.</ref>用[[深度学习]]自动学习最优的拓展方式；'''时间延迟动态[[模式分解]]（Time-delay DMD/Hankel DMD）'''<ref name=brunton_2017>S. L. Brunton, B. W. Brunton, J. L. Proctor, E. Kaiser, and J. N. Kutz, Chaos as an intermittently forced linear system, Nature Commun., 8 (2017), pp. 1--9.</ref>通过历史数据构造[[嵌入空间]]；'''[[随机]]动态[[模式分解]]（Randomized DMD）'''<ref name=ranDMD>Erichson, N. B., Mathelin, L., Kutz, J. N. & Brunton, S. L. Randomized dynamic mode decomposition. Siam J. Appl. Dyn. Syst. 18, 1867–1891 (2019)</ref>专注于利用[[随机]]算法提升高维问题的计算效率；'''最优[[模式分解]]（OPD/Optimal DMD）'''<ref name=opdmd>T. Askham and J. N. Kutz, Variable projection methods for an optimized dynamic mode decomposition, SIAM J. Appl. Dyn. Syst., 17 (2018), pp. 380--416, https://doi.org/10. 1137/M1124176.</ref>将问题重构为全局[[非线性]]优化以求取最佳拟合；'''多分辨率动态[[模式分解]]（mrDMD, Multiresolution DMD）'''<ref name=mrdmd>J. N. Kutz, X. Fu, and S. L. Brunton, Multiresolution dynamic mode decomposition, SIAM J. Appl. Dyn. Syst., 15 (2016), pp. 713--735, https://doi.org/10.1137/15M1023543.</ref>则能分离系统在不同时间尺度或层次上的[[动力学]]；'''前向-后向动态[[模式分解]]（fbDMD, forward-backward DMD）'''<ref name=fbdmd>S. T. Dawson, M. S. Hemati, M. O. Williams, and C. W. Rowley, Characterizing and correcting for the effect of sensor noise in the dynamic mode decomposition, Exp. Fluids, 57 (2016), pp. 1--19.</ref>通过平均正反向数据提升稳定性；'''张量动态[[模式分解]]（Tensor DMD）'''<ref name=tensordmd>S. Klus, P. Gel{\ss}, S. Peitz, and C. Sch\"utte, Tensor-based dynamic mode decomposition, Nonlinearity, 31 (2018), pp. 3359--3380.</ref>处理具有空间结构的多维数据；'''受控动态[[模式分解]]（Controlled DMD）'''<ref name=DMDc>J. L. Proctor, S. L. Brunton, and J. N. Kutz, Dynamic mode decomposition with control, SIAM J. Appl. Dyn. Syst., 15 (2016), pp</ref>则旨在辨识含外部输入系统的Koopman模型。DMD算法现在已经扩展出许多不同的版本，在这里只是罗列的部分情况，下文会对主流的几种方法进行更详细的介绍，其他算法请参考文献。
 ==[[动力学模式分解]]（DMD）==
@@ 第373行： / 第373行： @@
 [[文件:未命名2.png|无|雷诺数Re=4500时方形空腔流的DMD空间模态<ref name=Schmid_2010 />|缩略图|600x600像素]]<br>
-DMD是简单地将原始状态本身视为观测函数，其计算高效、概念直观。然而，随着系统复杂度和数据维度的急剧攀升，计算成本成为瓶颈。而且很多场景需要更复杂的非线性观测才能捕捉到重要的物理结构。为此，包括扩展DMD（extended DMD，eDMD）<ref name=william_2015>M. O. Williams, I. G. Kevrekidis, and C. W. Rowley, A data-driven approximation of the Koopman operator: Extending dynamic mode decomposition, J. Nonlinear Sci., 6 (2015), pp. 1307--1346. (Cited on pp. 246, 247, 256, 284, 285, 292)</ref>、[[随机]]DMD（Randomized DMD）<ref name=ranDMD>Erichson, N. B., Mathelin, L., Kutz, J. N. & Brunton, S. L. Randomized dynamic mode decomposition. Siam J. Appl. Dyn. Syst. 18, 1867–1891 (2019)</ref>等等方法应运而生。它们有的在原始DMD的基础上，引入了更多的观测方式和[[非线性]]观测函数，从而能够处理更高维的系统。另外，诸如[[随机]]DMD，通过引入[[随机]][[投影]]、[[随机]][[采样]]等数值技术，在基本保持DMD分析精度的同时，极大地降低了大规模问题的计算与存储开销，为处理高维、实时的数据流提供了高效方案。下面将简要介绍几种主要的前沿数据驱动算法。
+DMD是简单地将原始状态本身视为观测函数，其计算高效、概念直观。然而，随着系统复杂度和数据维度的急剧攀升，计算成本成为瓶颈。而且很多场景需要更复杂的非线性观测才能捕捉到重要的物理结构。为此，包括扩展DMD（extended DMD，eDMD）<ref name=william_2015 />、[[随机]]DMD（Randomized DMD）<ref name=ranDMD>Erichson, N. B., Mathelin, L., Kutz, J. N. & Brunton, S. L. Randomized dynamic mode decomposition. Siam J. Appl. Dyn. Syst. 18, 1867–1891 (2019)</ref>等等方法应运而生。它们有的在原始DMD的基础上，引入了更多的观测方式和[[非线性]]观测函数，从而能够处理更高维的系统。另外，诸如[[随机]]DMD，通过引入[[随机]][[投影]]、[[随机]][[采样]]等数值技术，在基本保持DMD分析精度的同时，极大地降低了大规模问题的计算与存储开销，为处理高维、实时的数据流提供了高效方案。下面将简要介绍几种主要的前沿数据驱动算法。
 ==扩展DMD==

@@ 第312行： / 第312行： @@
 在分析复杂的[[非线性系统]]时，传统的分析方法只能在不动点附近很小的领域内进行线性化处理，大大限制了我们对[[非线性系统]]的解释和预测。Koopman[[算子]]理论通过将系统的状态映射到由可观测函数构成的无穷维空间，从而在'''全局'''上将非线性动力学问题转化为一个无穷维线性算子问题。不过，这个理想的Koopman算子本身是无穷维的，无法直接计算。实践中，我们要利用Koopman不变子空间的概念（参见第3.3节），通过数据拟合出有限维的线性迭代系统，尽可能地逼近[[无限]]维的Koopman线性[[算子]]。
-那么如何用有限的、来自现实的数据，去逼近[[无限]]维的Koopman线性[[算子]]呢？最开始的方法是'''[[动力学模式分解]]（DMD，Dynamic Mode Decomposition）'''<ref name=Schmid_2010>P. J. Schmid, Dynamic mode decomposition of numerical and experimental data, J. Fluid Mech., 656 (2010), pp. 5--28.</ref>，它直接把“[[状态变量]]本身”当作观测函数。然而，对于真正的[[非线性系统]]，DMD的近似就太粗糙了。故此后学者们围绕着“如何更有效地拓展观测空间”与“如何优化求解过程”展开。'''扩展动态[[模式分解]]（EDMD, Extended Dynamic Mode Decomposition）'''<ref name=william_2015>M. O. Williams, I. G. Kevrekidis, and C. W. Rowley, A data-driven approximation of the Koopman operator: Extending dynamic mode decomposition, J. Nonlinear Sci., 6 (2015), pp. 1307--1346. (Cited on pp. 246, 247, 256, 284, 285, 292)</ref>通过预定义的[[非线性]]函数显式拓展；'''残差动态[[模式分解]]（ResDMD, Residual DMD）'''<ref name=Colbrook_2023>Colbrook, M. J., Ayton, L. J. & Szőke, M. Residual dynamic mode decomposition: Robust and verified koopmanism. J. Fluid Mech. 955, A21 (2023).</ref><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>致力于严格评估逼近精度并筛选可靠模态；'''核动态[[模式分解]]（Kernel DMD）'''<ref name=william_2015_kernal>M. O. Williams, C. W. Rowley, and I. G. Kevrekidis, A kernel approach to data-driven Koopman spectral analysis, J. Comput. Dynam., 2 (2015), pp. 247--265.</ref><ref name=Gonzalez_2023_kernal>Gonzalez, E., Abudia, M., Jury, M., Kamalapurkar, R. & Rosenfeld, J. A. The kernel perspective on dynamic mode decomposition. Preprint at https://doi.org/10.48550/arXiv.2106.00106 (2023).</ref>利用[[核技巧]]隐式构建观测函数空间；'''基于[[神经网络]]的动态[[模式分解]]（[[Neural Network]] DMD）'''<ref name=CW2018>C. Wehmeyer and F. Noe\', Time-lagged autoencoders: Deep learning of slow collective variables for molecular kinetics, J. Chem. Phys., 148 (2018), pp. 1--9.</ref><ref name=NT2017>N. Takeishi, Y. Kawahara, and T. Yairi, Learning Koopman invariant subspaces for dynamic mode decomposition, in Advances in Neural Information Processing Systems, 2017, pp. 1130--1140.</ref>用[[深度学习]]自动学习最优的拓展方式；'''时间延迟动态[[模式分解]]（Time-delay DMD/Hankel DMD）'''<ref name=brunton_2017>S. L. Brunton, B. W. Brunton, J. L. Proctor, E. Kaiser, and J. N. Kutz, Chaos as an intermittently forced linear system, Nature Commun., 8 (2017), pp. 1--9.</ref>通过历史数据构造[[嵌入空间]]；'''[[随机]]动态[[模式分解]]（Randomized DMD）'''<ref name=ranDMD>Erichson, N. B., Mathelin, L., Kutz, J. N. & Brunton, S. L. Randomized dynamic mode decomposition. Siam J. Appl. Dyn. Syst. 18, 1867–1891 (2019)</ref>专注于利用[[随机]]算法提升高维问题的计算效率；'''最优[[模式分解]]（OPD/Optimal DMD）'''<ref name=opdmd>T. Askham and J. N. Kutz, Variable projection methods for an optimized dynamic mode decomposition, SIAM J. Appl. Dyn. Syst., 17 (2018), pp. 380--416, https://doi.org/10. 1137/M1124176.</ref>将问题重构为全局[[非线性]]优化以求取最佳拟合；'''多分辨率动态[[模式分解]]（mrDMD, Multiresolution DMD）'''<ref name=mrdmd>J. N. Kutz, X. Fu, and S. L. Brunton, Multiresolution dynamic mode decomposition, SIAM J. Appl. Dyn. Syst., 15 (2016), pp. 713--735, https://doi.org/10.1137/15M1023543.</ref>则能分离系统在不同时间尺度或层次上的[[动力学]]；'''前向-后向动态[[模式分解]]（fbDMD, forward-backward DMD）'''<ref name=fbdmd>S. T. Dawson, M. S. Hemati, M. O. Williams, and C. W. Rowley, Characterizing and correcting for the effect of sensor noise in the dynamic mode decomposition, Exp. Fluids, 57 (2016), pp. 1--19.</ref>通过平均正反向数据提升稳定性；'''张量动态[[模式分解]]（Tensor DMD）'''<ref name=tensordmd>S. Klus, P. Gel{\ss}, S. Peitz, and C. Sch\"utte, Tensor-based dynamic mode decomposition, Nonlinearity, 31 (2018), pp. 3359--3380.</ref>处理具有空间结构的多维数据；'''受控动态[[模式分解]]（Controlled DMD）'''<ref name=DMDc>J. L. Proctor, S. L. Brunton, and J. N. Kutz, Dynamic mode decomposition with control, SIAM J. Appl. Dyn. Syst., 15 (2016), pp</ref>则旨在辨识含外部输入系统的Koopman模型。DMD算法现在已经扩展出许多不同的版本，在这里只是罗列的部分情况，下文会对主流的几种方法进行更详细的介绍，其他算法请参考文献。
+那么如何用有限的、来自现实的数据，去逼近[[无限]]维的Koopman线性[[算子]]呢？最开始的方法是'''[[动力学模式分解]]（DMD，Dynamic Mode Decomposition）'''<ref name=Schmid_2010>P. J. Schmid, Dynamic mode decomposition of numerical and experimental data, J. Fluid Mech., 656 (2010), pp. 5--28.</ref>，它直接把“[[状态变量]]本身”当作观测函数。然而，对于真正的[[非线性系统]]，DMD的近似就太粗糙了。故此后学者们围绕着“如何更有效地拓展观测空间”与“如何优化求解过程”展开。'''扩展动态[[模式分解]]（EDMD, Extended Dynamic Mode Decomposition）'''<ref name=william_2015>M. O. Williams, I. G. Kevrekidis, and C. W. Rowley, A data-driven approximation of the Koopman operator: Extending dynamic mode decomposition, J. Nonlinear Sci., 6 (2015), pp. 1307--1346.</ref>通过预定义的[[非线性]]函数显式拓展；'''残差动态[[模式分解]]（ResDMD, Residual DMD）'''<ref name=Colbrook_2023>Colbrook, M. J., Ayton, L. J. & Szőke, M. Residual dynamic mode decomposition: Robust and verified koopmanism. J. Fluid Mech. 955, A21 (2023).</ref><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>致力于严格评估逼近精度并筛选可靠模态；'''核动态[[模式分解]]（Kernel DMD）'''<ref name=william_2015_kernal>M. O. Williams, C. W. Rowley, and I. G. Kevrekidis, A kernel approach to data-driven Koopman spectral analysis, J. Comput. Dynam., 2 (2015), pp. 247--265.</ref><ref name=Gonzalez_2023_kernal>Gonzalez, E., Abudia, M., Jury, M., Kamalapurkar, R. & Rosenfeld, J. A. The kernel perspective on dynamic mode decomposition. Preprint at https://doi.org/10.48550/arXiv.2106.00106 (2023).</ref>利用[[核技巧]]隐式构建观测函数空间；'''基于[[神经网络]]的动态[[模式分解]]（[[Neural Network]] DMD）'''<ref name=CW2018>C. Wehmeyer and F. Noe\', Time-lagged autoencoders: Deep learning of slow collective variables for molecular kinetics, J. Chem. Phys., 148 (2018), pp. 1--9.</ref><ref name=NT2017>N. Takeishi, Y. Kawahara, and T. Yairi, Learning Koopman invariant subspaces for dynamic mode decomposition, in Advances in Neural Information Processing Systems, 2017, pp. 1130--1140.</ref>用[[深度学习]]自动学习最优的拓展方式；'''时间延迟动态[[模式分解]]（Time-delay DMD/Hankel DMD）'''<ref name=brunton_2017>S. L. Brunton, B. W. Brunton, J. L. Proctor, E. Kaiser, and J. N. Kutz, Chaos as an intermittently forced linear system, Nature Commun., 8 (2017), pp. 1--9.</ref>通过历史数据构造[[嵌入空间]]；'''[[随机]]动态[[模式分解]]（Randomized DMD）'''<ref name=ranDMD>Erichson, N. B., Mathelin, L., Kutz, J. N. & Brunton, S. L. Randomized dynamic mode decomposition. Siam J. Appl. Dyn. Syst. 18, 1867–1891 (2019)</ref>专注于利用[[随机]]算法提升高维问题的计算效率；'''最优[[模式分解]]（OPD/Optimal DMD）'''<ref name=opdmd>T. Askham and J. N. Kutz, Variable projection methods for an optimized dynamic mode decomposition, SIAM J. Appl. Dyn. Syst., 17 (2018), pp. 380--416, https://doi.org/10. 1137/M1124176.</ref>将问题重构为全局[[非线性]]优化以求取最佳拟合；'''多分辨率动态[[模式分解]]（mrDMD, Multiresolution DMD）'''<ref name=mrdmd>J. N. Kutz, X. Fu, and S. L. Brunton, Multiresolution dynamic mode decomposition, SIAM J. Appl. Dyn. Syst., 15 (2016), pp. 713--735, https://doi.org/10.1137/15M1023543.</ref>则能分离系统在不同时间尺度或层次上的[[动力学]]；'''前向-后向动态[[模式分解]]（fbDMD, forward-backward DMD）'''<ref name=fbdmd>S. T. Dawson, M. S. Hemati, M. O. Williams, and C. W. Rowley, Characterizing and correcting for the effect of sensor noise in the dynamic mode decomposition, Exp. Fluids, 57 (2016), pp. 1--19.</ref>通过平均正反向数据提升稳定性；'''张量动态[[模式分解]]（Tensor DMD）'''<ref name=tensordmd>S. Klus, P. Gel{\ss}, S. Peitz, and C. Sch\"utte, Tensor-based dynamic mode decomposition, Nonlinearity, 31 (2018), pp. 3359--3380.</ref>处理具有空间结构的多维数据；'''受控动态[[模式分解]]（Controlled DMD）'''<ref name=DMDc>J. L. Proctor, S. L. Brunton, and J. N. Kutz, Dynamic mode decomposition with control, SIAM J. Appl. Dyn. Syst., 15 (2016), pp</ref>则旨在辨识含外部输入系统的Koopman模型。DMD算法现在已经扩展出许多不同的版本，在这里只是罗列的部分情况，下文会对主流的几种方法进行更详细的介绍，其他算法请参考文献。
 ==[[动力学模式分解]]（DMD）==
@@ 第531行： / 第531行： @@
 ==基于[[神经网络]]的DMD==
-尽管Koopman数据驱动算法前景广阔，但要选取合适的观测函数仍然是一个核心挑战。即使对于相对简单的[[动力系统]]，Koopman [[算子]]的[[特征函数]]也可能任意复杂，并且在有限基中只能被近似地表示。[[深度学习]]非常适合表示这种任意复杂的函数，并且最近在Koopman 预测方面显示出了巨大的潜力<ref name=CW2018>C. Wehmeyer and F. Noe\', Time-lagged autoencoders: Deep learning of slow collective variables for molecular kinetics, J. Chem. Phys., 148 (2018), pp. 1--9. (Cited on pp. 284, 290, 291)</ref><ref name=NT2017>N. Takeishi, Y. Kawahara, and T. Yairi, Learning Koopman invariant subspaces for dynamic mode decomposition, in Advances in Neural Information Processing Systems, 2017, pp. 1130--1140. (Cited on pp. 284, 290)</ref>。
+尽管Koopman数据驱动算法前景广阔，但要选取合适的观测函数仍然是一个核心挑战。即使对于相对简单的[[动力系统]]，Koopman [[算子]]的[[特征函数]]也可能任意复杂，并且在有限基中只能被近似地表示。[[深度学习]]非常适合表示这种任意复杂的函数，并且最近在Koopman 预测方面显示出了巨大的潜力<ref name=CW2018 /><ref name=NT2017 />。
 除了利用[[神经网络]]来学习Koopman嵌入之外，[[Koopman理论]]也被应用于理解[[神经网络]]<ref name=IM2020>I. Manojlovic\', M. Fonoberova, R. Mohr, A. Andrejc\v uk, Z. Drmac\v , Y. Kevrekidis, and I. Mezic\', Applications of Koopman Mode Analysis to Neural Networks, preprint, https://arxiv.org/abs/2006.11765, 2020.</ref><ref>A. S. Dogra and W. T. Redman, Optimizing neural networks via Koopman operator theory, in Advances in Neural Information Processing Systems, H. Larochelle, M. Ranzato, R. Hadsell, M. F. Balcan, and H. Lin, eds., Curran Associates, 2020, pp. 2087--2097.</ref>以及更广泛的算法<ref>F. Dietrich, T. N. Thiem, and I. G. Kevrekidis, On the Koopman operator of algorithms, SIAM J. Appl. Dyn. Syst., 19 (2020), pp. 860--885, https://doi.org/10.1137/19M1277059.</ref>。

@@ 第312行： / 第312行： @@
 在分析复杂的[[非线性系统]]时，传统的分析方法只能在不动点附近很小的领域内进行线性化处理，大大限制了我们对[[非线性系统]]的解释和预测。Koopman[[算子]]理论通过将系统的状态映射到由可观测函数构成的无穷维空间，从而在'''全局'''上将非线性动力学问题转化为一个无穷维线性算子问题。不过，这个理想的Koopman算子本身是无穷维的，无法直接计算。实践中，我们要利用Koopman不变子空间的概念（参见第3.3节），通过数据拟合出有限维的线性迭代系统，尽可能地逼近[[无限]]维的Koopman线性[[算子]]。
-那么如何用有限的、来自现实的数据，去逼近[[无限]]维的Koopman线性[[算子]]呢？最开始的方法是'''[[动力学模式分解]]（DMD，Dynamic Mode Decomposition）'''<ref name=Schmid_2010>P. J. Schmid, Dynamic mode decomposition of numerical and experimental data, J. Fluid Mech., 656 (2010), pp. 5--28.</ref>，它直接把“[[状态变量]]本身”当作观测函数。然而，对于真正的[[非线性系统]]，DMD的近似就太粗糙了。故此后学者们围绕着“如何更有效地拓展观测空间”与“如何优化求解过程”展开。'''扩展动态[[模式分解]]（EDMD, Extended Dynamic Mode Decomposition）'''<ref name=william_2015>M. O. Williams, I. G. Kevrekidis, and C. W. Rowley, A data-driven approximation of the Koopman operator: Extending dynamic mode decomposition, J. Nonlinear Sci., 6 (2015), pp. 1307--1346. (Cited on pp. 246, 247, 256, 284, 285, 292)</ref>通过预定义的[[非线性]]函数显式拓展；'''残差动态[[模式分解]]（ResDMD, Residual DMD）'''<ref name=Colbrook_2023>Colbrook, M. J., Ayton, L. J. & Szőke, M. Residual dynamic mode decomposition: Robust and verified koopmanism. J. Fluid Mech. 955, A21 (2023).</ref><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>致力于严格评估逼近精度并筛选可靠模态；'''核动态[[模式分解]]（Kernel DMD）'''<ref name=william_2015_kernal>M. O. Williams, C. W. Rowley, and I. G. Kevrekidis, A kernel approach to data-driven Koopman spectral analysis, J. Comput. Dynam., 2 (2015), pp. 247--265.</ref><ref name=Gonzalez_2023_kernal>Gonzalez, E., Abudia, M., Jury, M., Kamalapurkar, R. & Rosenfeld, J. A. The kernel perspective on dynamic mode decomposition. Preprint at https://doi.org/10.48550/arXiv.2106.00106 (2023).</ref>利用[[核技巧]]隐式构建观测函数空间；'''基于[[神经网络]]的动态[[模式分解]]（[[Neural Network]] DMD）'''<ref name=CW2018>C. Wehmeyer and F. Noe\', Time-lagged autoencoders: Deep learning of slow collective variables for molecular kinetics, J. Chem. Phys., 148 (2018), pp. 1--9. (Cited on pp. 284, 290, 291)</ref><ref name=NT2017>N. Takeishi, Y. Kawahara, and T. Yairi, Learning Koopman invariant subspaces for dynamic mode decomposition, in Advances in Neural Information Processing Systems, 2017, pp. 1130--1140. (Cited on pp. 284, 290)</ref>用[[深度学习]]自动学习最优的拓展方式；'''时间延迟动态[[模式分解]]（Time-delay DMD/Hankel DMD）'''<ref name=brunton_2017>S. L. Brunton, B. W. Brunton, J. L. Proctor, E. Kaiser, and J. N. Kutz, Chaos as an intermittently forced linear system, Nature Commun., 8 (2017), pp. 1--9. (Cited on pp. 257, 275, 284, 287, 288, 289, 294)</ref>通过历史数据构造[[嵌入空间]]；'''[[随机]]动态[[模式分解]]（Randomized DMD）'''<ref name=ranDMD>Erichson, N. B., Mathelin, L., Kutz, J. N. & Brunton, S. L. Randomized dynamic mode decomposition. Siam J. Appl. Dyn. Syst. 18, 1867–1891 (2019)</ref>专注于利用[[随机]]算法提升高维问题的计算效率；'''最优[[模式分解]]（OPD/Optimal DMD）'''<ref name=opdmd>T. Askham and J. N. Kutz, Variable projection methods for an optimized dynamic mode decomposition, SIAM J. Appl. Dyn. Syst., 17 (2018), pp. 380--416, https://doi.org/10. 1137/M1124176. (Cited on pp. 253, 254)</ref>将问题重构为全局[[非线性]]优化以求取最佳拟合；'''多分辨率动态[[模式分解]]（mrDMD, Multiresolution DMD）'''<ref name=mrdmd>J. N. Kutz, X. Fu, and S. L. Brunton, Multiresolution dynamic mode decomposition, SIAM J. Appl. Dyn. Syst., 15 (2016), pp. 713--735, https://doi.org/10.1137/15M1023543. (Cited on pp. 257, 278)</ref>则能分离系统在不同时间尺度或层次上的[[动力学]]；'''前向-后向动态[[模式分解]]（fbDMD, forward-backward DMD）'''<ref name=fbdmd>S. T. Dawson, M. S. Hemati, M. O. Williams, and C. W. Rowley, Characterizing and correcting for the effect of sensor noise in the dynamic mode decomposition, Exp. Fluids, 57 (2016), pp. 1--19. (Cited on p. 253)</ref>通过平均正反向数据提升稳定性；'''张量动态[[模式分解]]（Tensor DMD）'''<ref name=tensordmd>S. Klus, P. Gel{\ss}, S. Peitz, and C. Sch\"utte, Tensor-based dynamic mode decomposition, Nonlinearity, 31 (2018), pp. 3359--3380.</ref>处理具有空间结构的多维数据；'''受控动态[[模式分解]]（Controlled DMD）'''<ref name=DMDc>J. L. Proctor, S. L. Brunton, and J. N. Kutz, Dynamic mode decomposition with control, SIAM J. Appl. Dyn. Syst., 15 (2016), pp</ref>则旨在辨识含外部输入系统的Koopman模型。DMD算法现在已经扩展出许多不同的版本，在这里只是罗列的部分情况，下文会对主流的几种方法进行更详细的介绍，其他算法请参考文献。
+那么如何用有限的、来自现实的数据，去逼近[[无限]]维的Koopman线性[[算子]]呢？最开始的方法是'''[[动力学模式分解]]（DMD，Dynamic Mode Decomposition）'''<ref name=Schmid_2010>P. J. Schmid, Dynamic mode decomposition of numerical and experimental data, J. Fluid Mech., 656 (2010), pp. 5--28.</ref>，它直接把“[[状态变量]]本身”当作观测函数。然而，对于真正的[[非线性系统]]，DMD的近似就太粗糙了。故此后学者们围绕着“如何更有效地拓展观测空间”与“如何优化求解过程”展开。'''扩展动态[[模式分解]]（EDMD, Extended Dynamic Mode Decomposition）'''<ref name=william_2015>M. O. Williams, I. G. Kevrekidis, and C. W. Rowley, A data-driven approximation of the Koopman operator: Extending dynamic mode decomposition, J. Nonlinear Sci., 6 (2015), pp. 1307--1346. (Cited on pp. 246, 247, 256, 284, 285, 292)</ref>通过预定义的[[非线性]]函数显式拓展；'''残差动态[[模式分解]]（ResDMD, Residual DMD）'''<ref name=Colbrook_2023>Colbrook, M. J., Ayton, L. J. & Szőke, M. Residual dynamic mode decomposition: Robust and verified koopmanism. J. Fluid Mech. 955, A21 (2023).</ref><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>致力于严格评估逼近精度并筛选可靠模态；'''核动态[[模式分解]]（Kernel DMD）'''<ref name=william_2015_kernal>M. O. Williams, C. W. Rowley, and I. G. Kevrekidis, A kernel approach to data-driven Koopman spectral analysis, J. Comput. Dynam., 2 (2015), pp. 247--265.</ref><ref name=Gonzalez_2023_kernal>Gonzalez, E., Abudia, M., Jury, M., Kamalapurkar, R. & Rosenfeld, J. A. The kernel perspective on dynamic mode decomposition. Preprint at https://doi.org/10.48550/arXiv.2106.00106 (2023).</ref>利用[[核技巧]]隐式构建观测函数空间；'''基于[[神经网络]]的动态[[模式分解]]（[[Neural Network]] DMD）'''<ref name=CW2018>C. Wehmeyer and F. Noe\', Time-lagged autoencoders: Deep learning of slow collective variables for molecular kinetics, J. Chem. Phys., 148 (2018), pp. 1--9.</ref><ref name=NT2017>N. Takeishi, Y. Kawahara, and T. Yairi, Learning Koopman invariant subspaces for dynamic mode decomposition, in Advances in Neural Information Processing Systems, 2017, pp. 1130--1140.</ref>用[[深度学习]]自动学习最优的拓展方式；'''时间延迟动态[[模式分解]]（Time-delay DMD/Hankel DMD）'''<ref name=brunton_2017>S. L. Brunton, B. W. Brunton, J. L. Proctor, E. Kaiser, and J. N. Kutz, Chaos as an intermittently forced linear system, Nature Commun., 8 (2017), pp. 1--9.</ref>通过历史数据构造[[嵌入空间]]；'''[[随机]]动态[[模式分解]]（Randomized DMD）'''<ref name=ranDMD>Erichson, N. B., Mathelin, L., Kutz, J. N. & Brunton, S. L. Randomized dynamic mode decomposition. Siam J. Appl. Dyn. Syst. 18, 1867–1891 (2019)</ref>专注于利用[[随机]]算法提升高维问题的计算效率；'''最优[[模式分解]]（OPD/Optimal DMD）'''<ref name=opdmd>T. Askham and J. N. Kutz, Variable projection methods for an optimized dynamic mode decomposition, SIAM J. Appl. Dyn. Syst., 17 (2018), pp. 380--416, https://doi.org/10. 1137/M1124176.</ref>将问题重构为全局[[非线性]]优化以求取最佳拟合；'''多分辨率动态[[模式分解]]（mrDMD, Multiresolution DMD）'''<ref name=mrdmd>J. N. Kutz, X. Fu, and S. L. Brunton, Multiresolution dynamic mode decomposition, SIAM J. Appl. Dyn. Syst., 15 (2016), pp. 713--735, https://doi.org/10.1137/15M1023543.</ref>则能分离系统在不同时间尺度或层次上的[[动力学]]；'''前向-后向动态[[模式分解]]（fbDMD, forward-backward DMD）'''<ref name=fbdmd>S. T. Dawson, M. S. Hemati, M. O. Williams, and C. W. Rowley, Characterizing and correcting for the effect of sensor noise in the dynamic mode decomposition, Exp. Fluids, 57 (2016), pp. 1--19.</ref>通过平均正反向数据提升稳定性；'''张量动态[[模式分解]]（Tensor DMD）'''<ref name=tensordmd>S. Klus, P. Gel{\ss}, S. Peitz, and C. Sch\"utte, Tensor-based dynamic mode decomposition, Nonlinearity, 31 (2018), pp. 3359--3380.</ref>处理具有空间结构的多维数据；'''受控动态[[模式分解]]（Controlled DMD）'''<ref name=DMDc>J. L. Proctor, S. L. Brunton, and J. N. Kutz, Dynamic mode decomposition with control, SIAM J. Appl. Dyn. Syst., 15 (2016), pp</ref>则旨在辨识含外部输入系统的Koopman模型。DMD算法现在已经扩展出许多不同的版本，在这里只是罗列的部分情况，下文会对主流的几种方法进行更详细的介绍，其他算法请参考文献。
 ==[[动力学模式分解]]（DMD）==
@@ 第393行： / 第393行： @@
 :<math> \mathbf{A}_\mathbf{Z} = \underset{\mathbf{A}_\mathbf{Z}}{\arg\min} \, \|\mathbf{Z}' - \mathbf{A}_\mathbf{Z} \mathbf{Z}\|_F = \mathbf{Z}'\mathbf{Z}^\dagger </math>
-由于扩展向量<math>\mathbf{z}</math>可能远大于状态<math>\mathbf{x}</math>的维数，通常有必要使用[[核方法]]来计算这个回归问题。近年来，利用[[核方法]]近似Koopman算子的DMD方法已经成为一个重要的研究课题<ref name=william_2015_kernal>M. O. Williams, C. W. Rowley, and I. G. Kevrekidis, A kernel approach to data-driven Koopman spectral analysis, J. Comput. Dynam., 2 (2015), pp. 247--265. (Cited on pp. 255, 256, 284, 285, 294, 318)</ref>，具体可参考下文“核DMD”的章节。在[[无限]]样本数据的情况下，eDMD矩阵会收敛到由这些函数所张成的子空间上的Koopman[[算子]]的[[投影]]。如前文所述，选取观测函数时注意要让它们能够张成Koopman不变子空间。
+由于扩展向量<math>\mathbf{z}</math>可能远大于状态<math>\mathbf{x}</math>的维数，通常有必要使用[[核方法]]来计算这个回归问题。近年来，利用[[核方法]]近似Koopman算子的DMD方法已经成为一个重要的研究课题<ref name=william_2015_kernal />，具体可参考下文“核DMD”的章节。在[[无限]]样本数据的情况下，eDMD矩阵会收敛到由这些函数所张成的子空间上的Koopman[[算子]]的[[投影]]。如前文所述，选取观测函数时注意要让它们能够张成Koopman不变子空间。
@@ 第501行： / 第501行： @@
 这两个矩阵的本质是，把RKHS中隐式特征映射<math>\phi</math>的内积运算，直接转化为矩阵运算（无需写出<math>\phi</math>的具体形式）。
-第二步，核DMD假设Koopman算子在RKHS中的作用，满足类似标准DMD的线性近似关系，即<ref name=william_2015_kernal>M. O. Williams, C. W. Rowley, and I. G. Kevrekidis, A kernel approach to data-driven Koopman spectral analysis, J. Comput. Dynam., 2 (2015), pp. 247--265. (Cited on pp. 255, 256, 284, 285, 294, 318)</ref><ref name=Gonzalez_2023_kernal>Gonzalez, E., Abudia, M., Jury, M., Kamalapurkar, R. & Rosenfeld, J. A. The kernel perspective on dynamic mode decomposition. Preprint at https://doi.org/10.48550/arXiv.2106.00106 (2023).</ref>：
+第二步，核DMD假设Koopman算子在RKHS中的作用，满足类似标准DMD的线性近似关系，即<ref name=william_2015_kernal /><ref name=Gonzalez_2023_kernal>Gonzalez, E., Abudia, M., Jury, M., Kamalapurkar, R. & Rosenfeld, J. A. The kernel perspective on dynamic mode decomposition. Preprint at https://doi.org/10.48550/arXiv.2106.00106 (2023).</ref>：
 :<math>\mathbf{Ker}_{YX} \approx \mathbf{K} \mathbf{Ker}_{XX}</math>

@@ 第213行： / 第213行： @@
 这组三元组<math>\{(\lambda_j, \varphi_j, \mathbf{v}_j)\}_{j=1}^\infty</math>称为'''Koopman[[模式分解]]'''。
-这一理论由Mezić于2005年提出<ref name=IM2005>I. Mezic\', Spectral properties of dynamical systems, model reduction and decompositions, Nonlinear Dynam., 41 (2005), pp. 309--325. (Cited on pp. 231, 244, 246, 273, 289, 292)</ref>。通常，我们可以将这种展开近似为仅包含少数主导项的截断和。如下文“DMD”章节所示，DMD估计中，DMD的[[特征值]]将近似Koopman[[特征值]]<math>\lambda_j</math>，DMD模态将近似Koopman模态<math>\mathbf{v}_j</math>，而DMD的模态幅值将近似[[初始状态]]下相应Koopman[[特征函数]]的值<math>\varphi_j(\mathbf{x}_0)</math>。需要注意的是，Koopman模态和[[特征函数]]是不同的[[数学]]对象，其近似方法也不相同。Koopman[[特征函数]]通常比Koopman模态更难计算，因此激发了如扩展DMD算法等技术的发展。
+这一理论由Mezić于2005年提出<ref name=IM2005>I. Mezic\', Spectral properties of dynamical systems, model reduction and decompositions, Nonlinear Dynam., 41 (2005), pp. 309--325.</ref>。通常，我们可以将这种展开近似为仅包含少数主导项的截断和。如下文“DMD”章节所示，DMD估计中，DMD的[[特征值]]将近似Koopman[[特征值]]<math>\lambda_j</math>，DMD模态将近似Koopman模态<math>\mathbf{v}_j</math>，而DMD的模态幅值将近似[[初始状态]]下相应Koopman[[特征函数]]的值<math>\varphi_j(\mathbf{x}_0)</math>。需要注意的是，Koopman模态和[[特征函数]]是不同的[[数学]]对象，其近似方法也不相同。Koopman[[特征函数]]通常比Koopman模态更难计算，因此激发了如扩展DMD算法等技术的发展。
 ==一般的观测函数下如何得到[[特征函数]]？==
@@ 第589行： / 第589行： @@
 现代Koopman[[算子]]理论为在[[非线性系统]]中解释这些经典的基于Hankel方法的结果提供了一个有价值的新视角。在 Hankel 矩阵上计算 DMD 的做法最早由Tu等人<ref name=Tu_2014 />提出，并由Brunton等人<ref name=brunton_neural>B. W. Brunton, L. A. Johnson, J. G. Ojemann, and J. N. Kutz, Extracting spatial-- temporal coherent patterns in large-scale neural recordings using dynamic mode decomposition, J. Neurosci. Methods, 258 (2016), pp. 1--15, https://doi.org/10.1016/j.jneumeth. 2015.10.010.</ref>用于[[神经科学]]领域。Hankel矩阵与Koopman[[算子]]之间的联系，由 Brunton等人<ref name=brunton_2017 />在[[HAVOK]]框架中建立。随后的一些工作为该方法提供了更完善的理论基础<ref name=arbabi_2017>H. Arbabi and I. Mezic\', Ergodic theory, dynamic mode decomposition, and computation of spectral properties of the Koopman operator, SIAM J. Appl. Dyn. Syst., 16 (2017), pp. 2096--2126, https://doi.org/10.1137/17M1125236.</ref><ref name=das_2019>S. Das and D. Giannakis, Delay-coordinate maps and the spectra of Koopman operators, J. Statist. Phys., 175 (2019), pp. 1107--1145.</ref>。[[HAVOK]] 方法也常被称为延迟DMD<ref name=Tu_2014 />或Hankel-DMD<ref name=arbabi_2017 />。
-延迟嵌入与Koopman算子之间的联系最早在 2004 年由 Mezić 和 Banaszuk<ref>I. Mezi\'c and A. Banaszuk, Comparison of systems with complex behavior, Phys. D, 197 (2004), pp. 101--133.</ref>建立，在其中定义了[[随机]]Koopman[[算子]]并证明了统计[[Takens定理]]。还有工作研究了如何将[[动力学]]拆分为[[确定性]]线性[[动力学]]与[[混沌]][[随机]][[动力学]]<ref name=IM2005>I. Mezic\', Spectral properties of dynamical systems, model reduction and decompositions, Nonlinear Dynam., 41 (2005), pp. 309--325. </ref>。在具有长期记忆效应的[[系统]]中，使用延迟坐标可能尤其重要，而Koopman方法已被证明是此类[[系统]]中一种成功的分析工具<ref>A. Svenkeson, B. Glaz, S. Stanton, and B. J. West, Spectral decomposition of nonlinear systems with memory, Phys. Rev. E, 93 (2016), art. 022211, https://doi.org/10.1103/ PhysRevE.93.022211.</ref>。
+延迟嵌入与Koopman算子之间的联系最早在 2004 年由 Mezić 和 Banaszuk<ref>I. Mezi\'c and A. Banaszuk, Comparison of systems with complex behavior, Phys. D, 197 (2004), pp. 101--133.</ref>建立，在其中定义了[[随机]]Koopman[[算子]]并证明了统计[[Takens定理]]。还有工作研究了如何将[[动力学]]拆分为[[确定性]]线性[[动力学]]与[[混沌]][[随机]][[动力学]]<ref name=IM2005 />。在具有长期记忆效应的[[系统]]中，使用延迟坐标可能尤其重要，而Koopman方法已被证明是此类[[系统]]中一种成功的分析工具<ref>A. Svenkeson, B. Glaz, S. Stanton, and B. J. West, Spectral decomposition of nonlinear systems with memory, Phys. Rev. E, 93 (2016), art. 022211, https://doi.org/10.1103/ PhysRevE.93.022211.</ref>。
 =与其他[[算子]]的关系=