| 第294行: |
第294行: |
| | ·把前<math>m</math>个时间点的数据组成矩阵<math> X: X = [x_1, x_2, ..., x_m] </math> | | ·把前<math>m</math>个时间点的数据组成矩阵<math> X: X = [x_1, x_2, ..., x_m] </math> |
| | | | |
| − | ·把后<math>m</math>个时间点的数据组成矩阵<math> X': X' = [x_2, x_3, ..., x_(m+1)] </math> | + | ·把后<math>m</math>个时间点的数据组成矩阵<math> X': X' = [x_2, x_3, ..., x_{m+1}] </math> |
| | | | |
| | ·直观理解:<math>X'</math>中的每一列都是<math>X</math>中对应列在下一个时间点的状态。 | | ·直观理解:<math>X'</math>中的每一列都是<math>X</math>中对应列在下一个时间点的状态。 |
| 第300行: |
第300行: |
| | 2.寻找一个近似线性算子A | | 2.寻找一个近似线性算子A |
| | | | |
| − | 我们假设存在一个线性算子A,使得 <math>x_(k+1) ≈ A * x_k</math>。换句话说,A能够近似地描述系统一步的演化。 | + | 我们假设存在一个线性算子A,使得 <math>x_{k+1} ≈ A * x_k</math>。换句话说,A能够近似地描述系统一步的演化。 |
| | | | |
| | 那么,整个矩阵关系可以写为: <math>X’ ≈ A X</math> | | 那么,整个矩阵关系可以写为: <math>X’ ≈ A X</math> |
| 第324行: |
第324行: |
| | 庞大的A矩阵可以被投影到降维后的空间(由 U 的列张成)上,得到一个简化的小矩阵 Ã。 | | 庞大的A矩阵可以被投影到降维后的空间(由 U 的列张成)上,得到一个简化的小矩阵 Ã。 |
| | | | |
| − | 公式为:<math> Ã = U* X' V Σ⁻¹ </math>
| + | 公式为: Ã = U* X' V Σ⁻¹ |
| | | | |
| | Ã 可以看作是 A 在主要模式上的一个“精华版”。 | | Ã 可以看作是 A 在主要模式上的一个“精华版”。 |
| 第330行: |
第330行: |
| | 5.计算 Ã 的特征值和特征向量 | | 5.计算 Ã 的特征值和特征向量 |
| | | | |
| − | 求解 Ã 的特征分解: <math>Ã W = W Λ</math> | + | 求解 Ã 的特征分解: Ã W = W Λ |
| − | <math>Λ</math> 是一个对角矩阵,其对角线元素就是特征值 <math>λᵢ</math>。这些特征值决定了每个模式的动态行为(增长/衰减/振荡的频率)。
| + | |
| − | <math>W</math>的列是对应的特征向量。
| + | Λ 是一个对角矩阵,其对角线元素就是特征值 <math>λᵢ</math>。这些特征值决定了每个模式的动态行为(增长/衰减/振荡的频率)。 |
| | + | |
| | + | W的列是对应的特征向量。 |
| | | | |
| | 6.重建 DMD 模式(Spatial Modes) | | 6.重建 DMD 模式(Spatial Modes) |
| | | | |
| − | <math>Ã</math>的特征向量<math>W</math>是在降维空间里的。我们需要把它们映射回原始空间,得到真正的空间模式 <math>Φ</math>。
| + | Ã的特征向量W是在降维空间里的。我们需要把它们映射回原始空间,得到真正的空间模式 <math>Φ</math>。 |
| | | | |
| | 公式为: <math>Φ = X' V Σ⁻¹ W </math> | | 公式为: <math>Φ = X' V Σ⁻¹ W </math> |
| 第343行: |
第345行: |
| | | | |
| | 7.预测与重构 | | 7.预测与重构 |
| | + | |
| | 任何一个时间点的状态都可以用这些 DMD 模式的线性组合来近似表示: | | 任何一个时间点的状态都可以用这些 DMD 模式的线性组合来近似表示: |
| | <math>x_k ≈ Φ Λᵏ⁻¹ b </math> | | <math>x_k ≈ Φ Λᵏ⁻¹ b </math> |
| 第348行: |
第351行: |
| | b是初始振幅向量,可以通过初始条件 <math>x_1</math>求得: <math>b = Φ⁺ x_1(⁺ 表示伪逆)</math>。 | | b是初始振幅向量,可以通过初始条件 <math>x_1</math>求得: <math>b = Φ⁺ x_1(⁺ 表示伪逆)</math>。 |
| | | | |
| − | <math>Λᵏ⁻¹</math> 中的特征值 <math>λᵢ</math>决定了第 i个模式随时间如何演化。<math>|λ|>1</math>模式增长,<math>|λ|<1</math>模式衰减,λ是复数则产生振荡。 | + | <math>Λᵏ⁻¹</math> 中的特征值 <math>λᵢ</math>决定了第 i个模式随时间如何演化。<math>|λ|>1</math>模式增长,<math>|λ|<1</math>模式衰减,<math>λ</math>是复数则产生振荡。 |
| | | | |
| | ==扩展DMD== | | ==扩展DMD== |