558
个编辑
更改
→动力学可逆性
</blockquote>
</blockquote>
其中<math>𝑋_𝑡</math>是t时刻的状态向量, 维数为<math>n</math>，<math>\xi\sim\mathcal{N}(0,\Sigma)</math>，<math>\Sigma\in\mathcal{R}^{n\times n}</math>是协方差矩阵。这是一种最简单的连续状态空间的马尔科夫动力学，因此，我们要将SVD方法扩展到这类系统上。逆向动力学的协方差矩阵<math>𝐴^𝑇Σ^{−1}𝐴</math>和正向动力学的协方差矩阵<math>Σ^{−1}</math>共同影响了近似可逆性的大小，可以理解为，必须两个协方差都很小，非满秩或病态（对应维度虽然取值非0，但相比其他维度相差过于悬殊）的维度影响较小的时候，系统动力学才有更强的可逆性。
其中<math>𝑋_𝑡</math>是t时刻的状态向量, 维数为<math>n</math>，<math>\xi\sim\mathcal{N}(0,\Sigma)</math>，<math>\Sigma\in\mathcal{R}^{n\times n}</math>是协方差矩阵。这是一种最简单的连续状态空间的马尔科夫动力学，因此，我们要将SVD方法扩展到这类系统上。逆向动力学的协方差矩阵<math>𝐴^𝑇Σ^{−1}𝐴</math>和正向动力学的协方差矩阵<math>Σ^{−1}</math>共同影响了近似可逆性的大小，可以理解为，必须两个协方差都很小，非满秩或病态（对应维度虽然取值非0，但相比其他维度相差过于悬殊）的维度影响较小的时候，系统动力学才有更强的可逆性。
可逆性最强的情况下，动力系统可以直接写成可逆映射
<math>X_{𝑡+1} = a_0 + 𝐴⋅𝑋_𝑡 +\xi_𝑡
</math>
我们的思路是，首先利用泛函分析的思想，找到概率转移矩阵的对应物；其次，利用傅里叶变换求出奇异值的表达式，最终写出近似动力学可逆性<math>\Gamma_\alpha</math>的表达式。
我们的思路是，首先利用泛函分析的思想，找到概率转移矩阵的对应物；其次，利用傅里叶变换求出奇异值的表达式，最终写出近似动力学可逆性<math>\Gamma_\alpha</math>的表达式。