842
个编辑
更改
→时间延迟坐标
==基于神经网络的DMD==
==基于神经网络的DMD==
==时间延迟坐标==
==时间延迟DMD==
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。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>。
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。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>。
</math>
</math>
其中 <math>\mathbf{v} = \begin{bmatrix} v_1 & v_2 & \cdots & v_{r-1} \end{bmatrix}^T</math> 是前 <math>r-1</math> 个特征时间延迟坐标的向量。在所有探索的混沌示例中<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。罕见的强迫事件对应于混沌动力学中的波瓣切换。这种架构被称为 Koopman 的 Hankel 替代视图 (HAVOK) 分析，源自 [^61^]。图片经 Brunton 等人 [^61^] 许可修改。<math>v_r(t)</math> 的统计数据是非高斯的，具有长尾，对应于驱动 Lorenz 系统中波瓣切换的罕见事件强迫；这与其他学者观察和建模的罕见事件强迫分布有关 [^263,^373,^264^]。
其中 <math>\mathbf{v} = \begin{bmatrix} v_1 & v_2 & \cdots & v_{r-1} \end{bmatrix}^T</math> 是前 <math>r-1</math> 个特征时间延迟坐标的向量。在所有探索的混沌示例中<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 />。
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. (Cited on pp. 262, 289, 303)</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. (Cited on p. 300)</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。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>J. H. Tu, C. W. Rowley, D. M. Luchtenburg, S. L. Brunton, and J. N. Kutz, On dynamic mode decomposition: Theory and applications, J. Comput. Dynam., 1 (2014), pp. 391--421. (Cited on pp. 247, 249, 250, 251, 256, 257, 261, 263, 284, 289, 292)</ref>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. (Cited on pp. 237, 238, 257, 260, 261, 278, 289)</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. (Cited on pp. 257, 275, 289, 292, 294)</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. (Cited on pp. 257, 289, 293)</ref>。HAVOK 方法也常被称为延迟DMD<ref name=tu_2014>J. H. Tu, C. W. Rowley, D. M. Luchtenburg, S. L. Brunton, and J. N. Kutz, On dynamic mode decomposition: Theory and applications, J. Comput. Dynam., 1 (2014), pp. 391--421. (Cited on pp. 247, 249, 250, 251, 256, 257, 261, 263, 284, 289, 292)</ref>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. (Cited on pp. 231, 244, 273, 280, 289, 293, 295)</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=mezic_2005>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>。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. (Cited on p. 289)</ref>。
=与其他算子的关系=
=与其他算子的关系=