761
个编辑
更改
→理论
===理论===
===理论===
具体来说，[[核函数]]<math>k(\mathbf{x}, \mathbf{y})</math>用于度量数据点<math>\mathbf{x}</math>和<math>\mathbf{y}</math>之间的相似性，它对应于一个特征映射<math>\phi(\mathbf{x})</math>，使得：
具体来说，[[核函数]]<math>ker(\mathbf{x}, \mathbf{y})</math>用于度量数据点<math>\mathbf{x}</math>和<math>\mathbf{y}</math>之间的相似性，它对应于一个特征映射<math>\phi(\mathbf{x})</math>，使得：
:<math>k(\mathbf{x}, \mathbf{y}) = \langle \phi(\mathbf{x}), \phi(\mathbf{y}) \rangle</math>，
:<math>ker(\mathbf{x}, \mathbf{y}) = \langle \phi(\mathbf{x}), \phi(\mathbf{y}) \rangle</math>，
其中<math>\langle \cdot, \cdot \rangle</math>表示RKHS中的[[内积]]。这种方法允许我们在不知道显式映射<math>\phi</math>的情况下，直接在核空间中计算相似性。即此时Koopman[[算子]]的近似矩阵<math>\mathbf{A}_\phi</math>为<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>：
其中<math>\langle \cdot, \cdot \rangle</math>表示RKHS中的[[内积]]。这种方法允许我们在不知道显式映射<math>\phi</math>的情况下，直接在核空间中计算相似性。即此时Koopman[[算子]]的近似矩阵<math>\mathbf{K}_\phi</math>为<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>：
:<math>\mathbf{K}_{YX} \approx \mathbf{A}_\phi \mathbf{K}_{XX}</math>
:<math>\mathbf{Ker}_{YX} \approx \mathbf{K}_\phi \mathbf{Ker}_{XX}</math>
其中，<math>(\mathbf{K}_{XX})_{ij} = k(\mathbf{x}_i, \mathbf{x}_j), \quad (\mathbf{K}_{YX})_{ij} = k(\mathbf{y}_i, \mathbf{x}_j)</math>
其中，<math>(\mathbf{Ker}_{XX})_{ij} = ker(\mathbf{x}_i, \mathbf{x}_j), \quad (\mathbf{Ker}_{YX})_{ij} = ker(\mathbf{y}_i, \mathbf{x}_j)</math>
这相当于在RKHS中执行标准DMD算法，从而获得近似Koopman[[算子]]。核DMD的优势在于，它能够处理复杂的[[非线性系统]]，如[[流体湍流]]或[[混沌系统]]，而无需手动设计[[非线性]][[特征函数]]。此外，[[核技巧]]减少了[[计算复杂度]]，因为我们可以通过核矩阵运算避免高维空间中的直接计算。目前，有很多种[[核函数]]，包括线性核、多项式核、[[径向基]]核、高斯核、拉普拉斯核、sigmod核等等。
这相当于在RKHS中执行标准DMD算法，从而获得近似Koopman[[算子]]。核DMD的优势在于，它能够处理复杂的[[非线性系统]]，如[[流体湍流]]或[[混沌系统]]，而无需手动设计[[非线性]][[特征函数]]。此外，[[核技巧]]减少了[[计算复杂度]]，因为我们可以通过核矩阵运算避免高维空间中的直接计算。目前，有很多种[[核函数]]，包括线性核、多项式核、[[径向基]]核、高斯核、拉普拉斯核、sigmod核等等。