842
个编辑
更改
→理论
===理论===
===理论===
给定一组观测函数字典<math>\{\psi_1, \dots, \psi_{N_K}\} \subset \mathcal{G}(\mathcal{X}) </math>(如前文，<math>\mathcal{G}(\mathcal{X}) </math>为<math>\mathcal{K}</math>的定义域），比如<math>x^2, \cos(x), e^x...</math>，可以看作是构建Koopman不变子空间的一组基函数。子空间可以写作<math>V_{N_K} = \text{span}\{\psi_1, \dots, \psi_{N_K}\}</math>。我们的目标是在该子空间上近似Koopman算子<math>\mathcal{K}</math>的作用。
'''定义（观测函数字典）：'''给定一组观测函数字典<math>\{\psi_1, \dots, \psi_{N_K}\} \subset \mathcal{G}(\mathcal{X}) </math>(如前文，<math>\mathcal{G}(\mathcal{X}) </math>为<math>\mathcal{K}</math>的定义域），比如<math>x^2, \cos(x), e^x...</math>，可以看作是构建Koopman不变子空间的一组基函数。子空间可以写作<math>V_{N_K} = \text{span}\{\psi_1, \dots, \psi_{N_K}\}</math>。我们的目标是在该子空间上近似Koopman算子<math>\mathcal{K}</math>的作用。
当我们讨论的是多维向量时，字典函数的映射可以写作<math>\Psi(\boldsymbol{x}) = [\psi_1(\boldsymbol{x}), \dots, \psi_{N_K}(\boldsymbol{x})] \in \mathbb{C}^{1 \times N_K}</math>，则子空间<math>V_{N_K}</math>中的任意观测函数g可表示为字典函数的线性组合，即<math>g(\boldsymbol{x}) = \sum_{j=1}^{N_K} \psi_j(\boldsymbol{x}) g_j = \Psi(\boldsymbol{x}) \boldsymbol{g}</math>，其中<math>\boldsymbol{g} \in \mathbb{C}^{N_K}</math>为系数[[向量]]。从字典函数与观测函数两个概念的关系中不难看出，字典函数本身也是特殊的一组观测函数，所以它也满足<ref name=Colbrook_2023 /><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>：
当我们讨论的是多维向量时，字典函数的映射可以写作<math>\Psi(\boldsymbol{x}) = [\psi_1(\boldsymbol{x}), \dots, \psi_{N_K}(\boldsymbol{x})] \in \mathbb{C}^{1 \times N_K}</math>，则子空间<math>V_{N_K}</math>中的任意观测函数g可表示为字典函数的线性组合，即<math>g(\boldsymbol{x}) = \sum_{j=1}^{N_K} \psi_j(\boldsymbol{x}) g_j = \Psi(\boldsymbol{x}) \boldsymbol{g}</math>，其中<math>\boldsymbol{g} \in \mathbb{C}^{N_K}</math>为系数[[向量]]。从字典函数与观测函数两个概念的关系中不难看出，字典函数本身也是特殊的一组观测函数，所以它也满足<ref name=Colbrook_2023 /><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>：
'''优化目标：'''因此，我们的核心任务就变成了找到一个最优的矩阵<math>K</math>，让这个残差项的整体误差最小。为了在系统整个定义域上量化整体误差，我们要让残差项在定义域上求积分。对应的优化问题就是：
'''优化目标：'''因此，我们的核心任务就变成了找到一个最优的矩阵<math>K</math>，让这个残差项的整体误差最小。为了在系统整个定义域上量化整体误差，我们要让残差项在定义域上求积分。对应的优化问题就是：
:<math>\displaystyle{ \arg\min_{B \in \mathbb{C}^{N_K \times N_K}} \left\{ \int_{\mathcal{X}} \max_{\substack{g \in \mathbb{C}^{N_K}, \\ \|\boldsymbol{g}\|=1}} |r(g, \boldsymbol{x})|^2 d\omega(\boldsymbol{x}) = \int_{\mathcal{X}} \|\Psi(F(\boldsymbol{x})) - \Psi(\boldsymbol{x}) B\|_{\ell^2}^2 d\omega(\boldsymbol{x}) \right\} }</math>
:<math>\displaystyle{ \arg\min_{K' \in \mathbb{C}^{N_K \times N_K}} \left\{ \int_{\mathcal{X}} \max_{\substack{g \in \mathbb{C}^{N_K}, \\ \|\boldsymbol{g}\|=1}} |r(g, \boldsymbol{x})|^2 d\omega(\boldsymbol{x}) = \int_{\mathcal{X}} \|\Psi(F(\boldsymbol{x})) - \Psi(\boldsymbol{x}) K'\|_{\ell^2}^2 d\omega(\boldsymbol{x}) \right\} }</math>
等式中，左边的最大化残差项意味着寻找同一组字典函数下最差的观测方向。我们希望最终得到的<math>K</math>即使在最差的观测函数系数下也依然有最小的残差。为了方便比较，我们需要保持<math>\|\boldsymbol{g}\|=1</math>，即所有的系数向量都是单位向量，这样的话我们关注的就只是系数向量的方向。根据柯西-施瓦茨不等式（Cauchy-Schwarz inequality）和范数的定义，一个向量的欧几里得范数（2-范数）就是它在所有单位向量方向上投影的最大值。所以原本求解残差项最大的计算就转化为了上式中等号右边的积分项，其中<math>\|\mathbf{ · }\|__{\ell^2}</math>表示[[向量]]的标准欧几里得范数。
不过实际计算中无法直接计算积分（状态空间连续，无法遍历所有状态），因此我们需要用加权求和的方式近似积分：以<math>\displaystyle{ \{x_j\}_{j=1}^M }</math>为[[节点]]，<math>\boldsymbol{y}^{(j)} = F(\boldsymbol{x}^{(j)}) </math>，<math>\displaystyle{ \{w_j\}_{j=1}^M }</math>为权重，<math>M </math>为[[初始条件]]数量。通过这种方式，把连续的积分转化为离散的加权和，原来的优化问题就变成了更容易计算的'''[[加权最小二乘问题]]'''：
:<math>\arg\min_{B\in\mathbb{C}^{N_K \times N_K}} \sum_{j=1}^{M} w_j \|\Psi(y^{(j)}) - \Psi(x^{(j)})B\|_{\ell_2}^2</math>
:<math>\arg\min_{B\in\mathbb{C}^{N_K \times N_K}} \sum_{j=1}^{M} w_j \|\Psi(y^{(j)}) - \Psi(x^{(j)})B\|_{\ell_2}^2</math>