[論文レビュー] Characterizing and correcting for the effect of sensor noise in the dynamic mode decomposition

Scott T. M. Dawson, Maziar S. Hemati+2 more|arXiv (Cornell University)|Jul 8, 2015

Machine Fault Diagnosis Techniques被引用数 10

ひとこと要約

この論文は、動的モード分解（DMD）におけるセンサーノイズが引き起こすバイアスを解析的に特徴付け、特に低エネルギーのモードにおいて、ノイズが動的モードの成長率を系aticallyに低く見積もることを示している。ノイズ補正DMDの3つの変種—直接バイアス補正、前向き・後向きDMD、および全最小二乗法にインspiredされた手法—を提案し、合成的・数値的・実験的データセットにおいてバイアスを低減し、精度を向上させた。

ABSTRACT

Dynamic mode decomposition (DMD) provides a practical means of extracting insightful dynamical information from fluids datasets. Like any data processing technique, DMD's usefulness is limited by its ability to extract real and accurate dynamical features from noise-corrupted data. Here we show analytically that DMD is biased to sensor noise, and quantify how this bias depends on the size and noise level of the data. We present three modifications to DMD that can be used to remove this bias: (i) a direct correction of the identified bias using known noise properties, (ii) combining the results of performing DMD forwards and backwards in time, and (iii) a total least-squares-inspired algorithm. We discuss the relative merits of each algorithm, and demonstrate the performance of these modifications on a range of synthetic, numerical, and experimental datasets. We further compare our modified DMD algorithms with other variants proposed in recent literature.

研究の動機と目的

• センサーノイズがDMDの結果にどのようにバイアスをもたらすかを解析的に定量化すること、特に固有値および成長率の推定に関して。
• 標準DMDがノイズに過適合するという限界、特に低SNRまたは低エネルギーのモード領域において。
• 真のシステムについての事前知識が不要な、実用的で計算効率の良いDMDの変更手法を開発すること。
• 提案された補正手法を既存のDMD変種と比較し、多様なデータタイプにわたる頑健性を示すこと。

提案手法

• 相関のないセンサーノイズ下でのDMD作用素行列 $\tilde{A}_m$ の期待バイアスの解析的表現を導出し、バイアスが $m\sigma_N^2\Sigma^{-2}$ のスケーリングに従うことを示した。ここで $m$ はスナップショット数、$\sigma_N^2$ はノイズ分散である。
• 既知のノイズ特性を用いた直接バイアス補正を提案し、ノイズによる固有値の乗法的低減を相殺するようにDMD作用素を調整した。
• 前向きおよび逆向きの時間軌道の両方でDMDを計算し、結果を平均化することでノイズ由来のバイアスをキャンセルする前向き・後向きDMD手法を導入した。
• データ行列 $\tilde{X}$ および $\tilde{Y}$ の両方にノイズを組み込む全最小二乗法にインスパイアされたアルゴリズムを開発し、DMDシステム方程式 $\tilde{Y} \approx \tilde{A}\tilde{X}$ の誤差を最小化した。
• 信号対ノイズ比（SNR）およびモードエネルギー割合を用いて、バイアスおよび分散の表現を導出可能にするために、データ行列 $X$ の特異値分解（SVD）を用いてPODモードに射影した。
• 合成的・数値的・実験的データセットにおいて、すべての手法の性能を比較し、真の固有値およびモードを回復する精度を評価した。

実験結果

リサーチクエスチョン

• RQ1 センサーノイズは、標準DMDが計算する固有値および成長率にどのように系的にバイアスをもたらすか？
• RQ2 ノイズデータに適用されたDMDにおいて、バイアスとランダム誤差の相対的寄与度は何か？ また、どのような条件下でバイアスが支配的になるか？
• RQ3 ノイズ統計または時間反転対称性の性質を用いて、DMDのバイアスを解析的に定量化・補正できるか？
• RQ4 提案されたDMD修正手法は、既存のノイズ耐性DMD変種と比較して、精度および計算コストの面でどのように差をつけるか？
• RQ5 特に低SNRまたは低エネルギーのモード領域において、バイアス補正が最も顕著な改善をもたらす領域はどこか？

主な発見

• DMD固有値のバイアスは $1/(n q_i \text{SNR}^2)$ に比例し、ここで $n$ は空間点数、$q_i$ は $i$ 番目のPODモードのエネルギー割合、SNRは信号対ノイズ比である。このため、低エネルギーのモードでは減衰率が過大評価される。
• バイアスはスナップショット数 $m$ に依存しないため、$m$ を増加させてもバイアスは減少せず、$m^{1/2} \text{SNR} > n^{1/2}$ のときにはランダム誤差よりもバイアスが支配的になる可能性がある。
• DMDエントリのランダム誤差は $1/(m^{1/2} n^{1/2} \text{SNR})$ のスケーリングに従い、$m^{1/2} \text{SNR} > n^{1/2}$ のとき、バイアスが主な誤差要因となる。
• 直接バイアス補正手法は、ノイズおよびPODエネルギー分布から導出された乗法的補正係数を適用することで、真の成長率を効果的に回復する。
• 前向き・後向きDMD手法は時間反転対称性を活用し、ノイズレベルの事前知識が不要な状態でバイアスを低減し、より正確な固有値をもたらす。
• 全最小二乗法にインスパイアされたアルゴリズムは、両方のデータ行列 $\tilde{X}$ および $\tilde{Y}$ のノイズを考慮し、ノイズ環境下で標準DMDを上回る性能を発揮し、他の先進的変種と同等またはそれを上回る性能を示した。