[論文レビュー] Unifying Theorems for Subspace Identification and Dynamic Mode Decomposition

Sungho Shin, Qiugang Lu+1 more|arXiv (Cornell University)|Mar 16, 2020

Model Reduction and Neural Networks参考文献 20被引用数 4

ひとこと要約

本稿は、完全なデータ条件下で、自律的力学系における部分空間同定（SID）とダイナミックモード分解（DMD）の理論的同等性を確立し、それらの背後にある最適化問題が同一であることを証明する。本稿では、この同等性を活用して、出力データから直接に、SVDに基づく、証明可能な最適性を有する状態空間モデルを導出するSID-DMDアルゴリズムを提案する。この手法により、動画シーケンスを含む高次元データからの正確で効率的なシステム同定が可能になる。

ABSTRACT

This paper presents unifying results for subspace identification (SID) and dynamic mode decomposition (DMD) for autonomous dynamical systems. We observe that SID seeks to solve an optimization problem to estimate an extended observability matrix and a state sequence that minimizes the prediction error for the state-space model. Moreover, we observe that DMD seeks to solve a rank-constrained matrix regression problem that minimizes the prediction error of an extended autoregressive model. We prove that existence conditions for perfect (error-free) state-space and low-rank extended autoregressive models are equivalent and that the SID and DMD optimization problems are equivalent. We exploit these results to propose a SID-DMD algorithm that delivers a provably optimal model and that is easy to implement. We demonstrate our developments using a case study that aims to build dynamical models directly from video data.

研究の動機と目的

• 自律的システムにおける部分空間同定（SID）とダイナミックモード分解（DMD）の理論的同等性を確立すること。
• 従来のSID手法に欠ける最適性の保証を、最適化問題として再定式化することにより解決すること。
• 同等性を活用して、出力データから直接に状態空間モデルを同定可能な統合的かつ証明可能な最適なアルゴリズム（SID-DMD）を開発すること。
• 液体結晶センシング実験からの時空間的データに対して、本手法の有効性を示すこと。

提案手法

• 状態空間モデルにおける予測誤差を最小化するように、拡張観測可能性行列の推定を伴う低ランク行列回帰問題としてSIDを定式化する。
• 拡張自己回帰モデルにおける予測誤差を最小化するように、ランク制約付きの行列回帰問題としてDMDを再定式化する。
• 誤差なしのSIDおよびDMDモデルの存在条件が同等であり、かつ2つの最適化問題が数学的に同一であることを証明する。
• SID-DMDアルゴリズムの開発：まずランク制約付きのSVDに基づく回帰を解き、その後にシステム行列AとCを解得し、最後にAの固有値分解によりダイナミックモードを抽出する。
• 経済的SVDおよび切り捨てSVDを用いて、状態系列および拡張観測可能性行列を効率的に計算し、数値的安定性と低コストな計算を確保する。
• 時間系列画像フレームから遅延埋め込みヘンケル行列を構築することで、動画データに本手法を適用し、時空間的ダイナミクスの同定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 完全なデータ条件下で、SIDとDMDの背後にある最適化問題は数学的に同等であるか？
• RQ2 SIDの最適性とDMDのスケーラビリティを両立する統合的アルゴリズムを導出可能か？
• RQ3 真のシステムが低ランクかつ自律的である場合、提案されたSID-DMD手法は証明可能な最適な状態空間モデルを生成するか？
• RQ4 統合フレームワークは、高次元の動画データからダイナミックモードおよび関連する時定数を正確に抽出できるか？

主な発見

• 完全なSIDおよびDMDモデルの存在条件は同等であり、すなわち、低ランクの状態空間モデルがデータを正確に適合できるならば、対応するDMDモデルに対しても同様に適合可能である。
• SIDおよびDMDの最適化問題は数学的に同等であり、同じ制約下で同じ予測誤差を最小化することを証明する。
• 提案されたSID-DMDアルゴリズムは、SVDを用いた1つのランク制約付き回帰問題を解くことで、証明可能な最適な状態空間モデルを生成する。これにより、標準DMDで用いられる部分的な最適でないトリュッキングヒューリスティクスを回避できる。
• 事例研究において、アルゴリズムはDMMPおよび水露出の両方で3つのモード（1つの実モード、1組の共役複素モード）を正常に同定した。これにより、DMMPはより速く均一な遷移を示し、振動周期が短い動的特性を示した。
• DMMPの空間モードは境界から中心への伝播パターンを示し、より均一な拡散プロセスを示唆した。一方、水はより一様でない空間的構造を示した。
• 時間的トレンドの分析から、DMMPの実モードはより速く減衰し、複素モードはより速く振動した。これは、動画データの視覚的観察で確認されたより速い応答ダイナミクスを裏付けた。