[논문 리뷰] Characterizing and correcting for the effect of sensor noise in the dynamic mode decomposition

Scott T. M. Dawson, Maziar S. Hemati외 2명|arXiv (Cornell University)|2015. 07. 08.

Machine Fault Diagnosis Techniques인용 수 10

한 줄 요약

이 논문은 동적 모드 분해(DMD)에서 센서 노이즈에 의해 유도되는 편향을 분석적으로 특성화하며, 특히 저에너지 모드에서 노이즈가 동적 모드의 성장률을 체계적으로 과소평가함을 보여준다. 저자는 직접 편향 보정, 전진-후진 DMD, 총 최소제곱법 유사 방법을 포함한 세 가지 노이즈 보정 DMD 변형을 제안하여 이 편향을 줄이고 합성, 수치적, 실험적 데이터셋에서 정확도를 향상시킨다.

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.

연구 동기 및 목표

• 센서 노이즈가 DMD 결과에 어떻게 영향을 미치는지, 특히 고유값과 성장률 추정에 대해 분석적으로 정량화하는 것.
• 기본 DMD가 저SNR 또는 저에너지 모드 영역에서 노이즈에 과적합되는 한계를 해결하는 것.
• 진짜 시스템에 대한 사전 지식이 필요 없이 노이즈 유도 편향을 보정할 수 있는 실용적이고 계산 효율적인 DMD 수정 방법을 개발하는 것.
• 제안된 보정 방법들을 기존의 DMD 변형들과 비교하여 다양한 유형의 데이터에서의 강건성을 입증하는 것.

제안 방법

• 상관관계가 없는 센서 노이즈 하에서 DMD 연산자 행렬 $\tilde{A}_m$ 의 기대 편향에 대한 분석적 표현을 유도하며, 이 편향이 $m\sigma_N^2\Sigma^{-2}$ 비례함을 보여준다. 여기서 $m$ 은 스냅샷 수이고 $\sigma_N^2$ 는 노이즈 분산이다.
• 알려진 노이즈 특성을 이용한 직접 편향 보정을 제안하며, 노이즈로 인한 고유값의 곱셈 감소를 상쇄하기 위해 DMD 연산자를 조정한다.
• 전진 및 역행 시간 궤적에 대해 DMD를 수행하고 결과를 평균내어 노이즈 유도 편향을 상쇄하는 전진-후진 DMD 방법을 도입한다.
• 데이터 행렬 $\tilde{X}$ 와 $\tilde{Y}$ 양쪽에 노이즈를 고려한 총 최소제곱법 유사 알고리즘을 개발하여 DMD 시스템 방정식 $\tilde{Y} \approx \tilde{A}\tilde{X}$ 의 오차를 최소화한다.
• 신호 대 노이즈 비율(SNR)과 모드 에너지 분율에 따라 편향 및 분산 표현을 유도하기 위해 데이터 행렬 $X$ 의 특이값 분해(SVD)를 사용해 POD 모드에 투영한다.
• 합성, 수치적, 실험적 데이터셋에서 세 방법의 성능을 비교하여 진짜 고유값과 모드를 복원하는 정확도를 평가한다.

실험 결과

연구 질문

• RQ1 센서 노이즈는 표준 DMD가 계산하는 고유값과 성장률에 어떻게 체계적으로 편향을 유도하는가?
• RQ2 노이즈 데이터에 적용된 DMD에서 편향과 랜덤 오차의 상대 기여는 무엇이며, 어떤 조건에서 편향이 지배적인가?
• RQ3 알려진 노이즈 통계나 대칭적 시간 역행 성질을 이용해 DMD의 편향을 분석적으로 정량화하고 보정할 수 있는가?
• RQ4 제안된 DMD 수정 방법들은 기존의 노이즈에 강건한 DMD 변형들과 비교해 정확도와 계산 비용 측면에서 어떻게 성능을 내는가?
• RQ5 특히 저SNR 또는 저에너지 모드 영역에서 편향 보정이 가장 큰 개선을 이끌어내는가?

주요 결과

• DMD 고유값의 편향은 $1/(n q_i \text{SNR}^2)$ 비례하며, 여기서 $n$ 은 공간 점 수, $q_i$ 는 $i$-번째 POD 모드의 에너지 분율, SNR 은 신호 대 노이즈 비율이다. 이로 인해 저에너지 모드의 감쇠율이 과대평가된다.
• 편향은 스냅샷 수 $m$ 과 무관하므로, $m$ 을 늘려도 편향이 줄어들지 않으며, $m^{1/2} \text{SNR} > n^{1/2}$ 일 경우 랜덤 오차보다 편향이 지배적인 원인이 된다.
• DMD 항목의 랜덤 오차는 $1/(m^{1/2} n^{1/2} \text{SNR})$ 비례하며, $m^{1/2} \text{SNR} > n^{1/2}$ 일 경우 편향이 주요 오차 원인이 된다.
• 직접 편향 보정 방법은 노이즈와 POD 에너지 분포로부터 유도된 곱셈 보정 인자를 적용하여 진짜 성장률을 효과적으로 복원한다.
• 전진-후진 DMD 방법은 시간 역행 대칭성을 활용하여 편향을 줄이며, 노이즈 수준을 사전에 알 필요 없이 더 정확한 고유값을 도출한다.
• 총 최소제곱법 유사 알고리즘은 양쪽 데이터 행렬의 노이즈를 고려하여 강건한 대안을 제공하며, 노이즈 조건에서 표준 DMD를 능가하고 다른 고급 변형들과 비교해도 성능이 뛰어나다.