[논문 리뷰] Compressive sampling and dynamic mode decomposition

Steven L. Brunton, Joshua L. Proctor외 1명|arXiv (Cornell University)|2013. 12. 18.

Blind Source Separation Techniques참고 문헌 53인용 수 48

한 줄 요약

이 논문은 압축 측정 기반 프레임워크를 제안하여, 중량으로 저화소화되거나 투영된 데이터로부터 동적 모드 분해(DMD)를 계산한다. 이는 ℓ₁-최소화 또는 게으른 알고리즘을 통해 전체 상태 DMD 고유값의 정확한 복원과 전체 상태 모드의 재구성 가능하게 한다. 이 방법은 데이터와 모드가 변환 기저에서 희박할 경우, 유니터리 변환과 제한된 등거리성 속성(RIP) 측정 행렬 하에서 DMD 고유값을 유지한다.

ABSTRACT

This work develops compressive sampling strategies for computing the dynamic mode decomposition (DMD) from heavily subsampled or output-projected data. The resulting DMD eigenvalues are equal to DMD eigenvalues from the full-state data. It is then possible to reconstruct full-state DMD eigenvectors using $\ell_1$-minimization or greedy algorithms. If full-state snapshots are available, it may be computationally beneficial to compress the data, compute a compressed DMD, and then reconstruct full-state modes by applying the projected DMD transforms to full-state snapshots. These results rely on a number of theoretical advances. First, we establish connections between the full-state and projected DMD. Next, we demonstrate the invariance of the DMD algorithm to left and right unitary transformations. When data and modes are sparse in some transform basis, we show a similar invariance of DMD to measurement matrices that satisfy the so-called restricted isometry principle from compressive sampling. We demonstrate the success of this architecture on two model systems. In the first example, we construct a spatial signal from a sparse vector of Fourier coefficients with a linear dynamical system driving the coefficients. In the second example, we consider the double gyre flow field, which is a model for chaotic mixing in the ocean.

연구 동기 및 목표

• 고차원 시스템에서 측정 수를 크게 줄인 상태에서도 정확한 동적 모드 분해(DMD)를 가능하게 하기 위해.
• 압축 측정을 통해 데이터가 투영되거나 저화소화되었을 때 전체 상태 DMD 고유값을 유지하기 위해.
• 희박 복원 기법을 사용하여 압축 측정에서 전체 상태 DMD 모드를 재구성하기 위해.
• 유니터리 변환과 RIP를 만족하는 측정 행렬 하에서 DMD의 이론적 불변성 확립하기 위해.
• 유체역학 및 지구물리학적 유동에서 계산 및 데이터 측정의 이점 입증하기 위해.

제안 방법

• 유니터리 불변성을 통해 압축 측정을 통해 공간 데이터를 저화소화하면서 DMD 고유값을 유지한다.
• ℓ₁-최소화 또는 게으른 알고리즘을 적용하여 압축 측정에서 전체 상태 DMD 모드를 재구성한다.
• 제한된 등거리성 속성(RIP)을 사용하여 데이터와 모드가 변환 기저에서 희박할 경우 안정적인 복원을 보장한다.
• 데이터 행렬에 유니터리 변환을 적용하고, DMD 고유값이 좌측 또는 우측 유니터리 연산 하에서도 불변임을 증명한다.
• 전체 상태 스냅샷이 가용할 경우, 전체 상태 스냅샷에 대해 투영된 DMD 변환을 적용하여 전체 상태 DMD 모드를 재구성한다.
• 압축 DMD 프레임워크 내에서 효율적인 SVD 계산을 위해 스냅샷 방법을 활용한다.

실험 결과

연구 질문

• RQ1 압축 측정을 통해 데이터가 저화소화되거나 투영되었을 때 DMD 고유값을 유지할 수 있는가?
• RQ2 압축 측정에서 전체 상태 DMD 모드를 재구성할 수 있는 조건은 무엇인가?
• RQ3 유니터리 변환 하에서 DMD의 불변성이 압축 감지 프레임워크에서 강건성을 어떻게 보장하는가?
• RQ4 변환 도메인에서의 희박성이 적은 측정 수에서 정확한 DMD 재구성 가능성을 어떻게 높이는가?
• RQ5 제안된 방법은 PIV 또는 해양/대기 모니터링과 같은 애플리케이션에서 데이터 측정 부담을 줄일 수 있는가, 동시에 DMD 정확도를 손상시키지 않는가?

주요 결과

• 압축되거나 투영된 데이터로부터 계산된 DMD 고유값은 전체 상태 데이터로부터 계산된 것과 동일하여, 동일한 저차원 동역학 모델을 보장한다.
• 모드가 변환 기저에서 희박할 경우, ℓ₁-최소화 또는 게으른 알고리즘을 통해 전체 상태 DMD 모드를 정확히 재구성할 수 있다.
• DMD 알고리즘은 좌측 및 우측 유니터리 변환 하에서도 불변이며, 고유값과 특이값을 유지한다.
• 데이터와 모드가 희박할 경우, 제한된 등거리성 속성(RIP)을 만족하는 측정 행렬은 DMD 고유값 불변성을 유지한다.
• 이 방법은 데이터 측정 요구량을 크게 줄일 수 있으며, 예를 들어 PIV에서 DMD 정밀도 손실 없이 가능하다.
• 전체 상태 스냅샷이 가용할 경우, 데이터를 사전에 압축하고 압축 DMD를 계산한 후 모드를 재구성하는 것이 계산적으로 유리하다.