[论文解读] A Kernel-Based Approach to Data-Driven Koopman Spectral Analysis

Matthew O. Williams, Clarence W. Rowley+1 more|arXiv (Cornell University)|Nov 9, 2014

Model Reduction and Neural Networks参考文献 20被引用 74

一句话总结

本文提出了一种基于核函数的、数据驱动的Koopman谱分析方法，可在高维系统中实现对Koopman特征值、特征函数和模式的精确近似。通过核函数隐式定义一个丰富的标量可观测函数子空间，该方法在计算效率上与动态模态分解（DMD）相当，同时克服了扩展DMD固有的维度灾难问题，如在FitzHugh-Nagumo偏微分方程和雷诺数Re=413的圆柱体绕流实验数据上的验证所示。

ABSTRACT

A data driven, kernel-based method for approximating the leading Koopman eigenvalues, eigenfunctions, and modes in problems with high dimensional state spaces is presented. This approach approximates the Koopman operator using a set of scalar observables, which are functions defined on state space, that is determined {\em implicitly} by the choice of a kernel. This circumvents the computational issues that arise due to the number of basis functions required to span a "sufficiently rich" subspace of the space of scalar observables in these problems. We illustrate this method on the FitzHugh-Nagumo PDE, a prototypical example of a one-dimensional reaction diffusion system, and compare our results with related methods such as Dynamic Mode Decomposition (DMD) that have the same computational cost as our approach. In this example, the resulting approximations of the leading Koopman eigenvalues, eigenfunctions, and modes are both more accurate and less sensitive to the distribution of the data used in the computation than those produced by DMD.

研究动机与目标

• 解决在高维状态空间中扩展动态模态分解（Extended DMD）因基函数数量呈指数增长而导致的计算不可行性问题。
• 克服标准DMD的局限性，后者仅使用线性可观测函数，可能无法捕捉非线性系统中的复杂动力学。
• 开发一种数据驱动方法，通过核函数隐式覆盖一个丰富且高维的标量可观测函数子空间，避免显式构造基函数。
• 实现在真实世界应用中对噪声高维数据（如实验流体动力学）的实用Koopman谱分析，其中真实的Koopman模式未知。
• 证明该方法可在无需完整特征系统计算或后续截断滤波的情况下，识别出具有物理解释意义的、缓慢衰减的模式。

提出的方法

• 利用核技巧重构扩展DMD，隐式计算高维可观测函数特征空间中的内积，而无需显式基函数。
• 使用多项式核函数定义再生核希尔伯特空间（RKHS），其基函数可覆盖至给定次数α的所有多项式。
• 基于系统的时间序列快照构建核Gram矩阵，从而构造Koopman算子的有限维近似。
• 通过在核Gram矩阵上求解广义特征值问题来计算Koopman特征值和特征函数，其中特征向量代表特征空间中的Koopman模式。
• 通过核基Koopman算子近似矩阵的左特征向量提取主导Koopman模式，聚焦于衰减最慢的动力学。
• 将该方法应用于合成PDE数据（FitzHugh-Nagumo）和实验流体动力学数据（圆柱绕流的涡度），并与标准DMD和扩展DMD进行比较。

实验结果

研究问题

• RQ1 基于核的方法是否能在与标准DMD相当的计算成本下，利用更丰富的可观测函数集合，近似Koopman特征值和模式？
• RQ2 当真实特征值和模式可解析已知时（如线性化FitzHugh-Nagumo PDE），该核方法在识别Koopman模式方面的表现如何？
• RQ3 在真实Koopman结构未知的噪声高维实验数据中，该核方法在多大程度上能提取出具有物理解释意义的、缓慢衰减的模式？
• RQ4 与标准DMD相比，该核方法产生的特征值是否具有更优的动力学特性（如位于虚轴或左半平面）？
• RQ5 该方法是否可通过仅关注核基特征值问题中的主导模式，避免完整特征系统计算及后续截断处理？

主要发现

• 该核方法能准确识别FitzHugh-Nagumo PDE的主导Koopman特征值和模式，包括线性化方法未能捕捉到的模式，且结果一致且可复现。
• 在FitzHugh-Nagumo系统中，该方法成功计算出超出线性化谱范围的额外Koopman特征值和模式，表明其能够捕捉线性分析无法触及的非线性动力学。
• 在实验圆柱绕流案例（Re=413）中，该方法识别出的Koopman特征值具有与预期Koopman特征值一致的性质——位于虚轴或左半平面，尽管真实动力学未知。
• 通过核方法识别出的主导Koopman模式对应于衰减最慢的动力学，可直接提取，无需完整特征系统计算或基于能量的截断。
• 该方法的计算成本与标准DMD相当，使其在扩展DMD变得不可行的高维系统中具备可扩展性。
• 在合成与实验场景中，该核方法在捕捉复杂动力学方面优于标准DMD，尤其在识别需最少后处理的物理相关模式方面表现更优。