[论文解读] 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 10

一句话总结

本文从理论上分析了传感器噪声在动态模态分解（DMD）中引起的偏差，表明噪声系统性地低估了动力学模态的增长率，尤其在低能量模态中更为明显。文章提出了三种去噪DMD变体——直接偏差校正、前向-后向DMD以及受总最小二乘法启发的方法，有效降低了该偏差，并在合成数据、数值模拟和实验数据上提升了准确性。

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.

研究动机与目标

• 从理论上量化传感器噪声如何系统性地影响DMD结果，特别是对特征值和增长率的估计。
• 解决标准DMD在低信噪比或低能量模态条件下对噪声过拟合的局限性。
• 开发实用且计算高效的DMD改进方法，以校正这种由噪声引起的偏差，且无需事先知道真实系统的先验信息。
• 将所提出的校正方法与现有DMD变体进行比较，并在多种数据类型上验证其鲁棒性。

提出的方法

• 推导出在不相关传感器噪声下DMD算子矩阵 $\tilde{A}_m$ 的期望偏差的解析表达式，表明偏差与 $m\sigma_N^2\Sigma^{-2}$ 成正比，其中 $m$ 为快照数量，$\sigma_N^2$ 为噪声方差。
• 提出一种基于已知噪声特性的直接偏差校正方法，通过调整DMD算子来抵消噪声引起的特征值乘法性降低。
• 引入一种前向-后向DMD方法，即在正向和反向时间轨迹上分别计算DMD，并对结果取平均，以消除噪声引起的偏差。
• 提出一种受总最小二乘法启发的算法，同时考虑数据矩阵 $\tilde{X}$ 和 $\tilde{Y}$ 中的噪声，最小化DMD系统方程 $\tilde{Y} \approx \tilde{A}\tilde{X}$ 中的误差。
• 利用数据矩阵 $X$ 的奇异值分解（SVD）将其投影到POD模态上，从而以信噪比（SNR）和模态能量占比为变量，推导出偏差和方差的表达式。
• 在合成数据、数值模拟和实验数据上对比三种方法的性能，评估其在恢复真实特征值和模态方面的准确性。

实验结果

研究问题

• RQ1 传感器噪声如何系统性地偏差标准DMD计算出的特征值和增长率？
• RQ2 在应用噪声数据时，DMD中的偏差与随机误差的相对贡献如何？在何种条件下偏差占主导地位？
• RQ3 能否通过已知的噪声统计特性或时间反演对称性，对DMD中的偏差进行解析量化与校正？
• RQ4 所提出的DMD改进方法在准确性和计算成本方面，与现有抗噪DMD变体相比表现如何？
• RQ5 在哪些应用场景中——特别是低信噪比或低能量模态条件下——偏差校正能带来最显著的性能提升？

主要发现

• DMD特征值的偏差与 $1/(n q_i \text{SNR}^2)$ 成正比，其中 $n$ 为空间点数，$q_i$ 为第 $i$ 个POD模态的能量占比，SNR为信噪比，导致低能量模态的衰减率被高估。
• 该偏差与快照数量 $m$ 无关，这意味着增加 $m$ 无法减少偏差，且当 $m^{1/2} \text{SNR} > n^{1/2}$ 时，偏差可能超过随机误差而成为主导误差源。
• DMD条目中的随机误差与 $1/(m^{1/2} n^{1/2} \text{SNR})$ 成正比，当 $m^{1/2} \text{SNR} > n^{1/2}$ 时，偏差成为主要误差来源。
• 直接偏差校正方法通过应用基于噪声和POD能量分布推导出的乘法校正因子，能有效恢复真实的增长率。
• 前向-后向DMD方法通过利用时间反演对称性减少偏差，可在不依赖噪声水平先验知识的情况下获得更准确的特征值。
• 受总最小二乘法启发的算法提供了一种稳健的替代方案，同时考虑了 $\tilde{X}$ 和 $\tilde{Y}$ 中的噪声，在噪声环境下表现优于标准DMD，并可与其它先进变体相媲美或超越。