[论文解读] Learning Koopman Invariant Subspaces for Dynamic Mode Decomposition
一实现完全数据驱动的方法，使用 RSS 损失和神经网络来学习 Koopman 不变子空间以进行动态模态分解，从而在没有预定义观测变量的情况下实现 Koopman 频谱分析。
Spectral decomposition of the Koopman operator is attracting attention as a tool for the analysis of nonlinear dynamical systems. Dynamic mode decomposition is a popular numerical algorithm for Koopman spectral analysis; however, we often need to prepare nonlinear observables manually according to the underlying dynamics, which is not always possible since we may not have any a priori knowledge about them. In this paper, we propose a fully data-driven method for Koopman spectral analysis based on the principle of learning Koopman invariant subspaces from observed data. To this end, we propose minimization of the residual sum of squares of linear least-squares regression to estimate a set of functions that transforms data into a form in which the linear regression fits well. We introduce an implementation with neural networks and evaluate performance empirically using nonlinear dynamical systems and applications.
研究动机与目标
- 激励通过 Koopman 运算符和 DMD 分析非线性动力学。
- 开发一种从观测数据出发的完全数据驱动方法来学习 Koopman 不变子空间。
- 通过优化回归基础损失来避免手动选择观测变量。
- 为确保物理相关性，纳入状态重构与测量回投影。
- 在非线性系统和应用上展示经验性能。
提出的方法
- 定义跨度 Koopman 不变子空间的观测量 g，并最小化 Y1 与 Y0 之间线性回归的残差平方和。
- 采用具有延迟嵌入的经验风险视角，通过学习的线性延迟嵌入器 ϕ 来处理部分观测。
- 引入重构项，确保 y 可以通过重构器 h 从 g 中近似得到。
- 使用神经网络（多层感知机 MLP）来建模 g 和 h，并通过梯度下降优化框架。
- 提供对学习到的观测量执行标准 DMD 的步骤，通过计算 A = Y1 Y0† 并提取特征对。
- 提供在非可分的 RSS 损失和批量归一化下的稳定训练指南。
实验结果
研究问题
- RQ1我们是否可以直接从数据中学习一组观测量，使其跨越 Koopman 不变子空间，而不需要手工特征？
- RQ2最小化 RSS 损失是否会得到一个有限维 Koopman 运算符，能准确捕捉非线性动力学？
- RQ3是否可以联合学习延迟嵌入以从部分测量重建潜在状态？
- RQ4纳入测量重构损失是否能防止 g 的平凡或退化解？
- RQ5LKIS-DMD 与现有 DMD 变体在非线性系统和实际应用中的比较如何？
主要发现
- LKIS-DMD 识别出与目标不变子空间对应的 Koopman 特征值，并对观测噪声保持鲁棒。
- LKIS-DMD 产生的特征值与固定点、极限环以及多盆地系统的理论期望一致。
- 学习到的特征函数可通过接近零或小幅特征值揭示吸引域和不稳定现象。
- 与 LSTM 和 Hankel DMD 基线相比，该方法在混沌时间序列的预测精度具有竞争力甚至更优。
- 重构项使从学习到的观测量回投到原始测量具有物理上意义。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。