[论文解读] Optimal Low-Rank Dynamic Mode Decomposition

Patrick Héas, Cédric Herzet|arXiv (Cornell University)|Jan 4, 2017

Model Reduction and Neural Networks参考文献 17被引用 12

一句话总结

本文通过奇异值分解（SVD）提出了一种低秩动态模态分解（DMD）的闭式最优解，克服了以往迭代方法或依赖假设方法的次优性。该方法无需依赖线性依赖假设，即可实现秩-k DMD近似的精确计算，在非线性或非理想条件下显著提升了现有技术水平的准确性。

ABSTRACT

Dynamic Mode Decomposition (DMD) has emerged as a powerful tool for analyzing the dynamics of non-linear systems from experimental datasets. Recently, several attempts have extended DMD to the context of low-rank approximations. This extension is of particular interest for reduced-order modeling in various applicative domains, e.g. for climate prediction, to study molecular dynamics or micro-electromechanical devices. This low-rank extension takes the form of a non-convex optimization problem. To the best of our knowledge, only sub-optimal algorithms have been proposed in the literature to compute the solution of this problem. In this paper, we prove that there exists a closed-form optimal solution to this problem and design an effective algorithm to compute it based on Singular Value Decomposition (SVD). A toy-example illustrates the gain in performance of the proposed algorithm compared to state-of-the-art techniques.

研究动机与目标

• 解决非凸低秩DMD近似问题缺乏最优解的问题。
• 消除对迭代求解器或线性依赖性假设（如快照之间线性依赖）的依赖。
• 开发一种计算高效、解析最优的降阶建模算法。
• 提供一种框架，实现DMD模态和幅值的精确、闭式计算。

提出的方法

• 将低秩DMD问题表述为非凸优化问题：在满足 rank(A) ≤ k 的条件下，最小化 ‖Y − AX‖_F。
• 通过数据矩阵 X 和 Y 的SVD，利用Eckart-Young定理推导出闭式解。
• 利用 X 的SVD和 Y 的SVD所得投影矩阵 P，构造最优低秩矩阵 Â_k。
• 采用两阶段算法：首先通过SVD和矩阵投影计算最优 A⋆_k，然后通过低维矩阵的SVD提取DMD模态和幅值。
• 避免迭代优化或对快照之间线性依赖性的假设。
• 通过直接从低维矩阵的SVD计算DMD模态和幅值，实现高效的降阶建模。

实验结果

研究问题

• RQ1 能否为非凸低秩DMD近似问题推导出闭式最优解？
• RQ2 所提出的方法在准确性和鲁棒性方面是否优于现有的迭代或基于假设的方法？
• RQ3 该解是否能无需迭代优化或严格的线性依赖性假设而高效计算？
• RQ4 在非线性系统中，该最优解与截断全秩DMD或投影DMD相比性能如何？
• RQ5 该方法在不同系统动力学下（包括线性和非线性情形）是否具有鲁棒性？

主要发现

• 在所有测试设置中，所提算法的误差范数 ∥Y − Â_kX∥_F 最低，证实了其最优性。
• 在非线性系统（情形iii）中，所提方法（a）显著优于投影DMD（c），当 k > 10 时误差增加超过1000%。
• 对于满足线性依赖性假设的线性系统（情形i），所提方法与投影DMD（c）性能相当，证实了其在理想情况下的最优性。
• 当 k < 30 时，截断全秩DMD解法（b）表现欠佳，表明简单截断存在次优性。
• 当 k ≥ r = 30 时，所有方法均能正确识别出真实系统秩的低维子空间，证实了该方法与真实系统秩的一致性。
• 该算法在无需迭代优化或严格建模假设的情况下实现最优性能，证明了闭式解的存在性。