[论文解读] PyDMD: A Python package for robust dynamic mode decomposition

Sara M. Ichinaga|arXiv (Cornell University)|Feb 12, 2024

Machine Fault Diagnosis Techniques被引用 12

一句话总结

PyDMD 1.0 提供一个 Python 包，实现 DMD 及一系列鲁棒变体（例如 BOP-DMD、CoSTS、参数化 DMD、随机化 DMD、物理信息 DMD），并附带预处理和教程，用于处理嘈杂、多尺度、参数化、高维或非线性动力学。

ABSTRACT

The dynamic mode decomposition (DMD) is a simple and powerful data-driven modeling technique that is capable of revealing coherent spatiotemporal patterns from data. The method's linear algebra-based formulation additionally allows for a variety of optimizations and extensions that make the algorithm practical and viable for real-world data analysis. As a result, DMD has grown to become a leading method for dynamical system analysis across multiple scientific disciplines. PyDMD is a Python package that implements DMD and several of its major variants. In this work, we expand the PyDMD package to include a number of cutting-edge DMD methods and tools specifically designed to handle dynamics that are noisy, multiscale, parameterized, prohibitively high-dimensional, or even strongly nonlinear. We provide a complete overview of the features available in PyDMD as of version 1.0, along with a brief overview of the theory behind the DMD algorithm, information for developers, tips regarding practical DMD usage, and introductory coding examples. All code is available at https://github.com/PyDMD/PyDMD .

研究动机与目标

• 通过 DMD 在各学科推动并实现数据驱动的动态系统分析。
• 扩展 PyDMD 以包含能处理噪声、多尺度动力学、参数化和非线性的鲁棒变体。
• 提供一个模块化、可测试的 Python 工具包，附文档和教程以促进现实世界数据建模。
• 展示在 PyDMD 中为选择 DMD 方法和应用时延预处理的实用指南。

提出的方法

• 呈现 DMD 及其变体的数学背景。
• 描述 PyDMD 的模块化架构，基于 DMDBase 类支撑大多数模块。
• 解释 Hankel 预处理（时延坐标）以揭示潜在结构。
• 介绍鲁棒 DMD 变体，如优化 DMD（包括 BOP-DMD）和特征值约束。
• 讨论 CoSTS、参数化 DMD、随机化 DMD、物理信息 DMD 与 HAVOK 等扩展。
• 提供实用的使用模式与可视化工具以解释 DMD 诊断。

实验结果

研究问题

• RQ1 PyDMD 能否利用鲁棒 DMD 变体在嘈杂或真实世界数据中可靠地恢复相干的时空模式？
• RQ2 时延预处理在实践中如何影响 DMD 模态的表观秩和可恢复性？
• RQ3 在给定数据情形（噪声水平、多尺度动力学、参数化、或非线性）下，哪种 DMD 变体最合适，用户应如何选择？
• RQ4 在实际数据集中使用 PyDMD 应用 DMD 的实用指南（如预处理、参数选择、验证）有哪些？

主要发现

• PyDMD 1.0 增加了为嘈杂、多尺度、参数化、高维和非线性动力学设计的前沿 DMD 方法。
• 时延（Hankel）预处理可以增加实值数据的有效秩并揭示潜在的空间模态。
• Bagging-优化 DMD（BOP-DMD）与特征值约束为实际数据提供鲁棒性和降噪。
• 该软件包模块化、开源、文档完善，附有教程和绘图工具以促进采用。
• 示例演示从合成数据中恢复不同的时空模态及其对应频率，展示实际工作流程。