[论文解读] Sparsity-promoting dynamic mode decomposition

Mihailo R. Jovanović, Peter J. Schmid+1 more|arXiv (Cornell University)|Sep 17, 2013

Machine Fault Diagnosis Techniques被引用 4

一句话总结

本文提出一种稀疏性促进的动态模式分解（sparsity-promoting DMD），通过使用ℓ₁-范数惩罚对DMD振幅进行正则化，增强了流场数据的低秩逼近。利用交替方向乘子法（ADMM），该方法高效计算出全局最优解，平衡了逼近精度与模态数量，从而能够稳健地从实验和数值流场中提取主导的相干结构。

ABSTRACT

Dynamic mode decomposition (DMD) represents an effective means for capturing the essential features of numerically or experimentally generated flow fields. In order to achieve a desirable tradeoff between the quality of approximation and the number of modes that are used to approximate the given fields, we develop a sparsity-promoting variant of the standard DMD algorithm. In our method, sparsity is induced by regularizing the least-squares deviation between the matrix of snapshots and the linear combination of DMD modes with an additional term that penalizes the $\ell_1$-norm of the vector of DMD amplitudes. The globally optimal solution of the resulting regularized convex optimization problem is computed using the alternating direction method of multipliers, an algorithm well-suited for large problems. Several examples of flow fields resulting from numerical simulations and physical experiments are used to illustrate the effectiveness of the developed method.

研究动机与目标

• 为解决选择最小但准确的DMD模态子集以捕捉主导流场动力学的挑战。
• 克服标准DMD在非正交模态集合中的局限性，即仅保留高振幅模态可能导致逼近质量下降。
• 开发一种凸优化框架，促进DMD振幅的稀疏性，同时保持对快照数据的最小二乘保真度。
• 实现用户定义的逼近误差与保留DMD模态数量之间的权衡，以提升可解释性和计算效率。

提出的方法

• 将DMD表述为带有ℓ₁-范数惩罚的正则化最小二乘问题，对DMD振幅向量施加稀疏性。
• 使用交替方向乘子法（ADMM）高效求解所得的凸优化问题。
• 将ADMM子问题分解：α-最小化步骤求解无约束的正则化二次规划，β-最小化步骤应用软阈值化以促进稀疏性。
• 利用矩阵迹恒等式将目标函数重写为适合ADMM的形式，从而实现可扩展的计算。
• 在收敛后固定稀疏结构，并通过约束二次规划重新求解最优振幅。
• 将该方法应用于数值模拟和物理实验，展示了其在多种流场构型下的鲁棒性。

实验结果

研究问题

• RQ1 ℓ₁-正则化是否能有效促进DMD振幅的稀疏性，同时保持流场数据的准确低秩逼近？
• RQ2 与标准DMD及其他稀疏DMD变体相比，该稀疏性促进DMD方法在逼近误差和模态数量方面表现如何？
• RQ3 ADMM框架在多大程度上能高效求解由稀疏性促进DMD产生的大规模、结构化优化问题？
• RQ4 该方法是否能以最少的模态数量，一致地从实验和数值流场中提取出物理解释清晰的相干结构？
• RQ5 用户是否能够定义期望的逼近误差与稀疏性之间的权衡，且该方法是否能可靠地实现这一目标？

主要发现

• 稀疏性促进DMD方法实现了正则化凸优化问题的全局最优解，确保了鲁棒性与收敛性。
• 基于ADMM的算法高效计算出解，每个子问题均可通过闭式表达式求解（二次规划与软阈值化）。
• 该方法显著减少了达到给定逼近误差所需的DMD模态数量，提升了可解释性与计算效率。
• 在数值和实验流场（如双圆柱后方流场）中，该方法以少于标准DMD的模态数量成功分离出主导的相干结构。
• ℓ₁-正则化有效促进了振幅的稀疏性，从而实现了保留最具动力学相关模态的紧凑表示。
• 与非凸替代方法相比，该方法通过避免组合搜索，提供了可处理且可扩展的解决方案，表现更优。