[论文解读] The Multiverse of Dynamic Mode Decomposition Algorithms

Matthew J. Colbrook|arXiv (Cornell University)|Nov 30, 2023

Model Reduction and Neural Networks被引用 4

一句话总结

本文对动态模态分解（DMD）算法进行了全面的、以理论为导向的综述，将各类变体统一于Koopman算子框架之下。系统地将DMD方法划分为基于回归、基于Galerkin和保持结构的方法三类，提供了理论洞见、算法细节以及用于非线性动力系统谱分析的实用MATLAB实现。

ABSTRACT

Dynamic Mode Decomposition (DMD) is a popular data-driven analysis technique used to decompose complex, nonlinear systems into a set of modes, revealing underlying patterns and dynamics through spectral analysis. This review presents a comprehensive and pedagogical examination of DMD, emphasizing the role of Koopman operators in transforming complex nonlinear dynamics into a linear framework. A distinctive feature of this review is its focus on the relationship between DMD and the spectral properties of Koopman operators, with particular emphasis on the theory and practice of DMD algorithms for spectral computations. We explore the diverse "multiverse" of DMD methods, categorized into three main areas: linear regression-based methods, Galerkin approximations, and structure-preserving techniques. Each category is studied for its unique contributions and challenges, providing a detailed overview of significant algorithms and their applications as outlined in Table 1. We include a MATLAB package with examples and applications to enhance the practical understanding of these methods. This review serves as both a practical guide and a theoretical reference for various DMD methods, accessible to both experts and newcomers, and enabling readers to delve into their areas of interest in the expansive field of DMD.

研究动机与目标

• 为理解动态模态分解（DMD）算法的多样化体系提供统一的理论与实践框架。
• 阐明Koopman算子在实现非线性动力系统线性谱分析中的作用。
• 将DMD变体按三大范式进行分类与比较：基于回归、基于Galerkin和保持结构的方法。
• 识别并讨论Koopman基方法在收敛性理论、字典选择和验证控制方面的开放问题。
• 提供一个MATLAB工具包及示例，连接理论与应用，服务于初学者与专家。

提出的方法

• 将DMD方法划分为三大类：基于线性回归、基于Galerkin近似和保持结构的技术。
• 以Koopman算子理论作为统一的理论基础，将DMD与非线性系统的谱分析联系起来。
• 分析基于回归的变体，如fbDMD、tlsDMD、optDMD、rDMD和mrDMD，强调其对噪声的鲁棒性及压缩能力。
• 研究基于Galerkin的方法，包括带字典选择的扩展DMD（EDMD）、通过时间延迟嵌入的Hankel-DMD，以及用于误差控制的ResDMD。
• 引入保持结构的方法，如piDMD（物理信息型）和mpEDMD（测度保持型），并提供收敛性理论。
• 应用紧化技术处理连续时间系统，并讨论其与转移算子及谱测度的联系。

实验结果

研究问题

• RQ1 不同DMD变体如何与Koopman算子的谱特性相关联？
• RQ2 基于回归、基于Galerkin和保持结构的DMD算法在理论与实践上的权衡是什么？
• RQ3 Koopman基DMD在收敛性理论、字典选择和验证控制方面的主要开放问题是什么？
• RQ4 Koopman算子理论如何扩展以处理连续谱、随机系统和转移算子？
• RQ5 当前DMD方法在捕捉瞬态行为和非吸引子动力学方面存在哪些局限性？

主要发现

• Koopman算子框架使得非线性系统的线性谱分析成为可能，为DMD的有效性提供了理论基础。
• 基于回归的DMD变体（如optDMD和rDMD）提高了对噪声的鲁棒性，并通过随机化线性代数实现了高效计算。
• 使用合适字典的EDMD在数据量和可观测量丰富时趋于收敛至Koopman谱，其收敛性理论已建立。
• 保持结构的方法（如piDMD和mpEDMD）维持了物理或测度论约束，提升了可解释性与准确性。
• Hankel-DMD与HAVOK方法能有效从时间延迟数据中恢复Koopman模态，尤其适用于弱非线性或振荡性系统。
• 开放问题包括建立计算不可能性的下界、改进字典选择方法，以及验证Koopman模型在控制中的应用。