[论文解读] Unifying Theorems for Subspace Identification and Dynamic Mode Decomposition

Sungho Shin, Qiugang Lu+1 more|arXiv (Cornell University)|Mar 16, 2020

Model Reduction and Neural Networks参考文献 20被引用 4

一句话总结

本文建立了自治动力系统中子空间辨识（SID）与动态模式分解（DMD）之间的理论等价性，证明在理想数据条件下，两者的底层优化问题完全相同。本文提出SID-DMD算法，利用该等价性，直接从输出数据中获得一种可证明最优的、基于SVD的状态空间模型，从而实现对高维数据（如视频序列）的精确且高效的系统辨识。

ABSTRACT

This paper presents unifying results for subspace identification (SID) and dynamic mode decomposition (DMD) for autonomous dynamical systems. We observe that SID seeks to solve an optimization problem to estimate an extended observability matrix and a state sequence that minimizes the prediction error for the state-space model. Moreover, we observe that DMD seeks to solve a rank-constrained matrix regression problem that minimizes the prediction error of an extended autoregressive model. We prove that existence conditions for perfect (error-free) state-space and low-rank extended autoregressive models are equivalent and that the SID and DMD optimization problems are equivalent. We exploit these results to propose a SID-DMD algorithm that delivers a provably optimal model and that is easy to implement. We demonstrate our developments using a case study that aims to build dynamical models directly from video data.

研究动机与目标

• 建立自治系统中子空间辨识（SID）与动态模式分解（DMD）之间的理论等价性。
• 通过将传统SID方法重新表述为优化问题，解决其缺乏最优性保证的问题。
• 开发一种统一的、可证明最优的算法（SID-DMD），利用该等价性直接从输出数据中进行状态空间模型辨识。
• 在液晶传感实验的时空数据上验证该方法的有效性。

提出的方法

• 将SID表述为低秩矩阵回归问题，通过扩展可观测性矩阵估计最小化状态空间模型中的预测误差。
• 将DMD重述为秩约束矩阵回归问题，最小化扩展自回归模型中的预测误差。
• 证明了无误差SID与DMD模型存在的条件是等价的，且两种优化问题在数学上完全相同。
• 提出SID-DMD算法：首先求解一个秩约束的SVD-based回归，然后从解中估计系统矩阵A和C，最后通过A的特征分解提取动态模式。
• 使用经济SVD和截断SVD高效计算状态序列与扩展可观测性矩阵，确保数值稳定性和低计算成本。
• 通过从时间序列图像帧构建延迟嵌入的Hankel矩阵，将该方法应用于视频数据，实现对时空动态的辨识。

实验结果

研究问题

• RQ1 在理想数据条件下，SID与DMD的底层优化问题在数学上是否等价？
• RQ2 能否推导出一种统一算法，兼具SID的最优性与DMD的可扩展性？
• RQ3 当真实系统为低秩且自治时，所提出的SID-DMD方法是否能产生可证明最优的状态空间模型？
• RQ4 该统一框架能否准确从高维视频数据中提取动态模式及其相关时间尺度？

主要发现

• 完美SID与DMD模型存在的条件是等价的，即若一个低秩状态空间模型能精确拟合数据，则对应的DMD模型也能精确拟合。
• SID与DMD的优化问题在数学上等价，证明了两种方法在相同约束下最小化相同的预测误差。
• 所提出的SID-DMD算法通过SVD求解单一秩约束回归问题，生成可证明最优的状态空间模型，避免了标准DMD中使用的次优截断启发式方法。
• 在案例研究中，该算法成功识别出DMMP和水暴露下各三个模式（一个实模式，一个共轭复数对），揭示了不同的动力学特征：DMMP诱导了更快、更均匀的过渡，且振荡周期更短。
• DMMP的空间模式表现出由边界向中心传播的特征，表明扩散过程更具同质性，而水则表现出更不均匀的空间结构。
• 时间趋势分析显示，DMMP的实模式衰减更快，其复数模式振荡频率更高，与视频数据中观察到的更快响应动力学一致。