参考文献中引入的扩展动态模式分解(EDMD)。48是一种数据驱动的方法,用于近似离散系统的Koopman算子,需要显式选择称为“可观测”的函数字典。如何优化选择这些函数对于许多系统来说仍然是一个公开的问题,特别是当描述控制动力系统的微分方程的形式事先未知,并且只有关于系统行为的有限数据可用时。该方法可以非常准确地捕捉系统的动力学,但其准确性在很大程度上取决于选择合适的观测字典。参考文献研究了该方法的收敛性。23,其与Perron-Frobenius算子近似方法的关系在参考文献中讨论。20在这里,我们总结了EDMD及其与Koopman算子的关系。
该方法的第一个要求是一组连续快照对和,其中测量值和以较小的恒定时间间隔执行:,其中是等式中定义的流程图。(2)通常,快照集包含状态空间中不同轨迹的测量值。我们定义了一个线性无关观测值字典和形成观测向量和.给,,其中是近似中使用的字典函数数是数据快照的数量。的元素来自。我们也使用符号对于在轨迹上特定点处计算的字典函数。
Koopman算子的有限维逼近我们称之为可以通过以下方式获得
在这里,表示的伪逆在本文的其余部分,我们将重点讨论Moore-Penrose伪逆的情况。35
如果快照的数量远高于函数字典的维数(),而不是定义平方矩阵更实用和如下所示,并通过以下方式获得近似值:
在这里,表示复数共轭转置。如果唯一可观测的是系统的状态,EDMD降至DMD。20,48
特征分解提供了Koopman特征值、特征函数和模式,允许基本系统动力学的近似线性表示。让和成为的特征值和特征向量然后,相应的Koopman特征函数可以近似为
让是由定义的向量,其中表示参考文献。48、和Koopman本征模可通过下式获得
对EDMD的一种改进,称为内核DMD49更适合测量次数少、观测次数多的系统(例如,流体动力系统的全状态观测值是非常高维的,因此定义全状态观测的多项式字典在计算上非常昂贵),即:。,。该方法依赖于对内核函数的求值:
这允许高效计算矩阵,、和,其中是轨迹时间步数。特征分解然后可用于获得Koopman特征值、特征函数和模式的近似值。
在本文中,我们关注的是测量次数对于每个自由度都相对较高的情况()并获得了一种降低Sec中对称系统Koopman算子EDMD逼近维数的方法。四、中讨论了内核DMD的类似修改附录E.