高斯扩散模型_Markov时间序列模型的Koopman分析（一）

近年来，数据驱动（data driven）的模型分析与降阶方法受到了广泛关注，一方面这是由于数据的获取（比如分子动力学模拟）变得较为容易或者廉价，。这种情况下，如何通过数据去分析复杂的非线性系统就是一个十分挑战性的问题。

Koopman理论的发展为解决这个问题提供了一个解决方案：在适当的假设条件下，通过对Koopman算子进行谱分解，我们可以找到一组函数作为基底，称之为基函数，在这个新的基函数坐标系下，我们所研究的系统就变成了一个无穷维的线性系统。

实现Koopman分析的一种常用算法，叫做动力学模态分解（DMD，Dynamic Mode Decomposition）。这一算法最初被用来分析计算流体力学中的数据降维分析，后来被用到非线性动力系统的分析中。DMD算法后来被拓展到 EDMD（Extended Dynamic Mode Decomposition）。DMD及其拓展算法要求我们准备足够多的非线性测量数据，才能精确地做到分析和预测。这是因为我们使用Koopman分析时，其关键一步是要找到系统状态变量所在的“不变子空间”，但是在分析之前，我们没有任何的先验信息。

这里，针对满足细致平衡条件的Markov时间序列进行Koopman分析，Koopman特征函数使得我们可以从非稳态的时间序列中，估计出该时间序列对应的稳态分布。

主要参考文献：

Wu H, Nüske F, Paul F, et al. Variational Koopman models: slow collective variables and molecular kinetics from short off-equilibrium simulations[J]. The Journal of chemical physics, 2017, 146(15): 154104.

--------------------------------------------------------------------------------------------

传递算子（transfer operator）

为定义在有界空间

上的时齐Markov过程，映射

将

时刻的状态

映射到

时刻的状态

，即

。

与随机过程

对应的转移密度函数 ​

，定义为

即

​ 表示

时 ​

的概率。

定义 ​

为概率密度分布， ​

为观测量（observable）

Perron–Frobenius 算子

，定义为