![ba94452c14088a77c1b2f679b4b30f2a.png](https://img-blog.csdnimg.cn/img_convert/ba94452c14088a77c1b2f679b4b30f2a.png)
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)
与随机过程
即
定义
Perron–Frobenius 算子