論文の概要: Residual Dynamic Mode Decomposition: Robust and verified Koopmanism
- arxiv url: http://arxiv.org/abs/2205.09779v1
- Date: Thu, 19 May 2022 18:02:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-23 15:59:47.328342
- Title: Residual Dynamic Mode Decomposition: Robust and verified Koopmanism
- Title(参考訳): 残留動的モード分解:ロバストかつ検証されたkoopmanism
- Authors: Matthew J. Colbrook, Lorna J. Ayton, M\'at\'e Sz\H{o}ke
- Abstract要約: 動的モード分解(DMD)は、より単純なコヒーレントな特徴の階層による複雑な動的プロセスを記述する。
本稿では,Residual Dynamic Mode Decomposition(ResDMD)を提案する。
ResDMDは一般的なクープマン作用素のスペクトルと擬似スペクトルを誤差制御で計算し、明示的な高階収束定理でスペクトル測度(連続スペクトルを含む)の滑らかな近似を計算する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic Mode Decomposition (DMD) describes complex dynamic processes through
a hierarchy of simpler coherent features. DMD is regularly used to understand
the fundamental characteristics of turbulence and is closely related to Koopman
operators. However, verifying the decomposition, equivalently the computed
spectral features of Koopman operators, remains a major challenge due to the
infinite-dimensional nature of Koopman operators. Challenges include spurious
(unphysical) modes, and dealing with continuous spectra, both of which occur
regularly in turbulent flows. Residual Dynamic Mode Decomposition (ResDMD),
introduced by (Colbrook & Townsend 2021), overcomes some of these challenges
through the data-driven computation of residuals associated with the full
infinite-dimensional Koopman operator. ResDMD computes spectra and
pseudospectra of general Koopman operators with error control, and computes
smoothed approximations of spectral measures (including continuous spectra)
with explicit high-order convergence theorems. ResDMD thus provides robust and
verified Koopmanism. We implement ResDMD and demonstrate its application in a
variety of fluid dynamic situations, at varying Reynolds numbers, arising from
both numerical and experimental data. Examples include: vortex shedding behind
a cylinder; hot-wire data acquired in a turbulent boundary layer; particle
image velocimetry data focusing on a wall-jet flow; and acoustic pressure
signals of laser-induced plasma. We present some advantages of ResDMD, namely,
the ability to verifiably resolve non-linear, transient modes, and spectral
calculation with reduced broadening effects. We also discuss how a new modal
ordering based on residuals enables greater accuracy with a smaller dictionary
than the traditional modulus ordering. This paves the way for greater dynamic
compression of large datasets without sacrificing accuracy.
- Abstract(参考訳): 動的モード分解(DMD)は、より単純なコヒーレントな特徴の階層による複雑な動的プロセスを記述する。
DMDは定期的に乱流の基本特性を理解するために使われ、クープマン作用素と密接に関連している。
しかし、クープマン作用素の計算されたスペクトル特徴と同等の分解を検証することは、クープマン作用素の無限次元の性質のために大きな課題である。
課題には、刺激的な(非物理的)モードや、乱流で定期的に発生する連続スペクトルを扱うことが含まれる。
残留動的モード分解(Residual Dynamic Mode Decomposition, ResDMD)はColbrook & Townsend 2021によって導入され、完全な無限次元クープマン作用素に関連する残差のデータ駆動計算によってこれらの課題を克服する。
resdmdは誤差制御を持つ一般クープマン作用素のスペクトルと擬スペクトルを計算し、明示的な高階収束定理を持つスペクトル測度(連続スペクトルを含む)の滑らかな近似を計算する。
したがって、ResDMDは堅牢で検証されたクープマン主義を提供する。
resdmdを実装し、数値データと実験データの両方から生じる様々なレイノルズ数における様々な流体力学的状況でその応用を実証する。
例としては、シリンダーの後ろの渦シーディング、乱流境界層で得られた熱線データ、壁面噴流に着目した粒子画像速度測定データ、レーザー誘起プラズマの音響圧力信号がある。
resdmdの利点として,非線形モード,過渡モード,スペクトル計算を有効に解決し,広化効果を低減できる点について述べる。
また, 残差に基づく新しいモーダル順序付けは, 従来のモジュラス順序付けよりも小さい辞書で, 高い精度を実現する。
これにより、精度を犠牲にすることなく、大規模なデータセットのよりダイナミックな圧縮が可能になる。
関連論文リスト
- On the Convergence of Hermitian Dynamic Mode Decomposition [0.0]
自己随伴クープマン作用素のスペクトル特性に対するエルミート力学モード分解(DMD)の収束性について検討する。
スペクトル測度の収束に関する一般定理を確立し、2次元シュリンガー方程式上で数値的に結果を示す。
論文 参考訳(メタデータ) (2024-01-06T11:13:16Z) - Beyond expectations: Residual Dynamic Mode Decomposition and Variance
for Stochastic Dynamical Systems [8.259767785187805]
ダイナミックモード分解(Dynamic Mode Decomposition, DMD)は、プロジェクションベースの手法のポスターチャイルドである。
統計的コヒーレンシーを測るための分散擬似スペクトルの概念を導入する。
本研究は、シミュレーションデータと実験データの両方を用いた実用的応用を結論付けている。
論文 参考訳(メタデータ) (2023-08-21T13:05:12Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳(メタデータ) (2023-05-22T12:18:20Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained
Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。
任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。
各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文 参考訳(メタデータ) (2023-01-23T15:18:54Z) - The mpEDMD Algorithm for Data-Driven Computations of Measure-Preserving
Dynamical Systems [0.0]
固有分解がクープマン作用素のスペクトル量に収束する最初のトランケーション法である測度保存拡張動的モード分解(textttmpEDMD$)を導入する。
$textttmpEDMD$はフレキシブルで、既存のDMDタイプのメソッドと異なるタイプのデータで簡単に使用できます。
論文 参考訳(メタデータ) (2022-09-06T06:37:54Z) - Spectral Decomposition Representation for Reinforcement Learning [100.0424588013549]
本稿では, スペクトル分解表現法(SPEDER)を提案する。この手法は, データ収集ポリシーに急激な依存を生じさせることなく, ダイナミックスから状態-作用の抽象化を抽出する。
理論的解析により、オンライン設定とオフライン設定の両方において提案アルゴリズムのサンプル効率が確立される。
実験により、いくつかのベンチマークで現在の最先端アルゴリズムよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-08-19T19:01:30Z) - Rigorous data-driven computation of spectral properties of Koopman
operators for dynamical systems [2.0305676256390934]
本稿では、クープマン作用素のスペクトル情報を計算するための厳密な収束保証付きアルゴリズムについて述べる。
一般測度保存力学系に関連するスペクトル測度のスムーズな近似を計算する。
我々は,テントマップ,円回転,ガウス反復マップ,非線形振り子,二重振り子,ローレンツシステムにアルゴリズムを実演する。
論文 参考訳(メタデータ) (2021-11-29T19:01:26Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - Estimating Koopman operators for nonlinear dynamical systems: a
nonparametric approach [77.77696851397539]
Koopman演算子は非線形系の線形記述を可能にする数学的ツールである。
本稿では,その核となる部分を同一フレームワークのデュアルバージョンとして捉え,それらをカーネルフレームワークに組み込む。
カーネルメソッドとKoopman演算子との強力なリンクを確立し、Kernel関数を通じて後者を推定する。
論文 参考訳(メタデータ) (2021-03-25T11:08:26Z) - Sparsity-promoting algorithms for the discovery of informative Koopman
invariant subspaces [0.0]
本稿では,マルチタスク特徴学習に基づくフレームワークを提案し,部分空間における最も情報に富むクープマンを抽出する。
提案手法は, 提案アルゴリズム, 疎度MDD, およびKDMDを促進する経験的基準との関係を示す。
論文 参考訳(メタデータ) (2020-02-25T03:02:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。