Sparse-mode Dynamic Mode Decomposition for Disambiguating Local and Global Structures

📄 arXiv: 2507.19787v1 📥 PDF

作者: Sara M. Ichinaga, Steven L. Brunton, Aleksandr Y. Aravkin, J. Nathan Kutz

分类: stat.ML, cs.LG

发布日期: 2025-07-26

💡 一句话要点

提出稀疏模式动态模态分解，用于区分局部和全局结构

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 动态模态分解 稀疏性正则化 模式分解 时空数据分析 局部结构 全局结构 数据驱动方法

📋 核心要点

  1. 传统DMD方法难以有效区分数据中局部和全局的空间结构，限制了其在复杂系统分析中的应用。
  2. 论文提出稀疏模式DMD，通过引入稀疏性正则化，使DMD模式能够更好地近似局部空间结构。
  3. 实验结果表明，该方法在光学波导、量子力学和海面温度数据等多个领域均能有效区分局部和全局结构。

📝 摘要（中文）

动态模态分解(DMD)是一种数据驱动的方法，可以从时空数据中提取主要特征。本文提出了一种稀疏模式DMD，它是优化DMD框架的一种新变体，它专门利用稀疏性促进正则化来近似具有局部空间结构的DMD模式。该算法保持了优化DMD的噪声鲁棒性，同时区分了空间上局部和全局性质的模式。在许多应用中，这些模式分别与离散谱和连续谱相关联，因此该算法能够以无监督的方式显式地构建频谱的不同部分。我们通过分析合成系统和真实系统来证明这一点，包括来自光学波导、量子力学和海面温度数据的例子。

🔬 方法详解

问题定义：传统的动态模态分解（DMD）方法在处理包含复杂时空结构的数据时，难以有效区分局部和全局模式。这些模式可能对应于不同的物理现象或系统行为，例如，局部模式可能代表特定的空间事件，而全局模式可能代表整体趋势。现有方法缺乏有效分离这些模式的机制，导致分析结果的模糊性和不准确性。

核心思路：本文的核心思路是通过在优化DMD框架中引入稀疏性促进正则化，从而使DMD模式能够更好地近似局部空间结构。稀疏性正则化鼓励模型学习只在少数几个空间位置上具有显著值的模式，从而有效地将局部模式与全局模式区分开来。这种方法基于的假设是，局部模式通常具有稀疏的空间表示，而全局模式则具有更密集的空间表示。

技术框架：该方法基于优化的DMD框架，并在此基础上添加了稀疏性正则化项。整体流程包括以下几个步骤：1) 数据收集和预处理；2) 构建DMD模型，包括状态矩阵和观测矩阵；3) 定义优化目标函数，包括重构误差项和稀疏性正则化项；4) 使用优化算法求解DMD模式和对应的特征值；5) 分析DMD模式，区分局部和全局结构。

关键创新：该方法最重要的技术创新点在于将稀疏性促进正则化引入到DMD框架中，从而实现了对局部和全局模式的有效区分。与传统的DMD方法相比，该方法能够更准确地提取具有局部空间结构的DMD模式，并能够以无监督的方式构建频谱的不同部分。

关键设计：关键的设计包括：1) 选择合适的稀疏性正则化项，例如L1范数或L1/L2混合范数；2) 调整正则化参数，以平衡重构误差和稀疏性；3) 选择合适的优化算法，例如交替方向乘子法（ADMM）或迭代阈值算法；4) 设计有效的后处理方法，以进一步提高模式分离的准确性。

📊 实验亮点

论文通过合成数据和真实数据验证了所提出方法的有效性。在光学波导、量子力学和海面温度数据等多个领域，该方法均能有效区分局部和全局结构。例如，在海面温度数据分析中，该方法能够识别与厄尔尼诺现象相关的局部模式，并将其与全球气候变化趋势区分开来。实验结果表明，该方法能够提高DMD分析的准确性和可解释性。

🎯 应用场景

该研究成果可应用于多个领域，包括流体力学、光学、气候科学和生物医学工程。例如，在流体力学中，可以用于识别湍流中的相干结构；在光学中，可以用于分析光波在复杂介质中的传播；在气候科学中，可以用于研究海面温度的动态变化；在生物医学工程中，可以用于分析脑电信号中的局部活动模式。该方法具有广泛的应用前景和重要的实际价值。

📄 摘要（原文）

The dynamic mode decomposition (DMD) is a data-driven approach that extracts the dominant features from spatiotemporal data. In this work, we introduce sparse-mode DMD, a new variant of the optimized DMD framework that specifically leverages sparsity-promoting regularization in order to approximate DMD modes which have localized spatial structure. The algorithm maintains the noise-robust properties of optimized DMD while disambiguating between modes which are spatially local versus global in nature. In many applications, such modes are associated with discrete and continuous spectra respectively, thus allowing the algorithm to explicitly construct, in an unsupervised manner, the distinct portions of the spectrum. We demonstrate this by analyzing synthetic and real-world systems, including examples from optical waveguides, quantum mechanics, and sea surface temperature data.