Dynamic Mode Decomposition (DMD) 是一种流行的数据驱动分析技术，用于将复杂的非线性系统分解成一组模式，通过谱分析揭示底层的模式和动态特性。本综述全面而系统地研究了 DMD，强调了 Koopman 算子在将复杂非线性动力学转化为线性框架中的作用。我们将 DMD 方法的多元宇宙分类为三个主要领域：线性回归方法、Galerkin 逼近和保结构技术，并研究了每个类别在谱计算中的独特贡献和挑战。该综述通过实例和应用程序提供了 MATLAB 包，以加强对这些方法的实际理解。这项研究作为对各种 DMD 方法的实用指南和理论参考，既适用于专家也适用于新手，并使读者能够深入研究他们在广阔的 DMD 领域中感兴趣的领域。

Nov, 2023

本论文引入了乘法动态模态分解（MultDMD），通过在其有限维近似中强制实现 Koopman 算子的乘法结构，从而更准确地反映 Koopman 算子的谱特性。我们详细阐述了 MultDMD 的理论框架，包括其公式化、优化策略和收敛性质。通过多个示例（包括非线性摆、Lorenz 系统和流体动力学数据），我们证明了 MultDMD 对噪声的出色鲁棒性。

May, 2024

本文研究了基于 Hankel 型数据矩阵的 Dynamic Mode Decomposition 算法在计算无限维 Koopman 算子的特征值和特征函数上的收敛性，证明了在刻画极限动力学系统的哈尔小波基函数上，DMD 算法的向量投影可用于近似函数投影并收敛于 Proper Orthogonal Decomposition。该方法被成功应用于计算流体力学以及其他的动力学系统，是一种可行的数值模拟方法。

Nov, 2016

透过引入方差，我们处理了 Koopman 框架中的一些挑战，从而实现了对随机 Koopman 算子的谱特性的可验证计算，并引入了方差 - 伪谱概念来评估统计一致性。最后，我们利用模拟和实验数据展示了其在神经记录中如何揭示对于标准基于期望的动力学模型不可见的重要生理信息。

Aug, 2023

本文介绍了一种基于数据的方法，用于近似 Koopman 算子的主要特征，其不需要显式的控制方程或与 “黑匣子” 积分器的交互，并演示了该方法的可行性及其潜在应用示例。

Aug, 2014

我们研究 Hermitian Dynamic Mode Decomposition（DMD）收敛到自伴随 Koopman 算子的谱特性，DMD 是一种数据驱动方法，用于从离散时间快照中近似表示与未知非线性动力系统相关的 Koopman 算子，同时保持算子在其有限维近似上的自伴性，我们证明在适当的条件下，HDMD 的特征值和特征函数收敛到底层 Koopman 算子的谱特性，并且通过数值实验在二维薛定谔方程上验证了我们的结果。

Jan, 2024

我们将 Koopman 算子理论做出了新的泛化，它融合了输入和控制的影响，并将其应用于动态模式分解。我们对非线性动态系统进行了证明，展示了如何将其泛化到动态模式分解与控制，以及如何在可操纵系统中产生输入 - 输出模型。

Feb, 2016

本文介绍了一种理论框架，将 DMD 展开为一个逼近线性算子的特征分解，并扩展了 DMD 的应用范围，包括非连续时间序列。文中还提出了线性一致性的概念，帮助理解在低秩数据集上应用 DMD 的潜在缺陷，并且阐明了 DMD 与 Koopman 算子理论以及其他技术之间的联系。此外，作者通过实验证明了新的采样策略可以提高计算效率，并抑制噪声影响，进而证明在特定条件下 DMD 等价于线性反演建模（LIM）。

Nov, 2013

本文利用机器学习中的思想，开发了一种迭代逼近算法，该算法将 EDMD 与可训练字典相结合，使得可以在不需要事先选择固定字典的情况下，适应于不同的问题并有效地进行重构，进一步增强了 Koopman 框架的适用性。

Jul, 2017

通过引入 Dynamic Mode Decomposition (DMD) 算法，对电浆动力学的跨场 ExB 结构进行数据驱动分析和降阶建模，在高保真数据集上应用 DMD 算法，提取主导的时空模式并发现 OPT-DMD 方法能更可靠地重建基准值，以及通过揭示频谱的空间结构，为等离子现象的时空特性提供更全面、更易理解的信息。

Aug, 2023