Oct, 2023
自动微分在数据驱动的动力建模中的预测能力提升：Koopman 和神经 ODE 方法
Enhancing Predictive Capabilities in Data-Driven Dynamical Modeling with Automatic Differentiation: Koopman and Neural ODE Approaches
C. Ricardo Constante-Amores, Alec J. Linot, Michael D. Graham
TL;DR通过数据驱动的近似方法预测由复杂动力学特征的系统的时间演化是一个有前景的研究方向。本文介绍了一种改进的扩展动态模式分解与字典学习方法，同时确定可观测量的字典及其对应的 Koopman 算符的近似值，并通过伪逆使用自动微分来促进梯度下降计算。我们通过对比 Koopman 方法、状态空间方法和纯 Koopman 方法在不同系统中的性能表现，发现我们的方法显著优于传统方法，并且当 Koopman 方法在每个时间步骤在状态和可观测量空间之间交替时，与状态空间方法的预测结果相当。