Prediction Accuracy of Dynamic Mode Decomposition

外推法 动态模态分解 估计员 数学 奇异值分解 应用数学 非线性系统 稳健性(进化) 算法 本征正交分解 计算机科学 交货地点 统计 基因 机器学习 物理 生物 量子力学 生物化学 化学 农学
作者
Hannah Lu,Daniel M. Tartakovsky
出处
期刊:SIAM Journal on Scientific Computing [Society for Industrial and Applied Mathematics]
卷期号:42 (3): A1639-A1662 被引量:42
标识
DOI:10.1137/19m1259948
摘要

Dynamic mode decomposition (DMD), which belongs to the family of singular-value decompositions (SVDs), is a popular tool of data-driven regression. While multiple numerical tests demonstrated the power and efficiency of DMD in representing data (i.e., in the interpolation mode), applications of DMD as a predictive tool (i.e., in the extrapolation mode) are scarce. This is due, in part, to the lack of rigorous error estimators for DMD-based predictions. We provide a theoretical error estimator for DMD extrapolation of numerical solutions to linear and nonlinear parabolic equations. This error analysis allows one to monitor and control the errors associated with DMD-based temporal extrapolation of numerical solutions to parabolic differential equations. We use several computational experiments to verify the robustness of our error estimators and to compare the predictive ability of DMD with that of proper orthogonal decomposition (POD), another member of the SVD family. Our analysis demonstrates the importance of a proper selection of observables, as predicted by the Koopman operator theory. In all the tests considered, DMD outperformed POD in terms of efficiency due to its iteration-free feature. In some of these experiments, POD proved to be more accurate than DMD. This suggests that DMD is preferable for obtaining a fast prediction with slightly lower accuracy, while POD should be used if the accuracy is paramount.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
oohQoo完成签到,获得积分10
2秒前
2秒前
2秒前
WWXWWX发布了新的文献求助10
7秒前
10秒前
乐乐应助欢呼凡旋采纳,获得10
10秒前
都是发布了新的文献求助10
12秒前
mm发布了新的文献求助20
12秒前
科学家发布了新的文献求助10
15秒前
xx关注了科研通微信公众号
17秒前
菠萝吹雪完成签到 ,获得积分10
17秒前
rosalieshi应助zhangyufei采纳,获得30
18秒前
cong1216发布了新的文献求助20
19秒前
aliime完成签到,获得积分10
19秒前
19秒前
桐桐应助hhwoyebudong采纳,获得10
20秒前
研友_VZG7GZ应助都是采纳,获得10
21秒前
辛勤太阳发布了新的文献求助10
21秒前
qiu完成签到,获得积分10
21秒前
雨馀云应助immm采纳,获得20
22秒前
23秒前
23秒前
故意的雨南完成签到,获得积分10
23秒前
24秒前
FashionBoy应助mm采纳,获得10
24秒前
24秒前
沉香完成签到 ,获得积分10
25秒前
哭泣忆文完成签到,获得积分10
25秒前
小猫钓鱼完成签到,获得积分20
25秒前
AAiry22完成签到,获得积分10
26秒前
27秒前
不配.应助cosmos007采纳,获得30
27秒前
27秒前
Forever MJ发布了新的文献求助10
28秒前
王玄琳发布了新的文献求助10
29秒前
111发布了新的文献求助10
29秒前
科研通AI2S应助小猫钓鱼采纳,获得10
29秒前
结实星星发布了新的文献求助10
29秒前
31秒前
Orange应助wu采纳,获得10
32秒前
高分求助中
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
BIOMIMETIC RESTORATIVE DENTISTRY (volume 2) 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
Evolution 3rd edition 500
Die Gottesanbeterin: Mantis religiosa: 656 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3178237
求助须知:如何正确求助?哪些是违规求助? 2829217
关于积分的说明 7970504
捐赠科研通 2490581
什么是DOI,文献DOI怎么找? 1327685
科研通“疑难数据库(出版商)”最低求助积分说明 635311
版权声明 602904