扩张动态模式分解如何处理非平稳信号？

Question

在应用扩张动态模式分解（Expanding Dynamic Mode Decomposition, EDMD）处理非平稳信号时，一个常见技术问题是：如何选择合适的观测函数（字典）以准确捕捉信号的时变特征？由于非平稳信号具有随时间变化的频率和幅值特性，若观测函数未能充分表征系统的非线性与瞬态行为，EDMD将难以构建精确的近似Koopman算子，导致模态分解失真或预测性能下降。尤其在缺乏先验知识的情况下，如何自适应地构造或学习最优字典仍具挑战。

Answer 1

1. 观测函数选择的基本概念与挑战

在应用扩张动态模式分解（Expanding Dynamic Mode Decomposition, EDMD）处理非平稳信号时，核心在于构造一组观测函数（也称字典函数），用于将原始状态空间映射到高维特征空间，从而逼近Koopman算子的谱特性。这些观测函数构成了EDMD的“字典”，其质量直接决定了模态分解的精度和系统的可预测性。

对于非平稳信号——如机械振动中的瞬态冲击、脑电图中的突发节律或金融时间序列中的波动突变——其频率与幅值随时间显著变化，传统的线性或固定基函数（如傅里叶基、多项式基）往往难以充分捕捉其动态演化行为。

常见技术问题包括：

• 字典规模过大导致计算复杂度上升（“维度灾难”）
• 基函数缺乏对瞬态特征的敏感性
• 无法自适应响应信号局部结构变化
• 在无先验知识下盲目选择导致过拟合或欠拟合

2. 典型观测函数类型及其适用场景分析

为提升EDMD对非平稳信号的建模能力，研究者提出了多种观测函数构造策略。以下为常见字典类型及其特点对比：

观测函数类型	数学形式示例	优势	局限性	适用信号类型
多项式基	x, x², xy, y³...	结构清晰，易于实现	高阶项易引发数值不稳定	弱非线性系统
径向基函数（RBF）	exp(-||x-cᵢ||²/σ²)	局部敏感，适合瞬态建模	中心点选择依赖数据分布	突变型非平稳信号
傅里叶基	sin(ωt), cos(ωt)	擅长周期性成分提取	对非周期/瞬态响应差	准平稳振荡信号
小波基	ψ((t-b)/a)	时频局部化能力强	需预设母小波类型	多尺度非平稳信号
神经网络隐层激活	tanh(Wx+b)	可学习复杂非线性映射	解释性差，训练成本高	高度非线性未知系统

3. 自适应字典构建的技术路径演进

随着深度学习与稀疏表示理论的发展，自适应构造观测函数成为解决EDMD瓶颈的关键方向。主要方法可分为三类：

1. 稀疏回归驱动字典选择：利用SINDy（Sparse Identification of Nonlinear Dynamics）思想，在超完备字典中通过Lasso或逐步回归筛选关键基函数。
2. 数据驱动的核学习：采用核PCA或扩散映射自动提取主导动态模式，作为EDMD输入观测函数。
3. 端到端神经EDMD架构：使用自编码器或Transformer结构联合优化观测函数与Koopman矩阵，实现特征-动力学协同学习。

例如，基于自动微分的可微EDMD框架允许梯度反传至观测函数参数，从而实现连续空间中的函数优化：

import torch
import torch.nn as nn

class ObservableNet(nn.Module):
    def __init__(self, input_dim, hidden_dim=64, output_dim=200):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(input_dim, hidden_dim),
            nn.Tanh(),
            nn.Linear(hidden_dim, output_dim)  # 输出为观测向量 g(x)
        )
    
    def forward(self, x):
        return self.net(x)

# Koopman矩阵学习与观测网络联合训练
g_x = observable_net(x_t)
g_x_next = observable_net(x_t_plus_1)
K = torch.linalg.lstsq(g_x, g_x_next).solution

4. 基于流形学习与在线更新的动态字典机制

针对非平稳信号的时变本质，静态字典已不足以应对长期演化系统。近年来提出的“流形追踪+增量EDMD”框架，能够在运行时动态扩展或修剪观测函数集合。

其核心流程如下图所示（使用Mermaid语法描述）：

graph TD
      A[输入非平稳信号流] --> B{滑动窗口采集数据}
      B --> C[执行局部PCA/Isomap降维]
      C --> D[检测流形曲率突变]
      D -- 突变检测成立 --> E[触发字典更新]
      D -- 否 --> F[沿用当前观测函数]
      E --> G[添加新RBF或小波基中心]
      G --> H[重构Koopman算子]
      H --> I[输出更新后的模态分解结果]
      I --> J[反馈至预测模型]

该机制实现了观测函数的“在线生长”能力，尤其适用于工业设备退化监测、金融市场状态切换等场景。

5. 实际工程中的综合策略建议

在实际IT与工业智能系统中部署EDMD时，推荐采用混合式观测函数设计策略：

• 初始阶段：结合领域知识构建基础字典（如物理守恒量、典型非线性项）
• 中期优化：引入稀疏回归剔除冗余基函数，控制模型复杂度
• 长期运行：集成在线学习模块，定期评估Koopman预测误差并触发字典重训练
• 性能监控：定义字典有效性指标，如模态相干性（Modal Coherence Index）与残差能量比（Residual Energy Ratio）

此外，可借助自动化机器学习（AutoML）工具搜索最优观测函数组合，例如通过贝叶斯优化调整RBF宽度、小波尺度或神经网络层数等超参数。