面向含噪压力敏感漆测量数据的稳定动态模态分解算法
机器学习
2021-11-08 v2 动力系统
流体动力学
摘要
在本研究中，我们考察了动态模态分解（DMD）算法对含噪数据的稳定性。为获得稳定的DMD算法，我们将截断总体最小二乘（T-TLS）回归与最优截断水平选择应用于TLS DMD算法。通过对TLS DMD算法加入截断正则化，T-TLS DMD在保持TLS DMD精度的同时改善了计算的稳定性。通过分析圆柱尾流和实际压力敏感漆（PSP）的抖振单元现象数据，评估了T-TLS DMD的有效性。结果表明了正则化在DMD算法中的重要性。在特征值方面，T-TLS DMD受噪声影响较小，能够稳定地获得准确特征值，而TLS和子空间DMD的特征值因噪声而大幅变化。还观察到标准和精确DMD的特征值存在向阻尼侧偏移的问题，正如先前研究所述。在特征向量方面，T-TLS和精确DMD即使在噪声存在下也能清晰捕获特征流型，而TLS和子空间DMD因噪声无法清晰捕获。
引用
@article{arxiv.2107.11999,
title = {Stable Dynamic Mode Decomposition Algorithm for Noisy Pressure-Sensitive Paint Measurement Data},
author = {Yuya Ohmichi and Yosuke Sugioka and Kazuyuki Nakakita},
journal= {arXiv preprint arXiv:2107.11999},
year = {2021}
}
备注
8 pages, 7 figures