.png){kind=icon}
返回
Weighted Birkhoff averages accelerate data-driven methods
.png){kind=icon}
PRE
AI
DOI：10.1098/rspa.2025.0979.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
许多动力系统中的数据驱动算法依赖于收敛速度极慢的遍历平均。一个简单的想法改变了这一点：对两端进行衰减。加权伯克霍夫平均可以收敛得快得多（有时甚至超多项式级或指数级），并且可以无缝融入现有方法中。我们通过五种加权算法展示了这一点：加权动态模态分解（wtDMD）、加权扩展DMD（wtEDMD）、加权非线性动力学稀疏辨识（wtSINDy）、加权谱测度估计和加权扩散预测。从流体流动到厄尔尼诺数据等各种示例中，结论明确：加权不增加成本，易于实现，并且往往能从相同数据中获得显著更好的结果。
Keyword:
data-driven dynamical systems
Birkhoff averages
Koopman operators
DMD
model identification
spectral convergence
forecasting