简介这份资源是面向动力系统数据分析学习者与科研人员的MATLAB版动态模式分解DMD实现包适合具备一定线性代数与MATLAB基础、希望将高维时间序列降维并提取低维动态模式的中高级用户。包内共3个文件包含1个m脚本、1个pdf说明与1个md文档压缩包约146KB脚本可用于数据准备、矩阵构造、SVD谱分解、DMD模式与频率增益计算及重构预测文档则辅助理解算法流程与关键概念。资源围绕流体动力学、信号处理、图像分析与机械结构健康监测等场景展开读者可据此掌握从奇异值分解到DMD模式提取的完整链路并了解扩展DMD、控制DMD等变体的思路便于迁移到自身研究或工程问题中。目前已有501人学习下载可作为入门DMD并动手复现的轻量参考。1. DMD 不是玄学从一段非定常流场数据说起手里有一组随时间演化的流场快照比如圆柱绕流的速度场几百个时间步每个时刻几万个网格点。你想知道这里面到底藏着几种主导模态它们的频率是多少增长率是正还是负传统做法是做 FFT但 FFT 要求信号平稳而且对瞬态、间歇性现象几乎无能为力。Dynamic Mode DecompositionDMD就是冲着这个问题来的——它把时间序列拆成若干空间模态每个模态配一个特征值实部管增长衰减虚部管振荡频率。我第一次用它处理 PIV 实验数据时最直观的感受是终于不用靠肉眼在涡量图里数涡了。这篇笔记面向已经拿到快照矩阵、准备动手算的工程师从数据排布讲到参数调优再到踩过的坑尽量把每一步都落到可复现的命令和代码上。2. 快照矩阵怎么排DMD 的数据入口与三种预处理2.1 从原始数据到 X 和 X‘DMD 的输入本质上就两个矩阵。假设你有 m 个时间步每个时间步的场量展平成 n 维列向量记第 k 个时刻为 x_k。那么X [x_1, x_2, ..., x_{m-1}] X [x_2, x_3, ..., x_m]X 和 X 各是 n×(m-1) 的矩阵。DMD 要找的是一个最佳线性算子 A使得 X ≈ A X。注意这里没有常数项、没有控制输入纯靠数据本身推演化。如果你的数据来自 CFDn 可能是 10^5 量级m 可能只有几百矩阵极度扁长所以后面必须做降维。常见做法是先把每个快照减去时间平均值。不减均值的话零频模态会混进结果里特征值落在单位圆上看起来像个“稳定模态”实际上只是均值场。我一般会显式做这一步import numpy as np # snapshots: shape (n, m), 每一列是一个时刻的场 snapshots np.load(flow_snapshots.npy) mean_field snapshots.mean(axis1, keepdimsTrue) X_all snapshots - mean_field X X_all[:, :-1] # 前 m-1 列 Xp X_all[:, 1:] # 后 m-1 列 print(X.shape, Xp.shape)逻辑说明先减均值再切片保证 X 和 X‘ 用的是同一个均值场。参数上mean_field 的 keepdimsTrue 是为了保持 (n,1) 形状方便广播。如果你的数据里有明显的瞬态起始段比如前 50 步还没充分发展建议直接丢掉不要用滤波去补DMD 对非物理瞬态很敏感。2.2 归一化与加权容易被忽略的一步如果快照的各个分量量纲不同比如速度场和压力场混在一起或者网格非均匀直接做 DMD 会让大量纲分量主导结果。常见做法是对每个分量做无量纲化或者引入网格权重。我一般会构造一个对角权重矩阵 W把内积改成加权内积。在均匀网格上 W 就是单位阵乘网格面积非均匀网格上每个点的权重正比于其控制体积。# 假设 dx, dy 是网格间距二维场展平后每个点的面积权重 dx, dy 0.01, 0.01 n_points X.shape[0] weights np.full(n_points, dx * dy) W np.diag(weights) # 加权内积下的“能量”范数 energy np.sqrt(np.real(np.sum(np.conj(X) * (W X), axis0))) print(各快照加权能量:, energy[:5])逻辑说明W 的作用是让 DMD 在加权空间里找最优算子避免网格密集区域被过度加权。参数上dx 和 dy 要和你 CFD 或实验的实际分辨率一致。如果懒得算权重至少在非均匀网格上做一次面积归一化否则模态空间分布会失真。2.3 降维SVD 截断阶数怎么定直接对 X 做 SVDX U Σ V*。U 的列是 POD 模态Σ 的对角元是奇异值。DMD 的降维就是保留前 r 个奇异值对应的子空间。r 选多少这是 DMD 里最像玄学的一步。我的血泪经验是不要只看奇异值衰减曲线拐点还要看你要提取的模态频率是否落在保留的子空间里。U, S, Vh np.linalg.svd(X, full_matricesFalse) # 保留能量占比 99.9% energy_ratio np.cumsum(S**2) / np.sum(S**2) r np.searchsorted(energy_ratio, 0.999) 1 print(f保留阶数 r {r}, 能量占比 {energy_ratio[r-1]:.6f}) U_r U[:, :r] S_r np.diag(S[:r]) V_r Vh[:r, :].conj().T逻辑说明energy_ratio 是累计能量占比searchsorted 找到第一个超过 99.9% 的位置。参数 0.999 可以调噪声大的数据用 0.99干净数据用 0.9999。注意 SVD 的复杂度是 O(n m^2)如果 m 很大可以先对时间维度做降采样或者用随机 SVD。我一般会同时看 r 从 10 到 50 的结果如果主导频率对 r 不敏感说明模态分离得好如果频率随 r 跳变说明截断太狠或数据信噪比不够。3. 从算子到模态精确 DMD 与投影 DMD 的代码实现3.1 精确 DMD 的七行核心代码精确 DMD 的思路是在 POD 子空间里构造低维算子 Ã U_r* X‘ V_r S_r^{-1}然后对 Ã 做特征分解再把特征向量投影回高维空间。下面是最小可复现版本# 精确 DMD Atilde U_r.conj().T Xp V_r np.linalg.inv(S_r) eigvals, W_tilde np.linalg.eig(Atilde) # 高维 DMD 模态 Phi Xp V_r np.linalg.inv(S_r) W_tilde # 连续时间特征值 dt 0.01 # 采样时间间隔 omega np.log(eigvals) / dt # 按模态振幅排序 b np.linalg.lstsq(Phi, X[:, 0], rcondNone)[0] amplitude np.abs(b) idx np.argsort(amplitude)[::-1]逻辑说明Atilde 是 r×r 小矩阵特征分解很快。Phi 的每一列是一个 DMD 模态omega 的实部是增长率虚部是角频率。b 是初始时刻各模态的振幅用最小二乘从第一帧快照投影得到。参数 dt 必须和你的快照间隔一致单位是秒。如果 dt 设错频率会整体缩放这是最常见的翻车点之一。3.2 投影 DMD当 n 远大于 m 时的省内存写法精确 DMD 里 Phi 是 n×r 矩阵如果 n 是 10^6r 是 100Phi 就是 10^8 个浮点数内存吃不消。投影 DMD 不显式构造 Phi而是把模态表示为 POD 基的线性组合Phi U_r W_tilde。这样只需要存 U_r 和 W_tilde。# 投影 DMD模态用 U_r W_tilde 表示 Phi_proj U_r W_tilde # 重构任意时刻的场x(t) ≈ Phi_proj (b * np.exp(omega * t)) t 0.5 x_recon Phi_proj (b * np.exp(omega * t)) print(重构场形状:, x_recon.shape)逻辑说明Phi_proj 和精确 DMD 的 Phi 在数学上等价但计算路径不同。投影 DMD 的代价是每次重构都要做 U_r W_tilde 的乘法但省了显式存 Phi 的内存。参数上如果你只需要频率和增长率不需要空间模态那连 Phi_proj 都不用算直接看 omega 就行。3.3 参数表dt、r、窗口长度怎么配参数典型值影响调整建议dt实验采样间隔频率缩放必须准确错 10% 频率就错 10%r20~200模态数量从能量占比 99% 起步看频率稳定性m100~1000时间分辨率至少覆盖 10 个最低频周期均值扣除是/否零频模态强烈建议扣除权重 W网格面积空间加权非均匀网格必做这张表是我自己调参时的速查卡。dt 和 m 是数据采集阶段就定死的r 和权重是后处理阶段可调的。如果频率结果对 r 敏感优先检查数据质量和均值扣除而不是继续调 r。4. 避坑与排查DMD 翻车现场记录4.1 特征值全落在单位圆外增长率大得离谱现象算出来的 omega 实部全是正的而且数值很大重构场几秒后就爆炸。原因X 和 X‘ 的构造顺序反了或者 dt 单位搞错比如毫秒当成秒。解决检查 Xp 是不是 X 右移一列dt 是不是实际采样间隔。我一般会先算一个已知频率的正弦信号做自检比如 10 Hz 信号dt0.001看 DMD 能不能还原出 10 Hz。4.2 模态空间分布全是噪声看不出物理结构现象Phi 的列看起来像随机噪声没有涡结构。原因SVD 截断阶数 r 太大把噪声子空间也保留进来了。解决降低 r或者对 X 做一次低通滤波。另一个可能是快照数量太少m 2r导致 Ã 欠定。经验规则是 m 至少是 r 的 3 倍。4.3 频率出现混叠高频模态对不上现象DMD 给出的频率和 FFT 对不上或者出现负频率。原因采样率不够Nyquist 频率低于信号最高频。解决提高采样率或者对数据做降采样前先低通滤波。DMD 不会自动抗混叠它只反映你给的数据。4.4 重构场和原始场差很多但频率看起来对现象omega 合理但用 Phi 和 b 重构的场和原始快照对不上。原因b 是用第一帧算的如果第一帧恰好落在瞬态里振幅就不准。解决用最小二乘拟合所有时刻的振幅或者从稳态段选一帧作为参考。我一般会做一次全时间最小二乘b (Phi* Phi)^{-1} Phi* X这样对噪声更鲁棒。4.5 内存溢出SVD 跑不动现象n10^6m500SVD 直接 OOM。原因full_matricesFalse 已经省了一半但 U 还是 n×m。解决用随机 SVD 或者增量 SVD只算前 r 个奇异值和向量。scikit-learn 的 randomized_svd 可以指定 n_componentsr内存占用和 n×r 成正比。5. 进阶技巧用 DMD 做频率排序与模态选择5.1 按振幅和频率联合筛选模态DMD 算完一堆模态怎么挑出真正有用的我一般会画一张振幅-频率散点图横轴是频率纵轴是振幅每个点代表一个模态。主导模态通常振幅大、频率集中。下面这段代码把模态按振幅排序并输出前 10 个的频率和增长率# 按振幅排序输出前 10 个模态信息 idx np.argsort(np.abs(b))[::-1] for i in idx[:10]: freq np.imag(omega[i]) / (2 * np.pi) growth np.real(omega[i]) print(f模态 {i}: 频率 {freq:.2f} Hz, 增长率 {growth:.4f}, 振幅 {np.abs(b[i]):.4f})逻辑说明freq 是普通频率单位 Hzgrowth 是增长率正数表示增长负数表示衰减。参数上如果你只关心稳定振荡可以过滤掉 |growth| 0.1 的模态它们要么是瞬态要么是数值噪声。5.2 用 sparsity-promoting DMD 自动选模态如果模态太多手动挑很累。sparsity-promoting DMD 在优化目标里加 L1 正则让不重要的模态振幅自动归零。常见做法是交替方向乘子法但实现起来代码量不小。我一般先用振幅阈值做粗筛比如保留振幅大于最大振幅 1% 的模态再人工看频率是否合理。这样比直接上稀疏优化快得多而且可解释性好。5.3 验证重构精度三个必看指标算完 DMD 一定要验证。我固定看三个指标第一重构场和原始场的相对误差一般要求小于 5%第二主导频率和 FFT 峰值频率的偏差小于 1% 算合格第三模态空间分布是否满足边界条件比如壁面处速度是否为零。如果这三个都过了结果基本可信。# 重构所有时刻并计算相对误差 t_all np.arange(X.shape[1]) * dt X_recon np.zeros_like(X, dtypecomplex) for k, t in enumerate(t_all): X_recon[:, k] Phi_proj (b * np.exp(omega * t)) rel_err np.linalg.norm(X - X_recon) / np.linalg.norm(X) print(f重构相对误差: {rel_err:.4f})逻辑说明X_recon 是复数矩阵取实部才是物理场。rel_err 用 Frobenius 范数算小于 0.05 说明模态选得不错。参数上如果误差大先增加 r再检查 dt 和均值扣除。5.4 我自己的习惯每次跑完 DMD我会把 omega 的实部和虚部画在一张复平面上单位圆画出来一眼就能看出哪些模态在增长、哪些在衰减、哪些在振荡。这个图比任何数字都直观。另外我习惯把 dt、r、m、均值扣除标志写进结果文件头过一个月再回来看不用猜当时怎么设的。DMD 本身不复杂复杂的是数据预处理和结果解读把这两头做扎实中间的计算就是几行代码的事。希望帮到你。本文还有配套的精品资源点击获取
简介这份资源是面向动力系统数据分析学习者与科研人员的MATLAB版动态模式分解DMD实现包适合具备一定线性代数与MATLAB基础、希望将高维时间序列降维并提取低维动态模式的中高级用户。包内共3个文件包含1个m脚本、1个pdf说明与1个md文档压缩包约146KB脚本可用于数据准备、矩阵构造、SVD谱分解、DMD模式与频率增益计算及重构预测文档则辅助理解算法流程与关键概念。资源围绕流体动力学、信号处理、图像分析与机械结构健康监测等场景展开读者可据此掌握从奇异值分解到DMD模式提取的完整链路并了解扩展DMD、控制DMD等变体的思路便于迁移到自身研究或工程问题中。目前已有501人学习下载可作为入门DMD并动手复现的轻量参考。1. DMD 不是玄学从一段非定常流场数据说起手里有一组随时间演化的流场快照比如圆柱绕流的速度场几百个时间步每个时刻几万个网格点。你想知道这里面到底藏着几种主导模态它们的频率是多少增长率是正还是负传统做法是做 FFT但 FFT 要求信号平稳而且对瞬态、间歇性现象几乎无能为力。Dynamic Mode DecompositionDMD就是冲着这个问题来的——它把时间序列拆成若干空间模态每个模态配一个特征值实部管增长衰减虚部管振荡频率。我第一次用它处理 PIV 实验数据时最直观的感受是终于不用靠肉眼在涡量图里数涡了。这篇笔记面向已经拿到快照矩阵、准备动手算的工程师从数据排布讲到参数调优再到踩过的坑尽量把每一步都落到可复现的命令和代码上。2. 快照矩阵怎么排DMD 的数据入口与三种预处理2.1 从原始数据到 X 和 X‘DMD 的输入本质上就两个矩阵。假设你有 m 个时间步每个时间步的场量展平成 n 维列向量记第 k 个时刻为 x_k。那么X [x_1, x_2, ..., x_{m-1}] X [x_2, x_3, ..., x_m]X 和 X 各是 n×(m-1) 的矩阵。DMD 要找的是一个最佳线性算子 A使得 X ≈ A X。注意这里没有常数项、没有控制输入纯靠数据本身推演化。如果你的数据来自 CFDn 可能是 10^5 量级m 可能只有几百矩阵极度扁长所以后面必须做降维。常见做法是先把每个快照减去时间平均值。不减均值的话零频模态会混进结果里特征值落在单位圆上看起来像个“稳定模态”实际上只是均值场。我一般会显式做这一步import numpy as np # snapshots: shape (n, m), 每一列是一个时刻的场 snapshots np.load(flow_snapshots.npy) mean_field snapshots.mean(axis1, keepdimsTrue) X_all snapshots - mean_field X X_all[:, :-1] # 前 m-1 列 Xp X_all[:, 1:] # 后 m-1 列 print(X.shape, Xp.shape)逻辑说明先减均值再切片保证 X 和 X‘ 用的是同一个均值场。参数上mean_field 的 keepdimsTrue 是为了保持 (n,1) 形状方便广播。如果你的数据里有明显的瞬态起始段比如前 50 步还没充分发展建议直接丢掉不要用滤波去补DMD 对非物理瞬态很敏感。2.2 归一化与加权容易被忽略的一步如果快照的各个分量量纲不同比如速度场和压力场混在一起或者网格非均匀直接做 DMD 会让大量纲分量主导结果。常见做法是对每个分量做无量纲化或者引入网格权重。我一般会构造一个对角权重矩阵 W把内积改成加权内积。在均匀网格上 W 就是单位阵乘网格面积非均匀网格上每个点的权重正比于其控制体积。# 假设 dx, dy 是网格间距二维场展平后每个点的面积权重 dx, dy 0.01, 0.01 n_points X.shape[0] weights np.full(n_points, dx * dy) W np.diag(weights) # 加权内积下的“能量”范数 energy np.sqrt(np.real(np.sum(np.conj(X) * (W X), axis0))) print(各快照加权能量:, energy[:5])逻辑说明W 的作用是让 DMD 在加权空间里找最优算子避免网格密集区域被过度加权。参数上dx 和 dy 要和你 CFD 或实验的实际分辨率一致。如果懒得算权重至少在非均匀网格上做一次面积归一化否则模态空间分布会失真。2.3 降维SVD 截断阶数怎么定直接对 X 做 SVDX U Σ V*。U 的列是 POD 模态Σ 的对角元是奇异值。DMD 的降维就是保留前 r 个奇异值对应的子空间。r 选多少这是 DMD 里最像玄学的一步。我的血泪经验是不要只看奇异值衰减曲线拐点还要看你要提取的模态频率是否落在保留的子空间里。U, S, Vh np.linalg.svd(X, full_matricesFalse) # 保留能量占比 99.9% energy_ratio np.cumsum(S**2) / np.sum(S**2) r np.searchsorted(energy_ratio, 0.999) 1 print(f保留阶数 r {r}, 能量占比 {energy_ratio[r-1]:.6f}) U_r U[:, :r] S_r np.diag(S[:r]) V_r Vh[:r, :].conj().T逻辑说明energy_ratio 是累计能量占比searchsorted 找到第一个超过 99.9% 的位置。参数 0.999 可以调噪声大的数据用 0.99干净数据用 0.9999。注意 SVD 的复杂度是 O(n m^2)如果 m 很大可以先对时间维度做降采样或者用随机 SVD。我一般会同时看 r 从 10 到 50 的结果如果主导频率对 r 不敏感说明模态分离得好如果频率随 r 跳变说明截断太狠或数据信噪比不够。3. 从算子到模态精确 DMD 与投影 DMD 的代码实现3.1 精确 DMD 的七行核心代码精确 DMD 的思路是在 POD 子空间里构造低维算子 Ã U_r* X‘ V_r S_r^{-1}然后对 Ã 做特征分解再把特征向量投影回高维空间。下面是最小可复现版本# 精确 DMD Atilde U_r.conj().T Xp V_r np.linalg.inv(S_r) eigvals, W_tilde np.linalg.eig(Atilde) # 高维 DMD 模态 Phi Xp V_r np.linalg.inv(S_r) W_tilde # 连续时间特征值 dt 0.01 # 采样时间间隔 omega np.log(eigvals) / dt # 按模态振幅排序 b np.linalg.lstsq(Phi, X[:, 0], rcondNone)[0] amplitude np.abs(b) idx np.argsort(amplitude)[::-1]逻辑说明Atilde 是 r×r 小矩阵特征分解很快。Phi 的每一列是一个 DMD 模态omega 的实部是增长率虚部是角频率。b 是初始时刻各模态的振幅用最小二乘从第一帧快照投影得到。参数 dt 必须和你的快照间隔一致单位是秒。如果 dt 设错频率会整体缩放这是最常见的翻车点之一。3.2 投影 DMD当 n 远大于 m 时的省内存写法精确 DMD 里 Phi 是 n×r 矩阵如果 n 是 10^6r 是 100Phi 就是 10^8 个浮点数内存吃不消。投影 DMD 不显式构造 Phi而是把模态表示为 POD 基的线性组合Phi U_r W_tilde。这样只需要存 U_r 和 W_tilde。# 投影 DMD模态用 U_r W_tilde 表示 Phi_proj U_r W_tilde # 重构任意时刻的场x(t) ≈ Phi_proj (b * np.exp(omega * t)) t 0.5 x_recon Phi_proj (b * np.exp(omega * t)) print(重构场形状:, x_recon.shape)逻辑说明Phi_proj 和精确 DMD 的 Phi 在数学上等价但计算路径不同。投影 DMD 的代价是每次重构都要做 U_r W_tilde 的乘法但省了显式存 Phi 的内存。参数上如果你只需要频率和增长率不需要空间模态那连 Phi_proj 都不用算直接看 omega 就行。3.3 参数表dt、r、窗口长度怎么配参数典型值影响调整建议dt实验采样间隔频率缩放必须准确错 10% 频率就错 10%r20~200模态数量从能量占比 99% 起步看频率稳定性m100~1000时间分辨率至少覆盖 10 个最低频周期均值扣除是/否零频模态强烈建议扣除权重 W网格面积空间加权非均匀网格必做这张表是我自己调参时的速查卡。dt 和 m 是数据采集阶段就定死的r 和权重是后处理阶段可调的。如果频率结果对 r 敏感优先检查数据质量和均值扣除而不是继续调 r。4. 避坑与排查DMD 翻车现场记录4.1 特征值全落在单位圆外增长率大得离谱现象算出来的 omega 实部全是正的而且数值很大重构场几秒后就爆炸。原因X 和 X‘ 的构造顺序反了或者 dt 单位搞错比如毫秒当成秒。解决检查 Xp 是不是 X 右移一列dt 是不是实际采样间隔。我一般会先算一个已知频率的正弦信号做自检比如 10 Hz 信号dt0.001看 DMD 能不能还原出 10 Hz。4.2 模态空间分布全是噪声看不出物理结构现象Phi 的列看起来像随机噪声没有涡结构。原因SVD 截断阶数 r 太大把噪声子空间也保留进来了。解决降低 r或者对 X 做一次低通滤波。另一个可能是快照数量太少m 2r导致 Ã 欠定。经验规则是 m 至少是 r 的 3 倍。4.3 频率出现混叠高频模态对不上现象DMD 给出的频率和 FFT 对不上或者出现负频率。原因采样率不够Nyquist 频率低于信号最高频。解决提高采样率或者对数据做降采样前先低通滤波。DMD 不会自动抗混叠它只反映你给的数据。4.4 重构场和原始场差很多但频率看起来对现象omega 合理但用 Phi 和 b 重构的场和原始快照对不上。原因b 是用第一帧算的如果第一帧恰好落在瞬态里振幅就不准。解决用最小二乘拟合所有时刻的振幅或者从稳态段选一帧作为参考。我一般会做一次全时间最小二乘b (Phi* Phi)^{-1} Phi* X这样对噪声更鲁棒。4.5 内存溢出SVD 跑不动现象n10^6m500SVD 直接 OOM。原因full_matricesFalse 已经省了一半但 U 还是 n×m。解决用随机 SVD 或者增量 SVD只算前 r 个奇异值和向量。scikit-learn 的 randomized_svd 可以指定 n_componentsr内存占用和 n×r 成正比。5. 进阶技巧用 DMD 做频率排序与模态选择5.1 按振幅和频率联合筛选模态DMD 算完一堆模态怎么挑出真正有用的我一般会画一张振幅-频率散点图横轴是频率纵轴是振幅每个点代表一个模态。主导模态通常振幅大、频率集中。下面这段代码把模态按振幅排序并输出前 10 个的频率和增长率# 按振幅排序输出前 10 个模态信息 idx np.argsort(np.abs(b))[::-1] for i in idx[:10]: freq np.imag(omega[i]) / (2 * np.pi) growth np.real(omega[i]) print(f模态 {i}: 频率 {freq:.2f} Hz, 增长率 {growth:.4f}, 振幅 {np.abs(b[i]):.4f})逻辑说明freq 是普通频率单位 Hzgrowth 是增长率正数表示增长负数表示衰减。参数上如果你只关心稳定振荡可以过滤掉 |growth| 0.1 的模态它们要么是瞬态要么是数值噪声。5.2 用 sparsity-promoting DMD 自动选模态如果模态太多手动挑很累。sparsity-promoting DMD 在优化目标里加 L1 正则让不重要的模态振幅自动归零。常见做法是交替方向乘子法但实现起来代码量不小。我一般先用振幅阈值做粗筛比如保留振幅大于最大振幅 1% 的模态再人工看频率是否合理。这样比直接上稀疏优化快得多而且可解释性好。5.3 验证重构精度三个必看指标算完 DMD 一定要验证。我固定看三个指标第一重构场和原始场的相对误差一般要求小于 5%第二主导频率和 FFT 峰值频率的偏差小于 1% 算合格第三模态空间分布是否满足边界条件比如壁面处速度是否为零。如果这三个都过了结果基本可信。# 重构所有时刻并计算相对误差 t_all np.arange(X.shape[1]) * dt X_recon np.zeros_like(X, dtypecomplex) for k, t in enumerate(t_all): X_recon[:, k] Phi_proj (b * np.exp(omega * t)) rel_err np.linalg.norm(X - X_recon) / np.linalg.norm(X) print(f重构相对误差: {rel_err:.4f})逻辑说明X_recon 是复数矩阵取实部才是物理场。rel_err 用 Frobenius 范数算小于 0.05 说明模态选得不错。参数上如果误差大先增加 r再检查 dt 和均值扣除。5.4 我自己的习惯每次跑完 DMD我会把 omega 的实部和虚部画在一张复平面上单位圆画出来一眼就能看出哪些模态在增长、哪些在衰减、哪些在振荡。这个图比任何数字都直观。另外我习惯把 dt、r、m、均值扣除标志写进结果文件头过一个月再回来看不用猜当时怎么设的。DMD 本身不复杂复杂的是数据预处理和结果解读把这两头做扎实中间的计算就是几行代码的事。希望帮到你。本文还有配套的精品资源点击获取
