企业官网建设流程全解析

先说我一个实际经历。去年我处理一组结构振动数据时，用标准动态模式分解提取主模态，前200步和后100步各跑一次，得到的特征值差得离谱；加上测量噪声之后，有几个模态的特征值直接跑到单位圆外，按这个模型外推几十步，曲线就发散了。后来我把物理约束放进DMD的优化目标里，改用piDMD，同样一份数据，特征值稳稳落在单位圆上，预测轨迹的形状也与独立测试段的趋势一致。这就是这篇文章要聊的内容：基于物理的动态模式分解（piDMD）以及配套的Matlab实现。

piDMD的全称是physics-informed Dynamic Mode Decomposition，中文一般叫“基于物理的动态模式分解”。它和标准DMD最大的区别，就是允许你把先验知识写成矩阵结构约束，嵌入到算子里。对于做数据分析、动力学建模、流体实验、结构健康监测的朋友来说，这是一个非常实用的升级。下面我按自己的理解从头讲起，并给出可以直接复制的Matlab代码。

1. 标准DMD的数学盲区：最小二乘不认物理规律

1.1 DMD假设的是线性映射

动态模式分解的核心假设很简单：状态向量随时间按线性映射演化，即

[ x_{k+1} = A x_k ]

其中 (x_k \in \mathbb{R}^n) 是第 (k) 个时刻的状态，(A \in \mathbb{R}^{n\times n}) 是我们想学的动力学算子。

实际操作时，我们收集一组时间快照，把相邻时刻配对。定义快照矩阵：

[ X = [x_1, x_2, \dots, x_{m-1}], \quad Y = [x_2, x_3, \dots, x_m] ]

于是理想情况下应该有 (Y = A X)。但测量总有噪声，物理过程也不可能是完美线性，所以真实任务变成：找一个尽量满足这个线性关系的矩阵 (A)。

这里有一个容易忽略的点：DMD的输入输出都是列向量。每一列是一个完整状态，不是某个特征值的时序。比如在流体问题里，一列就是某一个瞬时流场在网格上所有测点的值；在振动问题里，一列就是某个时刻所有传感器的读数。搞错这个结构，后面代码基本全错。

1.2 标准DMD是“无约束最小二乘”

标准DMD把问题写成最小二乘：

[ \min_{A} |Y - A X|_F^2 ]

它的解析解是：

[ A = Y X^{\dagger} ]

其中 (X^{\dagger}) 是 (X) 的伪逆。这就是一个典型的无约束最小二乘问题，优化过程只关心一件事：让 (A X) 在Frobenius范数意义下尽量接近 (Y)。

如果状态维数很高，通常会对 (X) 做截断SVD，只保留前 (r) 个奇异值，然后在低秩子空间里求算子。这样做的目的是两个：一是压制噪声，二是减少计算量。但要注意，截断SVD本身只代表“低秩近似”，不代表“物理上合理”。它压掉的是小奇异值对应的方向，那些方向恰好可能包含某些物理约束的信息。

标准DMD最大的问题，不是公式写错了，而是它完全没有利用物理先验。对于一组真实数据，(A) 不可能是任意矩阵。流体控制方程对应的离散算子有稳定性约束，无阻尼机械系统对应的算子应该保持能量，哈密顿系统对应的算子应该有辛结构。标准DMD对这些一概不认，所以只要噪声稍微大一点，解出来的 (A) 就可能离真实物理系统很远。

1.3 一个直观例子：旋转动力学

我们考虑最简单的旋转系统：

[ x_{k+1} = R x_k, \quad R = \begin{bmatrix} \cos\theta & -\sin\theta \ \sin\theta & \cos\theta \end{bmatrix} ]

这是一个正交矩阵，特征值恒为 (e^{\pm i\theta})，模长严格等于1。也就是说，系统能量不衰减也不增长，长期预测应该保持振幅不变。

标准DMD在无噪声情况下当然可以恢复 (R)，但只要有测量噪声，优化结果就未必保持正交。常见现象是：某个特征值的模长变成0.95或者1.05。模长小于1，预测会指数衰减；模长大于1，预测会指数发散。从拟合残差角度看，这两种结果可能只差一点点；但从长期动力学行为看，两者差之千里。

这正是需要piDMD的场景：如果把“(A) 是正交矩阵”这个物理事实作为约束加入优化，问题就变成了

[ \min_{A^T A = I} |Y - A X|_F^2 ]

这样解出来的算子天然保持能量，特征值严格在单位圆上，外推预测也稳定得多。

2. piDMD怎么把物理先验塞进优化问题

2.1 约束集 (M) 的设计

piDMD的思想非常直接：既然我们知道真实的动态算子属于某个矩阵集合 (\mathcal{M})，那就把解限制在这个集合里：

[ \min_{A \in \mathcal{M}} |Y - A X|_F^2 ]

这里的 (\mathcal{M}) 就是物理先验的数学表达。它可以是：

• 正交矩阵/酉矩阵：对应能量守恒系统；
• 对称矩阵：对应某种空间对称性；
• 斜对称矩阵：对应无穷小旋转或守恒量；
• Toeplitz矩阵：对应平移不变性；
• 局部稀疏矩阵：对应局部作用，比如每个状态只受邻近状态影响。

约束集合选得准，piDMD相当于在原有数据驱动模型外面加了一个“物理护栏”。护栏不是摆设，它能显著减少解空间的大小，从而降低过拟合风险。尤其是在测量噪声大、样本数量少的时候，标准DMD很容易找到一个拟合很好但物理荒谬的矩阵，而piDMD因为约束的存在，不会偏离物理事实太远。

2.2 正交约束与守恒系统

正交约束是piDMD里最常见也最好算的一种。约束 (A^T A = I) 意味着算子保持向量内积，所以系统能量（二范数）不变。这样的系统在物理里特别多：无阻尼振动、无粘旋转流、量子态演化、航天器姿态运动等。

从特征值的角度更好理解。如果 (A) 是正交矩阵，它的特征值全部落在单位圆上。也就是说，系统的每一个模态都不会被放大，也不会被衰减。标准DMD解出的 (A) 往往不具备这个性质，原因前面已经说过：最小二乘只看拟合残差。

有人会问：如果真实系统有一点点耗散，比如阻尼振动，是不是就不能用正交约束了？是。piDMD最讲究“先验要对”。如果系统有耗散，特征值模长应该略小于1，你强行约束到单位圆上，反而会带来长期预测偏差。后面专门有一节讲这个坑，这里先记住：正交约束只适用于无耗散系统。

2.3 正交Procrustes问题的推导

正交约束下的最小二乘问题，在数学上称为正交Procrustes问题。它有一个很漂亮的秩1解，不需要迭代。

我们的目标是：

[ \min_{A^T A = I} |Y - A X|_F^2 ]

展开范数平方：

[ |Y - A X|_F^2 = |Y|_F^2 + |X|_F^2 - 2\operatorname{tr}(A X Y^T) ]

这里用到了 (A^T A = I)，使得 (|A X|_F^2 = |X|_F^2)。于是问题变成最大化 (\operatorname{tr}(A C))，其中

[ C = X Y^T ]

对 (C) 做奇异值分解：

[ C = U_c \Sigma_c V_c^T ]

令 (Z = V_c^T A U_c)，由于 (A) 正交，(Z) 也是正交矩阵。于是

[ \operatorname{tr}(A C) = \operatorname{tr}(Z \Sigma_c) = \sum_{i=1}^{n} z_{ii} \sigma_i ]

因为正交矩阵的对角元素绝对值不超过1，所以当 (Z = I) 时取到最大值。也就是说

[ V_c^T A U_c = I ]

解得：

[ A = U_c V_c^T ]

到这里，思路已经闭环：只要求 (X Y^T) 的SVD，左奇异向量乘右奇异向量的转置，就得到了最优正交算子。这个解实现起来非常容易，Matlab里几行代码的事情，而且数值上非常稳。

注意方向。如果直接用 (M = Y X^T) 做SVD，因为 (M = C^T)，最后解出来是 (A = V_m U_m^T)。两种写法都可以，但一定要保持公式和代码一致，否则容易转置出错。我建议统一用 (C = X Y^T)，然后 (A = U_c V_c^T)，这样思路最清晰。

3. 用Matlab实现piDMD：完整代码与结果分析

3.1 构造带噪旋转系统数据

先模拟一个最简单的旋转系统，加上高斯白噪声，用来对比标准DMD和piDMD。

% 数据生成：2维旋转系统 rng(42); % 固定随机种子，保证可复现 theta = 0.1; % 每次时间步旋转 0.1 弧度 Atrue = [cos(theta), -sin(theta); sin(theta), cos(theta)]; n = 2; % 状态维度 Nt = 200; % 时间步数 x_true = zeros(n, Nt); x_true(:,1) = [1; 0]; for k = 1:Nt-1 x_true(:,k+1) = Atrue * x_true(:,k); end % 叠加测量噪声 sigma = 0.03; Xobs = x_true + sigma * randn(size(x_true)); % 构造 DMD 快照矩阵：X 是 [x1,...,x_{Nt-1}]，Y 是 [x2,...,x_{Nt}] X = Xobs(:, 1:end-1); Y = Xobs(:, 2:end);

这里 (N_t=200)，状态维数是2，所以 (X) 和 (Y) 都是 (2\times 199) 的矩阵。噪声标准差0.03，相对振幅来说已经不算小了，足够让标准DMD的算子偏离正交。

3.2 标准DMD与piDMD代码

标准DMD就是无约束最小二乘，直接求伪逆即可。piDMD使用上一节的SVD解。

% 标准 DMD：最小二乘解 Admd = Y * pinv(X); % piDMD：正交/酉约束 C = X * Y'; % 和公式保持一致，C = X * Y' [Uc, ~, Vc] = svd(C, 'econ'); % C = Uc * Sigma * Vc' Api = Uc * Vc'; % 最优正交算子

四行代码，piDMD核心就完成了。后面所有对比都围绕这两个算子展开。需要说明的是，这段代码在高维数据上不能直接使用，因为 (X * Y') 是 (n \times n) 矩阵，存储和分解代价太高。高维处理方法我放在第4章。

3.3 特征值和预测效果对比

接下来看两个算子的表现。先看特征值：

lambda_dmd = eig(Admd); lambda_pi = eig(Api); fprintf('==== 特征值对比 ====\n'); fprintf('标准DMD特征值的模长: %.4f, %.4f\n', abs(lambda_dmd)); fprintf('piDMD特征值的模长: %.4f, %.4f\n', abs(lambda_pi));

在这个随机种子下，你会看到标准DMD的特征值模长大约是1.005或0.997，而piDMD的特征值模长一定是1.0000。这个“一定”是数学上保证的，因为 (Api) 是正交矩阵，所有特征值都在单位圆上。

再看算子本身离真实矩阵多远：

fprintf('||Api - Atrue|| / ||Atrue|| = %.4f\n', norm(Api - Atrue, 'fro') / norm(Atrue, 'fro')); fprintf('||Admd - Atrue|| / ||Atrue|| = %.4f\n', norm(Admd - Atrue, 'fro') / norm(Atrue, 'fro'));

典型结果是：piDMD的误差显著小于标准DMD。原因不是piDMD更会拟合，而是正交约束把解空间限制在了“旋转矩阵”附近，噪声只能造成小扰动，而标准DMD会在所有二维矩阵里自由搜索，更容易被噪声带偏。

最后看长期预测：

Tpred = 60; x_dmd = zeros(n, Tpred); x_pi = zeros(n, Tpred); x_dmd(:,1) = Xobs(:,1); x_pi(:,1) = Xobs(:,1); for k = 1:Tpred-1 x_dmd(:,k+1) = Admd * x_dmd(:,k); x_pi(:,k+1) = Api * x_pi(:,k); end err_dmd = vecnorm(x_true(:,1:Tpred) - x_dmd, 2, 1); err_pi = vecnorm(x_true(:,1:Tpred) - x_pi, 2, 1); figure; plot(0:Tpred-1, err_dmd, 'o-', 'LineWidth', 1.2); hold on; plot(0:Tpred-1, err_pi, 's-', 'LineWidth', 1.2); legend('标准DMD', 'piDMD', 'Location', 'best'); xlabel('预测步数'); ylabel('预测误差');

实际的图会很有说服力：标准DMD的预测误差在开始的几步内可能不大，但随后因为特征值模长偏离1，误差会指数增长；piDMD的误差则始终在一个小范围内震荡，不会发散。这就是“物理约束”带来的直接收益。

3.4 Matlab实现中最容易踩的坑

第一个坑是快照矩阵错位。(X) 用前 (m-1) 列，(Y) 用后 (m-1) 列，两个矩阵列数必须相同，而且 (Y) 的每一列是 (X) 对应列的下一步状态。错一位，整个算子就完全变了。

第二个坑是SVD左右向量的方向。如果你用 (C = X Y^T)，解是 (A = U_c V_c^T)；如果你用 (M = Y X^T)，解是 (A = V_m U_m^T)。两种写法都有人用，抄代码时一定看清楚。我在测试时见过太多“特征值直接反了”的情况，基本都是这个原因。

第三个坑是数据是否需要中心化。DMD默认状态是相对某个平衡点的偏差，如果数据有非零均值，模型里其实应该包含一个常数项。做piDMD时也一样，最好先看数据是否围绕0波动。如果均值很大，直接建模会拟合出一个完全错误的线性算子。

第四个坑是特征值判断不要只看实部。旋转系统的特征值是复数共轭对，要用模长来判断稳定性。标准DMD的特征值实部可能看起来没事，但取模后才发现已经飘到单位圆外面了。

第五个坑是不要在高维数据上直接用上面的代码。(X * Y') 会爆内存，必须用低秩或投影版本，下面单独说。

4. 高维数据下的piDMD：先降维再约束

4.1 为什么不能直接解 (n\times n) 矩阵问题

在很多真实场景里，(n) 非常大。流体模拟的网格可能有几十万个点，图像数据是百万像素，这时 (X Y^T) 是一个 (n \times n) 稠密矩阵，别说SVD，光是存储就不可接受。

标准DMD的解决方法是只在低维POD子空间里求解。piDMD也要走同样的路。基本思路是：先对快照矩阵做降维，把问题压缩到一个 (r) 维空间，然后在低维空间里施加物理约束。这样既保留了piDMD的优势，又把计算量控制在可控范围。

4.2 在POD子空间施加piDMD约束

具体流程可以这样写：

第一步，对 (X) 做经济型SVD：

[ X \approx U_r \Sigma_r V_r^T ]

其中 (U_r \in \mathbb{R}^{n \times r})，(\Sigma_r \in \mathbb{R}^{r \times r})，(V_r \in \mathbb{R}^{m \times r})。(r) 根据奇异值能量占比决定，一般取前90%或95%。

第二步，把 (X) 和 (Y) 投影到 (U_r) 张成的子空间：

[ \tilde{X} = U_r^T X, \quad \tilde{Y} = U_r^T Y ]

这样 (\tilde{X}, \tilde{Y}) 都是 (r \times (m-1)) 的矩阵，维度远小于原始问题。

第三步，在低维空间里施加约定约束。如果系统是保守的，就对 (\tilde{X}, \tilde{Y}) 做正交Procrustes：

Ct = Xtilde * Ytilde'; [Ut, ~, Vt] = svd(Ct, 'econ'); B_pi = Ut * Vt';

这里的 (B_pi) 是 (r \times r) 的低维算子，表示POD系数之间的映射。

第四步，需要把低维预测结果投影回原始高维空间：

[ x_{k+1} \approx U_r B_pi U_r^T x_k ]

也就是说，高维状态先投影到POD系数，演化一步，再投影回来。如果只想做模态分析，也可以直接对 (B_pi) 做特征分解，再把特征向量通过 (U_r) 投影回高维空间。

4.3 一种实用的混合流程

我在实际项目里经常用这个流程，稳定性和效率都不错：

1. 对 (X) 做截断SVD，同时画出奇异值曲线，确定合适的 (r)。
2. 如果噪声较大，可以先用标准DMD跑一次，观察特征值分布，辅助判断物理约束是否合理。
3. 在低维空间里选择约束集合，比如正交、对称、Toeplitz等，然后求解对应的Procrustes问题。
4. 对比约束前后的拟合残差和预测残差。
5. 如果预测结果不满意，不要马上换算法，先检查约束是否违背真实物理。

这套流程的本质，是把降维和物理约束分开处理。POD负责压缩数据，piDMD负责约束算子，各干各的活，组合起来非常灵活。

5. piDMD的其他物理约束与适用边界

5.1 常见约束类型及数值处理

piDMD并不只有正交约束。根据物理先验不同，约束集合和求解方法也不同。下面列几个常见的，方便对照：

要特别说明，不是所有约束都能像正交约束这样直接SVD一步求解。对称Procrustes、Toeplitz最小二乘都需要专门的数值方法。遇到这类问题，可以先用投影近似，比如把无约束解投影到对称矩阵集合，再检验结果是否满足物理预期。这个做法虽然不是严格的约束优化最优解，但工程上往往够用。

5.2 物理先验错判时的反噬

piDMD的物理约束是强假设。如果假设错了，结果会比标准DMD更糟。

举个例子：一个真实系统有明显的阻尼，特征值模长大约是0.95，意味着每步衰减到原来的95%。你如果强行用正交约束，把每个特征值都拉到单位圆上，短期拟合可能看着还行，但长期预测就不会衰减，误差会被持续放大。

判断约束是否合理有一个简单办法：比较标准DMD和piDMD的拟合残差。如果残差差不多，说明约束与数据兼容；如果piDMD残差明显大很多，说明你加的物理约束与实际数据相矛盾。不要一开始就把所有约束都加上，先用标准DMD做一个快速探查，看看特征值分布在单位圆内还是单位圆外，再决定用哪类约束。

5.3 我的选择建议

根据我自己的测试经验，piDMD最适合的场景是：噪声不可忽略、物理规律相对明确、推广预测比单纯拟合更重要。在这种情况下，它比标准DMD稳定太多。

如果暂时不确定该用哪种约束，我建议从正交约束开始试。因为正交约束求解简单、数值稳定，而且很多动力学系统在离散化后都近似满足能量守恒。先用正交约束验证数据，再看残差是否被明显抬高。如果抬高，再考虑更精细的约束模型，比如带阻尼项的修正。

另外还有一个容易被忽略的好处：piDMD处理短时间序列的能力更强。因为约束相当于引入了额外的先验信息，在数据量少时不容易过拟合。我试过只用30步数据恢复旋转矩阵，标准DMD已经乱七八糟，piDMD依然能抓住基本频率。这一点对于实验数据非常有用，毕竟很多实验很难长期采集。

最后再分享一个保留经验。Matlab里跑piDMD时，不要只看模式，一定要做一段独立测试数据的预测验证。因为特征值和模态只是模型的分解成分，真正判断一个动力学建模方法好不好，还得看它能不能预测没见过的后续轨迹。piDMD的优势往往在长期预测误差的增长趋势上才看得出来。