企业官网建设流程全解析

1. 从非线性的痛点聊起：为什么Koopman算子让人上头

搞动力学分析的人，十有八九都被非线性系统折磨过。以前做线性系统分析，特征值一求，稳定性、收敛速率、模态形状全出来了，一套组合拳干净利落。但换到非线性系统，局部线性化只能保一小块区域的近似精度，想刻画全局演化行为就非常吃力。这也是动态模态分解（DMD）和Koopman算子这些年在流体力学、电力系统、神经科学、金融时序分析里这么火的原因——它们给了一套把非线性系统“强行”拉回线性框架的操作方法。

先说我个人的结论：Koopman算子本身是一个无穷维线性算子，它把有限维非线性动力系统的演化操作提升到了一个函数空间上。在这个空间里，系统的状态转移变成了线性作用，于是特征值、特征函数、模态分解这些经典武器又能用了。代价也很直白：无穷维嘛，工程上全是近似；遍历论则提供了一个观察长期行为和空间平均之间关系的理论透镜，而DMD就是从离散数据快照里构造有限维近似矩阵的最常用手段。

这篇内容适合的人很清楚：正在做非线性动力学仿真的研究生、工程师，想用Matlab快速验证Koopman/DMD方法效果的研究者，以及对谱分析感兴趣但对无穷维算子有点发怵的入门选手。下面我按自己实际做这套计算的顺序来写，先讲理论到底在干嘛，再给Matlab实现框架，最后列几个我踩过的坑。

2. 理论层面必须想清楚的三个问题

2.1 遍历论到底在说什么

遍历论研究的是保测变换的长期统计行为。通俗点讲，一个动力系统如果具有遍历性，那么沿着几乎任何一条轨道的长时间时间平均，会趋近于整个状态空间上的空间平均。这个性质在物理上非常重要，因为很多宏观可观测量是从时间序列估计的，如果系统不遍历，你用一段轨迹去推断系统全局行为是会出大偏差的。

从Koopman算子谱的视角看，遍历性和谱密切相关。一个保测系统的Koopman算子如果是遍历的，那么其谱在常数特征值1上具有某种单重性；更强的混合性质则对应连续谱成分。这意味着，计算Koopman算子的谱特性，不仅能提取动力学模式，还能从理论上判断系统是否具有遍历性、混合性，甚至周期结构。简单说，谱里藏着系统的“长期行为签名”。

之前做过一个简单例子，用了一个准周期系统，两个不可约的频率比是无理数。理论上它的Koopman算子谱应该包含在单位圆上稠密的点谱，数值上如果你用有限维DMD逼近，特征值会密密麻麻地落在单位圆附近，构成近似连续谱的形态。这就是遍历论和谱计算结合的一个直观体现。

2.2 Koopman算子的定义与谱特性

考虑离散时间动力系统：

[ x_{k+1} = F(x_k), \quad x \in \mathcal{M} ]

观测函数是 ( g: \mathcal{M} \rightarrow \mathbb{C} )，Koopman算子 (\mathcal{K}) 定义在观测函数空间上：

[ \mathcal{K}g = g \circ F ]

也就是说，(\mathcal{K}g(x) = g(F(x)))。这看起来就是把“取观测”和“系统演化一步”交换了顺序：先在当前状态计算观测函数，再对演化后的状态求值。(\mathcal{K}) 的线性性直接从函数加法和数乘的线性得出，这一点和底层系统F是否非线性无关。

谱特性中最核心的对象是特征值和特征函数。若存在非零函数 (\phi) 和非零复数 (\lambda) 满足：

[ \mathcal{K}\phi = \lambda \phi ]

则沿轨道有：

[ \phi(x_k) = \lambda^k \phi(x_0) ]

于是任何可以展开成特征函数线性组合的观测函数，其演化都能表示为特征值幂次的线性叠加——整个长期预测就被谱分解拿下了。DMD做的就是：从数据里估出这些 (\lambda) 以及对应的模态（特征函数在采样点处的值）。

2.3 DMD与Koopman算子之间的桥

DMD的基本输入是一组快照对 ((x_k, x_{k+1}))，也就是实测或仿真得到的离散状态序列。把快照排成矩阵X和X'，目标是找一个最优线性算子A使得：

[ X' \approx A X ]

最常用的解法是SVD截断：

[U, S, V] = svd(X, 'econ'); % 截断到rank r Ur = U(:, 1:r); Sr = S(1:r, 1:r); Vr = V(:, 1:r); A_tilde = Ur' * X' * Vr / Sr; [W, D] = eig(A_tilde); Phi = X' * Vr / Sr * W; % 精确DMD模态 lambda = diag(D);

很多人问DMD和Koopman算子之间到底什么关系。严谨地说，DMD在快照数量趋于无穷、且观测空间足够丰富时，可以看作Koopman算子在某个有限维子空间上的投影近似。它得到的特征值对应Koopman谱的有限截断，模态对应特征函数在该子空间上的表示。所以DMD不是Koopman算子的精确计算，但它是目前工程上最实用的估计手段。

还有个常见误解：以为先有了Koopman理论，再发明了DMD。实际历史顺序反过来的。DMD最早源于流体领域的模态分解需求，后来研究者才意识到DMD其实是在有限维空间上近似Koopman算子。理解这一点很有用，因为当你发现DMD结果不理想时，很多理论工具能帮你分析原因——比如谱污染、连续谱近似、观测函数选取不充分等。

3. Matlab代码实现：从快照生成到谱特性输出

3.1 生成动力学数据快照

先拿一个经典非线性系统开刀，Duffing振子：

% 参数 delta = 0.3; alpha = -1; beta = 1; Gamma = 0.5; omega = 1.2; f = @(t, x) [x(2); ... -delta*x(2) - alpha*x(1) - beta*x(1).^3 + Gamma*cos(omega*t)]; N = 10000; dt = 0.01; tspan = linspace(0, N*dt, N+1); x0 = [1; 0]; [t, x] = ode45(f, tspan, x0); X_raw = x.';

这里采样了10001个状态点，每个状态是二维的（位移和速度）。对单条轨迹做DMD，快照矩阵就是：

X = X_raw(:, 1:end-1); Xp = X_raw(:, 2:end);

快照矩阵的大小是 (n_states, N-1)，每列是一个状态向量。需要注意的是，对于混沌系统或周期激励系统，采样时长要足够长，最好覆盖多个特征时间尺度，否则DMD谱会有严重偏差。

3.2 标准DMD完整实现

下面这个函数是我平时常用的完整版，包含了中心化处理、SVD截断、特征值和DMD模态计算：

function [lambda, Phi, A_tilde] = dmd(X, Xp, r) % 中心化，去掉时间平均分量 X_mean = mean(X, 2); X_centered = X - X_mean; Xp_centered = Xp - X_mean; [U, S, V] = svd(X_centered, 'econ'); if nargin < 3 || isempty(r) % 自动截断，保留99%的能量 energy = cumsum(diag(S).^2) / sum(diag(S).^2); r = find(energy >= 0.99, 1); end Ur = U(:, 1:r); Sr = S(1:r, 1:r); Vr = V(:, 1:r); A_tilde = Ur' * Xp_centered * Vr / Sr; [W, D] = eig(A_tilde); lambda = diag(D); Phi = Xp_centered * Vr / Sr * W; end

这段代码的关键步骤有三处。第一，中心化。很多初学者忘了这一步，直接把原始快照丢进去。结果是第一个特征值会接近1，对应的模态几乎是“常数偏移量”，这会污染其他模态的能量占比。实测下来，中心化之后再算，DMD模态更干净，特别是系统的均值不为零时，效果差距非常明显。

第二，SVD截断秩r的选择。固定r容易踩坑。r太小会丢失弱模态，r太大会带进噪声。我用过两种自适应方法：一是按能量占比（上面代码里就是），二是按奇异值的gap。能量占比法简单，设置0.99基本够用；奇异值gap法适合谱结构分明、奇异值有明显跳变的信号。

第三，精确DMD与标准DMD的区别。上面的写法算的是精确DMD的模态（通过X'和Vr、Sr构造Phi），标准的投影DMD则是 ( \Phi = U_r W )。两种方法在数据无噪声时几乎一致，但有噪声时，精确DMD对噪声更敏感，投影DMD更稳定。如果数据质量不高，建议用投影DMD：

Phi_proj = Ur * W;

3.3 谱特性与误差分析

算完特征值后，先看它们在复平面上的位置。单位圆对应中性稳定（振荡/准周期），圆内是衰减，圆外是增长。对耗散系统，物理上合理的特征值应该在单位圆内或恰好圆上；跑出圆外且能量占比高的模态，基本可以判定是数值伪影。

% 特征值谱绘制 figure; plot(real(lambda), imag(lambda), 'bx', 'MarkerSize', 10); hold on; theta = linspace(0, 2*pi, 200); plot(cos(theta), sin(theta), 'k--'); axis equal; xlabel('Re(\lambda)'); ylabel('Im(\lambda)'); title('Koopman/DMD特征值谱');

再算每个模态的能量占比，这对应Koopman算子谱的强度分布：

% 模态幅度 alpha = Phi \ X_centered(:, 1); energy = abs(alpha).^2; energy = energy / sum(energy); % 绘制谱强度分布 stem(1:length(energy), energy, 'filled'); xlabel('模态序号'); ylabel('归一化能量');

误差分析这个环节容易被忽略，但非常重要。我们可以用DMD模型预测未来若干步，与真实演化比较：

% 预测 x_pred = zeros(size(X_centered)); x_pred(:, 1) = X_centered(:, 1); for k = 1:N-1 x_pred(:, k+1) = Phi * diag(lambda.^k) * alpha; end err = sqrt(sum((X_centered - x_pred).^2, 1)) ./ sqrt(sum(X_centered.^2, 1)); figure; semilogy(err); xlabel('时间索引'); ylabel('相对误差'); grid on;

预测误差的走向非常直观地反映了DMD模型的好坏。如果误差在短时间内呈指数增长，说明谱的截断或噪声抑制出了问题；如果误差缓慢增长，说明DMD抓住了主要动力学，残差来自截断的高阶Koopman模式。

3.4 遍历性与谱连续性的数值判断

理论部分讲了遍历性对应Koopman算子谱的某些特征。数值上怎么判断一个系统是否遍历？常见做法是比较时间平均和空间平均。空间平均需要对大量不同初始条件进行采样，计算它们的长期平均，然后与单个轨迹的时间平均对比：

% 时间平均 Ntraj = 20; t_obs = 2000; x_avg_time = mean(X_raw(1, 1:t_obs), 2); % 空间平均（多轨迹） x_avg_space = 0; for i = 1:Ntraj x0_i = [randn; randn]; [~, x_i] = ode45(f, tspan(1:t_obs), x0_i); x_avg_space = x_avg_space + mean(x_i(:, 1)); end x_avg_space = x_avg_space / Ntraj; fprintf('时间平均: %f\n空间平均: %f\n', x_avg_time, x_avg_space);

两者接近，说明在该观测函数下系统表现出遍历性；差距大，则要怀疑系统是否有多个遍历分支（多个吸引子或准周期环）。Koopman谱在这时也会有对应的提示——如果特征值谱中除了0频率外还有很多集中分布的低频成分，往往对应长时间尺度的慢变过程，时间平均收敛就会非常慢。

3.5 一个端到端的Matlab算例：周期强迫Duffing系统

把上面所有环节拼起来，给出一个可以直接跑的完整脚本。这里我用了Gamma=0.8的强强迫情形，系统会呈现丰富的次谐波和准周期行为，DMD谱会有多个显著模态：

% --- 系统定义 --- delta = 0.3; alpha = -1; beta = 1; Gamma = 0.8; omega = 1.2; f = @(t, x) [x(2); ... -delta*x(2) - alpha*x(1) - beta*x(1).^3 + Gamma*cos(omega*t)]; N = 20000; dt = 0.005; tspan = linspace(0, N*dt, N+1); [t, x] = ode45(f, tspan, [1; 0]); % --- 准备快照 --- X_raw = x.'; X = X_raw(:, 1:end-1); Xp = X_raw(:, 2:end); X_mean = mean(X, 2); X_c = X - X_mean; Xp_c = Xp - X_mean; % --- DMD --- r = 30; [U, S, V] = svd(X_c, 'econ'); Ur = U(:, 1:r); Sr = S(1:r, 1:r); Vr = V(:, 1:r); A_tilde = Ur' * Xp_c * Vr / Sr; [W, D] = eig(A_tilde); lambda = diag(D); Phi = Ur * W; % 投影DMD模态，更稳 % --- 模态排序 --- alpha = Phi \ X_c(:, 1); [~, idx] = sort(abs(alpha), 'descend'); lambda_sorted = lambda(idx); Phi_sorted = Phi(:, idx); alpha_sorted = alpha(idx); % --- 绘图：频谱 --- freq = abs(angle(lambda_sorted)) / (2*pi*dt); figure; stem(freq, abs(alpha_sorted).^2 / sum(abs(alpha_sorted).^2), 'filled'); xlabel('频率 (Hz)'); ylabel('归一化能量'); title('DMD频谱');

运行这段代码，你会看到频谱在强迫频率（0.19Hz左右）处有主峰，还有谐波分量。如果强迫幅度够大，还会在低频段看到组合频率成分，这些对应的特征值都在单位圆附近。数一下显著模态的数量，基本就得到了系统约化模型的维度——这对后续做模型降阶很有用。

4. 核心难点的实操拆解

4.1 快照数量与采样间隔怎么选

先给结论公式：采样间隔要满足奈奎斯特条件，至少每周期采两个点；快照数量要能覆盖系统最慢的时间尺度，一般至少几十个周期。

但在Koopman/DMD框架下，还有个容易被忽略的点：快照矩阵的列数（即样本数）直接决定了SVD截断能保留多少模。列数太少，连系统的基本模态数都凑不齐，再牛的算法也白搭。我一般先做一次快速测试：

% 观察奇异值谱 [~, S, ~] = svd(X_c, 'econ'); semilogy(diag(S), 'o');

如果奇异值没有明显衰减到底，说明快照数量或者状态维数不够，需要增加采样长度。如果奇异值衰减得很快，几十个奇异值后就是噪声平台，说明系统内在维度低，可以用很小的r做模型。

采样间隔也很讲究。间隔过大，快照之间的关联弱，DMD会误判高频模态；间隔过小，相邻快照几乎一样，数值上X'和X过于接近，SVD会退化，模态对噪声极其敏感。经验做法：先用功率谱或自相关分析估计系统主频率，再取主周期的大约20~50个采样点，也就是每个周期采20到50次。

4.2 截断秩r怎么定：能量法、gap法和交叉验证

前面提过能量法。实际操作中我推荐“能量+gpare检验”双保险：

energy = cumsum(diag(S).^2) / sum(diag(S).^2); r1 = find(energy >= 0.999, 1); gap = abs(diag(S(1:end-1, 1:end-1))) - abs(diag(S(2:end, 2:end))); r2 = find(gap > mean(gap) + 2*std(gap), 1); r = max(r1, r2); % 取两者较大值，保证不丢主要模态

gap法的逻辑是奇异值谱如果存在“悬崖”，比如从第15个到第16个突然掉了一个量级，那说明前15个是信号，后面全是噪声，取r=15就足够了。能量法的问题是遇到噪声水平较高时，噪声能量会推高总能量，导致需要更多模态才能达到99%的能量占比，反而引入了噪声模态。两者结合取较大值，兼顾能量覆盖和噪声抑制。

还有更严谨的方案：训练/测试快照交叉验证。前70%快照用于DMD学习，后30%用于预测比较，选择预测误差最小的r。这种方式可靠，但计算量稍大。对于离线分析完全没问题，如果做实时估计就得小心了。

4.3 系统在快照窗口内不平稳怎么办

DMD隐含的假设是底层系统是时不变的（自治系统），或者至少窗口内近似时不变。如果系统参数慢变，比如Duffing的delta随时间逐渐增大，直接用DMD会把慢变过程当作一个模态提取出来，产生误导。

应对策略有几种。一是加窗DMD，把长快照序列切分为滑动窗口，每个窗口算一次DMD，观察特征值轨迹的变化；二是用扩展DMD（EDMD），把观测函数扩充为包含延迟或非线性基函数，让Koopman近似在更大的函数空间上更准确；三是如果知道参数的变化规律，可以尝试做参数化Koopman算子，但Matlab实现复杂度高，通常只在研究阶段使用。

工程上我最常用的是滑动窗口。代码不复杂：

window = 1000; step = 200; lambda_all = []; for i = 1:step:N-window Xw = X(:, i:i+window-1); Xwp = X(:, i+1:i+window); [~, lambda_i, ~] = dmd(Xw, Xwp, r); lambda_all = [lambda_all; lambda_i.']; end

然后绘制特征值随窗口变化的轨迹图，可以直观看到哪些模态在漂移、哪些模态保持稳定。实时监测系统退化或参数漂移时，这个方法非常好用。

5. 常见问题与排查技巧实录

5.1 DMD特征值和精确特征值对不上

这是因为DMD的特征值实际上是Koopman算子特征值在有限维子空间上的投影，而不是精确的谱。特别是当观测函数不能span整个特征函数空间时，DMD特征值会发生偏移。解决办法是增加状态变量（比如加入延迟嵌入）或扩充观测函数集。

延迟嵌入是实际中提升效果最明显的手段。将观测从 ( x_k ) 扩展成 ( [x_k; x_{k-1}; ...; x_{k-d}] )，相当于用历史信息增强观测空间的表达能力：

d = 5; X_delay = zeros(d*size(X, 1), size(X, 2)-d); for i = 1:d X_delay((i-1)*size(X, 1)+1:i*size(X, 1), :) = X(:, i:end-d+i-1); end

延迟嵌入之后重新算DMD，特征值通常会更接近真实谱，尤其是对混沌系统，效果立竿见影。

5.2 所有特征值都接近1或0

特征值全接近1，通常是没做中心化处理。原始数据中包含常数偏移或慢变量，DMD会把均值部分作为零频模态提取出来，其他模态被压缩到频率0附近。处理方法是减去时间平均，或者对数据进行高通滤波。

特征值全接近0是另一个问题，多见于快照矩阵中相邻列高度线性相关，SVD后有效秩很小，系统信息全被数值噪声掩盖。此时加大采样间隔，减少列间相关性，或者增加采样点数让信噪比提升。

5.3 DMD预测发散但真实系统不发散

预测发散最常见原因是截断秩r过大，把数值噪声模态也保留了。这些模态的特征值模长大于1，在预测步数增加后指数爆炸。解决方法是检查特征值模长分布，剔除模长大于1的伪模态。

还有一种隐蔽的情况：真实系统确实收敛到吸引子，但DMD预测在中间时刻超过物理边界。比如Lorenz系统，状态变量不可能无限大，但DMD模态线性叠加时可能产生正反馈。这种时候需要在DMD模型后接一个饱和非线性层，或者在损失函数中加入物理约束。简单起见，可以先尝试只保留最显著的几个模态，降低模型复杂度过拟合。

5.4 谱强度和预期不符

谱强度分布受初始快照的影响很大。如果初始状态在吸引子附近但没充分进入吸引子，前几个快照的瞬态成分会主导DMD模态幅度，掩盖了长期行为的主导模态。

我的做法是：先抛弃前10%的快照，让系统演化充分后再开始收集DMD数据。如果数据来自仿真，直接延长烧录（spin-up）时间；如果来自实验，也要尽量等待系统进入稳态后再采样。

此外，模态幅度计算用的是伪逆 ( \alpha = \Phi^+ x_1 )，当模态矩阵病态时，这个计算会把噪声放大。可以改用正则化最小二乘：

alpha = (Phi' * Phi + 1e-6 * eye(size(Phi, 2))) \ (Phi' * X_c(:, 1));

这个小改动往往能让谱强度分布更稳定。

5.5 遍历性判断的数值陷阱

遍历性判断很容易被有限时间窗口坑到。遍历理论中的极限是时间趋于无穷，数值仿真永远是有限时间，必然有误差。特别是对次谐波或准周期系统，时间平均收敛极慢，你可能需要非常长的轨迹才能让时间平均和空间平均接近。

一种实用技巧是分窗口考察时间平均的收敛曲线：

% 移动平均 cum_mean = cumsum(X_raw(1, :)) ./ (1:length(X_raw)); figure; semilogx(1:length(X_raw), abs(cum_mean - x_avg_space));

如果对数-对数图上曲线斜率接近-1，说明时间平均以1/T速率收敛，这是遍历性的典型表现；如果曲线出现平台或回升，说明系统存在多个时间尺度的慢过程，或者多吸引子共存，这时需要更长的采样长度或者在多个初始条件下平均。

6. 扩展方向：从单轨迹DMD到Koopman计算的进阶工具

记住一点，标题里的“谱特性计算”不是算完特征值就结束了。真正能体现Koopman算子威力的，是进一步构造可用的数值工具。

6.1 扩展DMD：变分自编码器与基函数网格

EDMD的核心思路是把观测函数从状态向量提升到一组基函数的张成空间。例如对二维系统用高斯基函数：

% 网格中心 cx = -2:0.4:2; cy = -2:0.4:2; [CX, CY] = meshgrid(cx, cy); centers = [CX(:), CY(:)]'; sigma = 0.5; % 对每个快照计算基函数值 Psi = zeros(size(centers, 2), size(X, 2)); for j = 1:size(X, 2) d2 = sum((X_c(:, j) - centers).^2, 1); Psi(:, j) = exp(-d2 / (2*sigma^2)); end % 然后用 Psi 替换 X 做DMD

EDMD对非线性系统的逼近能力远强于常规DMD，代价是基函数数量和布局需要调参。高斯基函数中心选取可以通过K-means聚类来自动生成，避免手动布点。

6.2 库普曼特征函数的数值近似

算出Koopman特征值后，下一步自然是特征函数。DMD模态提供的是特征函数在采样点上的值，但想要在状态空间任意位置计算特征函数，需要插值或回归。一个简单有效的方法是用径向基函数回归：

% 用RBF拟合特征函数 rbf_phi = @(x, c, s) exp(-sum((x - c).^2, 1) / (2*s^2)); A_rbf = zeros(size(centers, 2), size(centers, 2)); b = zeros(size(centers, 2), 1); for i = 1:size(centers, 2) for j = 1:size(centers, 2) A_rbf(i, j) = rbf_phi(centers(:, i), centers(:, j), sigma); end end b = Phi(:, 1); % 取第一阶特征函数 coef = A_rbf \ b; % 任意状态x处特征函数值 phi_val = @(x) sum(coef .* rbf_phi(x, centers, sigma));

有了特征函数的解析代理函数，就可以在相空间中画等值线，直观看到特征函数的结构，分析Koopman算子谱对应的动力学几何。

6.3 应用：数据驱动模型预测控制

算完Koopman谱后，最实在的应用是做模型预测控制（MPC）。把非线性系统提升到Koopman坐标后，动力学近似线性，MPC变成标准的线性二次规划。Matlab中可以用内置的fmincon或者第三方MPC工具箱实现。

大致流程是：先用DMD/EDMD训练一个Koopman模型，在线测量得到当前提升状态，然后在提升空间里求解有限时域最优控制问题，把第一个控制量施加到系统。我跑过一个简单的Duffing镇定任务，Koopman-MPC的效果比直接在非线性模型上用非线性MPC更快，而且控制律更平滑——因为线性模型没有局部线性化导致的抖动。

6.4 如果数据是时间序列而非完整状态

很多时候你只有单个传感器的时间序列，没有完整的系统状态。这时要用Hankel矩阵构造延迟坐标：

function H = hankel_matrix(x, d) n = length(x) - d + 1; H = zeros(d, n); for i = 1:d H(i, :) = x(i:n+i-1); end end

HankelDMD就是在Hankel矩阵上做DMD，相当于把Takens嵌入思想和Koopman理论结合，非常适合仅含单通道测量的场景。这个方法在故障诊断和生物信号分析中用得很广。

在Matlab中，如果不想自己写全套，可以用系统辨识工具箱中的某些函数做辅助验证。不过说实话，DMD和Koopman这套东西自己写完全够用，核心代码量其实不大，理解透彻比套工具箱重要得多。

7. 最后分享几个实战心得

第一，永远先做中心化，再谈DMD。很多人问为什么我的特征值和别人的对不上，十有八九是均值处理的问题。Koopman算子作用于函数空间，均值分量对应零频模态，不处理会让整个谱偏移。

第二，跑Koopman相关计算，不要迷信高阶截断。无穷维算子的数值近似永远有截断误差，刻意追求特征值无限逼近真值往往事倍功半。关键是确定你关心的频率或时间尺度，然后选择能捕获这些尺度的最小模态集。

第三，矩阵数据一定要检查数值条件数。Matlab的svd和eig很鲁棒，但A_tilde这个矩阵的条件数如果太大（超过1e8），整个特征分解就不可信了。出现这种情况，降低r或者改投影DMD都能缓解。

第四，把延迟嵌入当作默认选项。即使你认为状态已完整测量，加几个延迟坐标往往能提升谱的稳定性，对噪声时的DMD结果尤其明显。

这套流程我在多个系统上跑过，从简单的受迫摆到混沌Lorenz，再到流体仿真数据，核心步骤都是一样的：快照准备、SVD截断、特征分解、谱可视化、模态分析。上手之后你会发现，非线性系统在Koopman视角下其实没那么可怕，关键是选对观测空间和截断策略。

如果你刚接触这块，建议先从Duffing振子或Van der Pol振荡器入手，把上面脚本跑通，再换系统参数观察特征值怎么变化。这个“换参数——看谱——调截断”的循环，比读十篇理论文章都更能建立直觉。