在数据驱动分析领域，从复杂流体流动中提取有意义的模式一直是一个重大挑战。稀疏促进动态模态分解（Sparsity Promoting Dynamic Mode Decomposition, SPDMD）提供了一种有效方法，能够揭示最主要的特征，同时去除冗余信息，从而实现更高效和更具洞察力的分解。这种方法将动态模态分解（Dynamic Mode Decomposition, DMD）的数学优雅性与稀疏优化技术相结合，为识别高维数据中的关键结构提供了一个强大的框架。
动态模态分解（DMD）已成为流体动力学数据驱动建模的基石，它提供了一种将复杂的高维流动数据分解为基本时空模态的有力方法。然而，标准DMD方法在处理平移不变性和瞬态现象等方面存在一些局限性。这些局限性突显了将DMD方法扩展到更复杂版本的必要性，这些版本通过调整DMD算法来克服这些局限性。本文将探讨DMD的一个变体——稀疏促进动态模态分解（SPDMD）。
https://avoid.overfit.cn/post/b22686a2376f427283655ad9553fabb1
