DOI: https://doi.org/10.1109/lsp.2026.3673197
تاريخ النشر: 2026-01-01
المؤلف: Ziqin He وآخرون
الموضوع الرئيسي: تحليل الموتر وتطبيقاته
نظرة عامة
في هذا البحث، يقدم المؤلفون تحليل وضع الديناميكي باستخدام الموتر (TDMD)، وهو امتداد مبتكر لتحليل الوضع الديناميكي (DMD) مصمم لتحليل الموترات من الدرجة الثالثة. تواجه طرق DMD التقليدية، التي تعتمد على صيغ قائمة على المصفوفات، قيودًا عند التعامل مع البيانات متعددة الأبعاد بطبيعتها مثل الصور ومقاطع الفيديو. يتناول TDMD هذه التحديات من خلال استخدام تقنيات تحليل الموتر، وبشكل خاص تحليل القيم الفردية للموتر (TSVD) وتحليل القيم الذاتية للموتر (TEVD)، لبناء موتر انتقال حالة منخفض الترتيب. يعزز هذا النهج الكفاءة الحسابية ويحافظ على الهياكل المكانية والزمنية للبيانات متعددة الاتجاهات، مما يحسن المهام مثل إعادة بناء الحالة وفصل المكونات الديناميكية.
تظهر النتائج أن TDMD يتفوق على DMD القياسي من حيث الكفاءة الحسابية، واستخدام الذاكرة، ودقة إعادة البناء، كما يتضح من التجارب العددية على كل من مجموعات البيانات الاصطناعية والواقعية. يسمح تكيف الإطار العام بالتعميم على الموترات من درجات أعلى من خلال المنتج T العام، مما يمهد الطريق للبحوث المستقبلية لتوسيع قدرات TDMD. ستركز الأعمال القادمة على تعزيز قوة TDMD ضد الضوضاء ودمجه مع نماذج التعلم الآلي لإنشاء نهج هجينة تستفيد من كل من النمذجة الديناميكية والتحليلات التنبؤية. يخطط المؤلفون أيضًا لتطبيق TDMD على مجموعة متنوعة من مجموعات البيانات متعددة الاتجاهات الواقعية لمزيد من التحقق من فعاليته ومعالجة التحديات العملية مثل تلف البيانات والتفاعلات الديناميكية المعقدة.
مقدمة
تناقش مقدمة هذه الورقة البحثية تطور وتطبيق تحليل الوضع الديناميكي (DMD)، وهي تقنية مدفوعة بالبيانات تم تطويرها في البداية لديناميات السوائل، والتي تم استخدامها منذ ذلك الحين في مجالات متنوعة مثل الروبوتات، وعلم الأوبئة، وتحليل البيانات العصبية. يقوم DMD بتفكيك بيانات السلاسل الزمنية عالية الأبعاد إلى أوضاع مكانية وديناميات زمنية، كاشفًا عن الأنماط السائدة في الأنظمة المعقدة. ومع ذلك، فإن طرق DMD التقليدية محدودة بالبيانات القائمة على المتجهات وتكافح مع مجموعات البيانات متعددة الأبعاد بطبيعتها مثل الصور ومقاطع الفيديو.
لمعالجة هذه القيود، يقترح المؤلفون امتدادًا جديدًا يسمى تحليل الوضع الديناميكي باستخدام الموتر (TDMD)، الذي يستفيد من الموترات من الدرجة الثالثة لتمثيل البيانات متعددة الاتجاهات بشكل أفضل. من خلال استخدام جبر الموتر والمنتج T – وهو عملية ضرب موتر متخصصة – يحافظ TDMD على الهيكل متعدد الاتجاهات للبيانات بينما يمكّن من التحليل الفعال. تستخدم الطريقة تحليل القيم الفردية للموتر المقطوع (TSVD) لإنشاء موتر انتقال منخفض الترتيب، تليها تحليل القيم الذاتية للموتر (TEVD) لاستخراج أوضاع TDMD. يوضح المؤلفون فعالية TDMD في إعادة بناء الحالة وفصل المكونات الديناميكية على كل من بيانات الفيديو الاصطناعية والواقعية، مما يبرز مزاياها على DMD القياسي من حيث الكفاءة الحسابية والحفاظ على الهياكل المكانية الزمنية. توضح الورقة هيكل الأقسام التالية، والتي تشمل مراجعة لعمليات المنتج T، ومنهجية TDMD مفصلة، وتجارب عددية، واتجاهات البحث المستقبلية.
مناقشة
في هذا القسم، يقدم المؤلفون تحليل الوضع الديناميكي باستخدام الموتر (TDMD)، وهو امتداد مبتكر لتحليل الوضع الديناميكي (DMD) مصمم للموترات من الدرجة الثالثة. على عكس DMD التقليدي، الذي يقوم بتسطيح البيانات متعددة الاتجاهات إلى متجهات، يحافظ TDMD على الهيكل متعدد الخطوط الكامن في البيانات من خلال استخدام تقنيات تحليل الموتر مثل تحليل القيم الفردية للموتر (TSVD) وتحليل القيم الذاتية للموتر (TEVD). يسمح هذا النهج لـ TDMD بنمذجة ديناميات الأنظمة المعتمدة على الموتر بشكل فعال، مما يمكّن من تحديد الديناميات الأساسية من خلال إطار المنتج T، المعبر عنه كـ \(X_{t+1} = A \star X_t\)، حيث \(A\) هو موتر انتقال الحالة.
يؤكد المؤلفون على المزايا الحسابية لـ TDMD مقارنةً بـ DMD القياسي، موضحين كفاءته في إعادة بناء مسارات الحالة وفصل المكونات الديناميكية داخل البيانات متعددة الاتجاهات. تكشف التجارب العددية أن TDMD يتفوق باستمرار على DMD القياسي من حيث الوقت الحسابي، واستخدام الذاكرة، ودقة إعادة البناء عبر مستويات تقليم مختلفة. لا يسهل الإطار فقط إعادة بناء الحالة وفصل المكونات الديناميكية، بل يحمل أيضًا وعدًا لتطبيقات أوسع في تحليل الأنظمة الزمانية المكانية المعقدة. تشمل اتجاهات البحث المستقبلية توسيع TDMD لتشمل الموترات من درجات أعلى ودمجه مع نماذج التعلم الآلي لتعزيز قابليته للتطبيق في السيناريوهات الواقعية.
DOI: https://doi.org/10.1109/lsp.2026.3673197
Publication Date: 2026-01-01
Author(s): Ziqin He et al.
Primary Topic: Tensor decomposition and applications
Overview
In this research, the authors introduce tensor dynamic mode decomposition (TDMD), an innovative extension of dynamic mode decomposition (DMD) designed to analyze third-order tensors. Traditional DMD methods, which rely on matrix-based formulations, face limitations when dealing with inherently multidimensional data such as images and videos. TDMD addresses these challenges by utilizing tensor factorization techniques, specifically tensor singular value decomposition (TSVD) and tensor eigenvalue decomposition (TEVD), to construct a reduced-order state transition tensor. This approach enhances computational efficiency and preserves the spatial and temporal structures of multiway data, thereby improving tasks like state reconstruction and dynamic component separation.
The findings demonstrate that TDMD outperforms standard DMD in terms of computational efficiency, memory usage, and reconstruction accuracy, as evidenced by numerical experiments on both synthetic and real-world datasets. The framework’s adaptability allows for generalization to higher-order tensors through the generalized T-product, paving the way for future research to extend TDMD’s capabilities. Upcoming work will focus on enhancing TDMD’s robustness to noise and integrating it with machine learning models to create hybrid approaches that leverage both dynamic modeling and predictive analytics. The authors also plan to apply TDMD to a variety of real-world multiway datasets to further validate its effectiveness and address practical challenges such as data corruption and complex dynamic interactions.
Introduction
The introduction of this research paper discusses the evolution and application of Dynamic Mode Decomposition (DMD), a data-driven technique initially developed for fluid dynamics, which has since been utilized across various fields such as robotics, epidemiology, and neural data analysis. DMD effectively decomposes high-dimensional time-series data into spatial modes and temporal dynamics, revealing dominant patterns in complex systems. However, traditional DMD methods are limited to vector-based data and struggle with inherently multidimensional datasets like images and videos.
To address these limitations, the authors propose a novel extension called Tensor Dynamic Mode Decomposition (TDMD), which leverages third-order tensors to better represent multiway data. By employing tensor algebra and the T-product—a specialized tensor multiplication operation—TDMD maintains the multiway structure of the data while enabling efficient analysis. The method utilizes truncated Tensor Singular Value Decomposition (TSVD) to create a reduced-order transition tensor, followed by Tensor Eigenvalue Decomposition (TEVD) to extract TDMD modes. The authors demonstrate the effectiveness of TDMD in state reconstruction and dynamic component separation on both synthetic and real-world video data, highlighting its advantages over standard DMD in terms of computational efficiency and preservation of spatial-temporal structures. The paper outlines the structure of the subsequent sections, which include a review of T-product operations, a detailed TDMD methodology, numerical experiments, and future research directions.
Discussion
In this section, the authors introduce Tensor Dynamic Mode Decomposition (TDMD), an innovative extension of Dynamic Mode Decomposition (DMD) tailored for third-order tensors. Unlike traditional DMD, which flattens multiway data into vectors, TDMD preserves the inherent multilinear structure of the data by employing tensor factorization techniques such as Tensor Singular Value Decomposition (TSVD) and Tensor Eigenvalue Decomposition (TEVD). This approach allows TDMD to effectively model the dynamics of tensor-based systems, enabling the identification of underlying dynamics through the T-product framework, expressed as \(X_{t+1} = A \star X_t\), where \(A\) is the state transition tensor.
The authors emphasize the computational advantages of TDMD over standard DMD, demonstrating its efficiency in reconstructing state trajectories and separating dynamic components within multiway data. Numerical experiments reveal that TDMD consistently outperforms standard DMD in terms of computational time, memory usage, and reconstruction accuracy across various truncation levels. The framework not only facilitates state reconstruction and dynamic component separation but also holds promise for broader applications in analyzing complex spatiotemporal systems. Future research directions include extending TDMD to higher-order tensors and integrating it with machine learning models to enhance its applicability in real-world scenarios.