POD（Proper Orthogonal Decomposition，正交分解）是一种在工程领域广泛应用的有效且精妙的数据分析方法。在高维过程中，POD能够提供数据的低维近似描述，特别适用于实验或数值模拟数据集的模态分解需求。该方法关键在于获取一组正交基函数，以捕捉数据的主要动态特性，这些基函数通常称为经验模态。正交分解在数据压缩、噪声去除、系统识别和流体动力学等领域有广泛应用。文中详述了POD方法的三种主要形式：Karhunen-Loève分解（KLD）、主成分分析（PCA）和奇异值分解（SVD），这些方法在处理POD问题时理论上等效。KLD通过最优线性正交展开提取连续时间随机过程的特征函数集，而PCA则转换可能相关联的变量为主成分，以减少数据维度并保留信息。SVD则是一种在信号和图像处理中广泛应用的线性代数分解方法。文中强调了这些方法在处理离散随机向量的POD问题时的数学一致性，不论从理论还是实际应用角度均具有重要意义。作者还突出了POD方法在工程应用中的重要性和趋于普及，特别强调了方法间的联系描述对工程实践的重要性。