Vehicular Applications of Koopman Operator Theory -- A Survey
Koopman算子理论已被证明是解决非线性系统辨识和全局线性化问题的一种很有前途的方法。近一个世纪以来,一直没有有效的方法来计算应用工程目的的库普曼算子。最近引入的计算效率高的方法在流体动力学的背景下,这是基于系统动力学分解成一组正常模式的降序,克服了这个长期存在的计算障碍。Koopman算子的纯数据驱动性质使其有望捕获用于降阶模型生成和系统辨识的未知和复杂动态,通过这些降阶模型生成和系统辨识,可以利用线性控制技术的丰富机制。鉴于这一研究领域的持续发展和智能移动和车辆工程领域中存在的许多开放性问题,有必要对将Koopman算子理论应用于这一充满活力的领域的技术和开放性挑战进行调查。本文重点介绍了近年来出现的Koopman运营商的各种解决方案,特别是那些专注于移动应用的解决方案,从表征和组件级控制操作到车辆性能和车队管理。此外,对100多篇研究论文的全面审查突出了Koopman算子理论应用于各种车辆应用的广泛性,并对应用的基于Koopman算子的算法类型进行了详细分类。此外,本文还讨论了Koopman算子理论的理论方面,这些理论在很大程度上被智能移动和车辆工程界所忽视,但对解决这些领域的开放问题有很大的潜力。
2023-03-21 cs.RO cs.SY eess.SY
Robust Approximation of the Stochastic Koopman Operator
我们分析了基于动态模式分解(DMD)的随机Koopman算子的随机动力系统的动力学或可观测量受到噪声的影响的近似的性能。对于许多DMD算法,噪声的存在可以在DMD算子中引入偏差,导致动力学的差的近似。特别是,使用时间延迟的观测量,如汉克尔DMD的方法,是有偏见的动态时,是随机的。我们介绍了一种新的,强大的DMD算法,可以近似的随机Koopman算子,尽管存在噪声。然后,我们演示了如何将该算法应用于时间延迟的观测量,这使我们能够从一个单一的观察生成一个Krylov子空间。这使我们能够使用在单个轨迹上测量的单个可观测值来计算随机Koopman算子的实现。我们测试的性能的算法在几个例子。
2022-02-03 math.DS
Koopman Spectral Linearization vs. Carleman Linearization: A Computational Comparison Study
本文提出Koopman谱线性化方法,利用Chebyshev微分矩阵和Koopman算子构造提升线性系统,并通过数值实验验证其可作为Carleman线性化的有效替代方案。
2023-10-29 math.DS math.OC
Sparsity-promoting algorithms for the discovery of informative Koopman invariant subspaces
Koopman分解是特征分解的一种非线性推广,在时空动力学分析中得到越来越多的应用。众所周知的技术,如动态模式分解(DMD)及其线性变体提供近似的Koopman算子,并已被广泛应用于许多流体动力学问题。尽管被赋予了一个更丰富的字典的非线性观测,DMD的非线性变体,如扩展/内核动态模式分解(EDMD/KDMD)很少应用于大规模的问题,主要是由于难以辨别的Koopman不变子空间从成千上万的Koopman特征模。为了解决这个问题,我们提出了一个框架的基础上多任务特征学习,以提取最丰富的Koopman不变子空间,通过删除冗余和虚假的Koopman三元组。特别是,我们开发了一个修剪程序,惩罚偏离线性演化。这些算法可以被看作是稀疏促进EDMD/KDMD的扩展。此外,我们将KDMD扩展到连续时间设置,并从非凸优化的角度显示本算法,稀疏促进DMD和经验标准之间的关系。从简单的动力系统到不同雷诺数下的二维圆柱尾流和三维湍流舰船空气尾流的算例都证明了该算法的有效性。后两个问题的设计,使得非常强的非线性瞬态存在,因此需要一个准确的近似Koopman运营商。基本的物理机制进行了分析,重点是表征瞬态动力学。结果与现有的理论阐述和数值逼近。
2021-01-02 math.DS physics.flu-dyn stat.ML
Koopman Embedding and Super-Linearization Counterexamples with Isolated Equilibria
针对应用Koopman算子理论中“多孤立平衡点动力系统无法线性化/超线性化”的常见论断,构造反例证明该论断的两种版本均不成立。
2023-07-19 math.DS
De-Biasing the Dynamic Mode Decomposition for Applied Koopman Spectral Analysis
动态模式分解(DMD)--一种流行的方法,用于执行数据驱动的Koopman频谱分析-已获得越来越多的采用,作为一种技术,用于从快照测量中提取动态有意义的时空描述的流体流动。通常,DMD描述也可以用于预测目的,这使得能够基于DMD模型预测做出明智的决策。尽管DMD的广泛使用和实用性,但当测量的快照数据不精确时,DMD经常无法产生准确的动态描述,例如,传感器噪声在这里,我们表示DMD作为一个两阶段的算法,以隔离源的系统误差。我们表明,DMD的第一阶段,子空间投影步骤,系统地介绍了处理快照不对称的偏差误差。为了消除这种系统误差,我们建议利用一个增广的快照矩阵在子空间投影步骤中,在总最小二乘的问题,以占所有快照中存在的错误。由此产生的无偏和噪声感知的总DMD(TDMD)配方减少到标准DMD的快照错误的情况下,而两阶段的角度概括的去偏框架,以及其他相关的方法。TDMD的性能在数值和实验流体的例子证明。
2015-10-26 math.DS physics.data-an physics.flu-dyn
Application of Gaussian Process Regression to Koopman Mode Decomposition for Noisy Dynamic Data
Osaka Prefecture University(大阪府立大学);The University of New Mexico(新墨西哥大学)
Koopman模式分解(Koopman Mode Decomposition,KMD)是一种基于Koopman算子的非线性时间序列分析技术,它是针对一个非线性动力系统而定义的。我们提出了一种基于高斯过程回归的KMD数值算法,该算法能够处理有噪声的有限时间数据。将该算法应用于多机电网的短期摆动动态,以估计嵌入在动态中的振荡模式,从而评估该算法的有效性。
2019-11-14 cs.LG eess.SP math.DS
A mode-in-state contribution factor based on Koopman operator and its application to power system analysis
利用Koopman算子的谱性质和灵敏度分析,提出了一类非线性动力系统的状态模态贡献因子。利用目标非线性系统的Koopman算子的本征函数,我们表明,模式和状态变量之间的相对贡献可以量化超出线性政权,其中考虑到系统的非线性。将该贡献因子应用于交直流互联电力系统大信号仿真的数值分析。
2022-05-23 cs.SY eess.SY math.DS
Koopman analysis of quantum systems
Koopman算子理论已经成功地应用于流体动力学、分子动力学、气候科学、工程学和生物学等各个研究领域的问题。应用包括检测亚稳态或相干集,粗粒化,系统识别和控制。由随机微分方程驱动的动力学系统与量子力学之间存在着错综复杂的联系。在本文中,我们比较了基态变换和纳尔逊的随机力学,并展示了如何开发的数据驱动的方法近似的库普曼运营商可以用来分析量子物理问题。此外,我们利用薛定谔算子和随机控制问题之间的关系,表明现代数据驱动的随机控制方法可以用来解决静态或非稳态薛定谔方程。我们的发现为使用数据科学最近开发的工具解决薛定谔方程开辟了一条新途径。
2022-06-28 math.DS quant-ph
Data-Driven Operator Theoretic Methods for Global Phase Space Learning
在这项工作中,我们建议应用最近开发的Koopman算子技术,探索全球相空间的非线性系统的时间序列数据。特别是,我们解决的问题,确定各种不变的子集的相空间从频谱特性的相关Koopman运营商从时间序列数据构建。此外,当系统的演化是局部已知的情况下,在各种不变子空间,然后提出了一个相空间缝合的结果,可以应用于识别一个全球Koopman运营商。一个生物系统,双曲肘开关和一个二阶非线性系统的例子被认为是说明所提出的结果。这个全局Koopman算子的构造在实验工作中非常有帮助,因为从多个初始条件开始无法同时运行多个实验。
2019-10-03 cs.SY eess.SY math.DS
Koopman operator-based model reduction for switched-system control of PDEs
我们提出了一个新的框架,最优和反馈控制的偏微分方程使用Koopman算子为基础的降阶模型(K-ROM)。Koopman算子是一个线性但无限维的算子,它描述了观测量的动力学。因此,Koopman算子的数值逼近产生用于观察自治动力系统的线性系。在我们的方法中,通过引入有限个常数控制,动态控制系统转化为一组自治系统和相应的最优控制问题转化为切换时间最优化问题。这使得我们可以用K-ROM来代替这些系统中的每一个,K-ROM可以更快地解决数量级。通过这种方法,非线性无穷维控制问题转化为低维线性问题。在Koopman算子可以使用扩展动态模式分解(EDMD)精确计算的情况下,所提出的方法产生最优控制输入。此外,EDMD最近的收敛结果表明,该方法也可以应用于更复杂的动态。为了说明结果,我们考虑一维Burgers方程和二维Navier-斯托克斯方程。数值实验表明,显着的性能,无论是解决方案的时间和精度。
2019-01-18 math.DS math.OC
System Norm Regularization Methods for Koopman Operator Approximation
McGill University(麦吉尔大学)
当考虑许多提升函数时,从数据近似Koopman算子在数值上具有挑战性。即使是低维系统也可能在高维提升空间中产生不稳定或病态的结果。本文将Koopman算子的两种近似方法--扩展动态模式分解(DMD)和带控制的DMD转化为带线性矩阵不等式约束的凸优化问题。渐近稳定性约束和系统范数正则化,然后纳入作为方法,以提高数值条件的Koopman运营商。具体地说,H ∞范数被用来惩罚Koopman系统的输入输出增益。然后应用加权函数来惩罚特定频率处的系统增益。这些约束和正则化器将双线性矩阵不等式约束引入到回归问题中,通过求解一系列凸优化问题来处理。使用飞机疲劳结构试验台和软机器人手臂的数据的实验结果突出了所提出的回归方法的优点。
2022-08-09 cs.LG cs.SY eess.SY
Exponentially decaying modes and long-term prediction of sea ice concentration using Koopman Mode Decomposition
北极和南极的海冰覆盖是气候变化的一个重要指标,具有重要的环境、经济和安全后果。海冰时空动态的复杂性使得难以评估变化的时间性质-例如线性或指数变化-及其精确的地理位置。在这项研究中,Koopman模式分解(KMD)被应用到北半球和南半球的海冰密集度的卫星数据,以了解海冰行为的时间和空间动态,并预测未来的海冰行为。我们发现在两个半球呈指数衰减的空间模式,并讨论其精确的空间范围,并进行精确的地理预测海冰浓度在未来四年。这种数据驱动的分解技术提供了在传统线性方法中不明显的空间和时间动态的洞察力。
2019-11-04 math.DS physics.ao-ph
Kernel-based approximation of the Koopman generator and Schrödinger operator
许多降维和模型简化技术依赖于从数据中估计相关动力学算子的主导本征函数。重要的例子包括Koopman算子及其生成元,还有薛定谔算子。我们提出了一种基于核的方法来逼近再生核希尔伯特空间中的微分算子,并展示了如何通过求解辅助矩阵本征值问题来估计本征函数。将所得算法应用于分子动力学和量子化学的例子。此外,我们还利用了在一定条件下,薛定谔算子可以转化为对应于漂移-扩散过程的Kolmogorov向后算子,反之亦然.这使我们能够应用为分析高维随机微分方程的量子力学系统开发的方法。
2020-12-25 cs.NA math-ph math.DS
Explicit error bounds and guaranteed convergence of the Koopman-Hill projection stability method for linear time-periodic dynamics
University of Stuttgart(斯图加特大学)
本文首次为Koopman-Hill投影方法建立了显式误差界,通过构造级数展开法推导出线性时变系统傅里叶系数指数衰减的条件,从而保证方法的收敛性,并通过数学ieu方程和杜芬振子等实例验证了其理论重要性。
2025-10-22 cs.NA math.DS math.NA
Evaluating the accuracy of the dynamic mode decomposition
动态模式分解(DMD)提供了一种从数据中提取动态信息的实用方法,其形式为空间模式及其相关频率和增长/衰减率。DMD可以被认为是Koopman算子的数值逼近,Koopman算子是为(非线性)动力系统定义的无限维线性算子。这项工作提出了一个新的标准来估计的准确性DMD的模式模式的基础上,通过估计如何接近每个单独的DMD本征函数近似相应的Koopman本征函数。这种方法不需要任何系统动力学或真正的Koopman谱分解的先验知识。该方法可以应用于DMD的扩展(即,扩展/内核DMD),适用于更广泛的问题。首先验证的准确度标准对真实的误差与合成系统的真正Koopman谱分解是已知的。接下来,我们将演示如何使用扩展DMD的内核方法时,建议的精度标准可以用来评估各种选择的内核的性能。最后,我们表明,我们所提出的方法成功地识别模式的高精度应用DMD的数据从实验中的流体,特别是粒子图像测速的圆柱体尾流和一个典型的分离边界层。
2017-10-02 math.DS
Multi-Agent, Multi-Scale Systems with the Koopman Operator
本文提出基于Koopman算子的多智能体系统控制框架,处理层级结构与时间尺度分离,并通过集中优化与博弈论对比揭示耦合对最优解的影响。
2025-06-18 math.DS math.OC
Data-driven reduced-order modeling for nonautonomous dynamical systems in multiscale media
在这篇文章中,我们提出了数据驱动的降阶建模的非自治动力系统在多尺度介质中使用Koopman算子。与自治动力系统的情形不同,非自治动力系统的Koopman算子族对时间对有显著的依赖性。为了有效地估计时间相关的Koopman算子,采用移动时间窗对快照数据进行分解,并采用扩展的动态模式分解方法计算各局部时域的Koopman算子。多尺度介质中的许多物理性质通常在非常不同的尺度上变化。为了更好地捕获多尺度信息,所收集的数据的维度可能很高。为了准确地构造多尺度介质中动力系统的模型,我们使用高空间维的观测数据。使用高维数据计算Koopman算子是一个挑战。为此,提出了降阶建模的策略。降阶建模分为离线和在线两个阶段。在离线阶段,使用分块低秩分解来降低初始快照数据的空间维度。对于非自治的动力系统,可能需要实时观测数据来更新Koopman算子。提出了在线降阶建模的方法来修正离线降阶建模。提出了三种在线降阶建模方法:全在线、半在线和自适应在线。自适应在线方法自动选择全在线或半在线,可以实现建模精度和效率之间的良好权衡。
2023-01-08 cs.NA math.DS math.NA
Another look at Residual Dynamic Mode Decomposition in the regime of fewer Snapshots than Dictionary Size
该研究针对快照数少于字典规模的场景,提出通过求解对偶最小二乘问题的新方法,消除了传统ResDMD对训练集与求积集两个数据集的需求,验证了其在多类动力系统的适用性,简化了应用并拓展了复杂系统动力学研究的潜力。
2024-03-09 cs.NA math.DS math.NA
Verifiable Regularity Criterion for Conditional Expectation Operators and Conditional Mean Embeddings with Applications to Nonparametric Regression, Bayesian Inverse Problems, and Koopman Operators
Technische Universität Ilmenau(伊尔梅瑙工业大学);Freie Universität Berlin(柏林自由大学);Chemnitz University of Technology(开姆尼茨工业大学)
该研究提出了条件期望算子与条件均值嵌入的可验证正则性准则,验证其在三类场景下的适用性,为相关领域提供了统一分析框架。
2026-08-07 cs.LG cs.NA math.DS
Data-driven probability density forecast for stochastic dynamical systems
本文提出了一种数据驱动的非参数方法来预测随机动力系统的概率密度演化。该方法是基于随机Koopman算子和扩展动态模式分解(EDMD)。为了近似随机Koopman算子的有限维特征分解,EDMD被应用于从底层随机动力系统的平稳分布采样的训练数据集。Koopman算子族构成一个半群,该半群由随机动力系统的无穷小生成元生成。生成元和Fokker-Planck算子之间的一个重要联系提供了构造加权希尔伯特空间的规范正交基的一种方法。在这个加权空间中完成了密度函数的谱分解。该方法是一种数据驱动的方法,用于预测概率密度演化和实时矩估计。在大量快拍和观测量的限制下,数据驱动的概率密度近似在适合于不变测度的基上收敛到Fokker-Planck方程半群解的Galerkin投影.该方法具有与扩散预测相似的思想,但比扩散预测的概率密度更准确。最后通过数值算例说明了数据驱动概率密度预测的性能。
2022-10-11 cs.NA math.DS math.NA
Quantum Mechanics for Closure of Dynamical Systems
基于量子力学和Koopman算符理论的数学框架,提出了一种数据驱动的动力系统未解维数参数化方案.给定一个系统,其中一些组件的状态是未知的,这种方法涉及到定义一个代理系统在一个时间依赖的量子态,确定通量从未解决的自由度在每个时间步。量子态是经典观测量的有限维希尔伯特空间上的密度算符,并在库普曼算符诱导的作用下随时间演化。量子状态也根据量子贝叶斯定律,通过运算符值特征映射实现,用解析变量的新值更新。核方法用于学习数据驱动的基函数,并将量子态、可观测量和演化算子表示为矩阵。由此产生的计算方案是自动保持正性的,有助于参数化系统的物理一致性。我们分析了两种不同的方式,这种方法应用到洛伦兹63和洛伦兹96多尺度系统的结果,并显示这种方法如何保留重要的统计和定性性质的基础混沌系统。
2022-08-05 math.DS math.ST nlin.CD
Dynamic mode decomposition for analytic maps
Queen Mary University of London(伦敦大学玛丽女王学院)
本文研究了动态模式分解在分析映射中的应用,揭示了EDMD方法在识别复杂动力系统中的模式和有效自由度时与紧Perron-Frobenius和Koopman算子在Hardy-Hilbert空间上的对应关系,通过数值模拟验证了这一结论。
2019-05-22 cs.NA math.DS math.NA
Tensor-based computation of metastable and coherent sets
Rice University(莱斯大学);Universität Paderborn(帕德博恩大学);Freie Universität Berlin(柏林自由大学);University of Surrey(萨里大学)
近年来,基于Koopman算子理论和相关方法的动力系统的数据驱动分析取得了快速进展。另一方面,低秩张量积近似-特别是张量训练(TT)格式-已成为解决许多领域中大规模问题的有价值的工具。在这项工作中,我们结合Koopman为基础的模型和TT格式,使其应用程序的高维问题,结合一组丰富的基函数或功能。我们推导出有效的算法,以获得一个减少的矩阵表示的系统的演化算子从一个适当的低秩表示的数据。这些算法可以应用于平稳和非平稳系统。我们建立了这些矩阵表示的无限数据限制,并使用几个基准数据集证明了我们的方法的能力。
2021-08-10 cs.LG cs.NA math.DS
Eigendecompositions of Transfer Operators in Reproducing Kernel Hilbert Spaces
Zalando Research(扎兰多研究院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
传递算子如Perron-Frobenius算子或Koopman算子在复杂动力系统的全局分析中起着重要的作用。这些运营商的本征函数可以用来检测亚稳态集,项目的动态上占主导地位的慢过程,或分离叠加信号。我们将转移算子理论扩展到再生核希尔伯特空间,并表明这些算子与条件分布的希尔伯特空间表示有关,在机器学习界称为条件均值嵌入。此外,计算这些嵌入的经验估计的数值方法类似于用于近似传递算子的数据驱动方法,例如扩展动态模式分解及其变体。提出的基于核的方法的一个主要好处是,这些方法可以应用于任何域的相似性度量的内核是可用的。我们说明的结果与指导性的例子的帮助下,并强调在分子动力学以及视频和文本数据分析的潜在应用。
2019-08-13 cs.LG math.DS stat.ML
Revealing trends and persistent cycles of non-autonomous systems with operator-theoretic techniques: Applications to past and present climate dynamics
本文提出利用Koopman和传输算子的特征函数,仅凭单条轨迹数据识别非自治系统的非线性趋势与持续周期,并成功应用于工业时代海表温度趋势及中更新世转型等古今气候动力学问题。
2023-08-08 math.DS physics.ao-ph