Decomposition of Nonlinear Dynamical Systems Using Koopman Gramians
Pacific Northwest National Laboratory(太平洋西北国家实验室)
本文提出了一种新的Koopman算子方法,用于利用Koopman格拉姆矩阵分解非线性动力系统,介绍了输入-Koopman算子,并展示了如何将其用于将非线性系统转换为经典状态空间形式,以及输入和状态可观测函数分离的条件。
2017-10-04 cs.LG cs.SY eess.SY
Identification of MIMO Wiener-type Koopman Models for Data-Driven Model Reduction using Deep Learning
我们使用Koopman理论开发了一个数据驱动的多输入多输出(MIMO)输入仿射动力系统的非线性模型降阶和辨识策略。虽然目前的文献集中在线性和双线性Koopman模型,我们推导并使用维纳型Koopman制定。我们讨论了Wiener结构特别适合于模型降阶,并且可以自然地从Koopman理论导出。此外,维纳块结构统一了线性动力学块的数学简单性和双线性动力学的准确性。我们提出了一种结合自动编码器和线性动态的Koopman深度学习策略,该策略生成MIMO Wiener类型的低阶代理模型。在三个案例研究中,我们应用我们的框架识别和减少输入的多重性,化学反应器和高纯度蒸馏塔的系统。我们比较确定的维纳模型的预测性能的线性和双线性Koopman模型。我们观察到低阶维纳型Koopman模型的最高精度和最强的模型降阶能力,使其有希望的控制。
2022-04-04 cs.SY eess.SY math.DS
Koopman Data-Driven Predictive Control with Robust Stability and Recursive Feasibility Guarantees
Eindhoven University of Technology(埃因霍温理工大学)
本文提出一种基于库普曼提升模型的子空间数据驱动预测控制方法,通过学习可观测函数抑制多步预测误差,并利用终端代价、终端集和插值初始状态保证递归可行性,同时通过新型正则化代价获得闭环输入到状态稳定性。
2024-05-02 cs.LG cs.SY eess.SY
Time-certified Input-constrained NMPC via Koopman Operator
本文利用库普曼算子和压缩MPC技术,将具有精确迭代复杂度的输入约束MPC算法从线性情形扩展至非线性模型预测控制,并在高维非线性PDE控制案例中验证了求解时间可认证地小于采样时间。
2024-02-26 cs.SY eess.SY math.OC
Koopman meets input-output data: Data-driven output-feedback control of nonlinear systems with closed-loop guarantees
University of Stuttgart(斯图加特大学);Chemnitz University of Technology(开姆尼茨工业大学);Technische Universität Ilmenau(伊尔梅瑙工业大学)
针对非线性系统,提出一种仅利用输入输出测量数据、无需状态测量的输出反馈控制器设计方法,结合Koopman算子理论与扩展状态表示,实现闭环指数稳定。
2026-06-05 cs.SY eess.SY math.OC
Control-Channel Informativity for Koopman EDMDc under Behavior-Policy Data
School of Automation Science and Engineering, Xi’an Jiaotong University(西安交通大学自动化科学与工程学院);Xinjiang Cigarette Factory, Hongyun Honghe Tobacco (Group) Co., Ltd.(新疆卷烟厂,红云红河烟草(集团)有限责任公司)
本文研究了Koopman EDMDc在行为策略数据下的控制通道信息度问题,提出了一种条件干预证书,用于评估控制通道块的可识别性,并通过实验验证了其在不同系统中的表现。
2026-05-18 math.OC
Control-aware Learning of Koopman Embedding Models
提出了一种基于Koopman算子模型的学习方法,目的是改善闭环控制性能。一个基于神经网络的方法是用来发现一个空间中的非线性动态线性嵌入可观。虽然使用这种复杂的状态-可观察映射可以预期准确的状态预测,但当模型部署在闭环环境中时,可能会引入不期望的副作用。这是因为线性嵌入过程中的建模或残余误差,与状态预测相比,其可以以不同的方式表现出来。为此,提出了一种改进原始训练模型的技术,其目标是改善模型的闭环行为,同时保留初始学习中获得的状态预测精度。最后,一个简单的数据采样策略,提出了使用确定性采样的输入从连续函数,导致额外的改善非线性动力系统的控制器性能。数值算例表明了该方法的有效性。
2023-03-21 math.OC
Feedback control of nonlinear PDEs using data-efficient reduced order models based on the Koopman operator
在开发模型预测控制器的偏微分方程约束的问题,使用降阶模型是必不可少的,使实时适用性。除了局部线性化方法,本征正交分解(POD)已被最广泛地使用在过去,以获得这样的模型。由于理论和数值逼近方面的巨大进步,最近出现了一种基于Koopman算子的非常有前途的替代方案。在这一章中,我们提出了两种控制策略的模型预测控制的非线性偏微分方程使用数据有效的近似的Koopman算子。在第一种方法中,动态控制系统被少数具有不同但恒定输入的自治系统所取代。因此,控制问题转化为切换问题。在第二种方法中,一个双线性代理模型,通过线性插值,这些自治系统之间获得。利用最近的扩展动态模式分解(EDMD)的收敛结果,收敛到真正的最优值可以证明。以一维Burgers方程和二维Navier-斯托克斯方程为例,研究了这两种策略在求解质量、数据要求和最优化问题复杂性方面的性能.最后,在线自适应的扩展。
2018-06-26 math.OC
Contraction-Based Model Predictive Control using Bilinear Koopman Realizations with Proportional Error Bounds
The University of Tokyo(东京大学)
本文提出一种基于双线性Koopman实现与比例误差界的鲁棒模型预测控制框架,通过重投影提升状态构建误差感知预测器,并利用同胚管收紧处理非线性约束,证明了约束满足、递归可行性与指数稳定性,数值实验显示其性能优于现有Koopman方法。
2026-09-29 math.OC
From Product Hilbert Spaces to the Generalized Koopman Operator and the Nonlinear Fundamental Lemma
Control Systems Group, Electrical Engineering Department, Eindhoven University of Technology(控制系统组,电气工程系,埃因霍温理工大学)
本文提出基于乘积希尔伯特空间的广义柯普曼算子和非线性基本引理,解决了控制输入系统下的柯普曼算子泛化和非线性基本引理推导问题,通过基函数展开和希尔伯特空间构造方法验证了方法的有效性。
2026-03-24 cs.AI math.OC
Gramians for a New Class of Nonlinear Control Systems Using Koopman and a Novel Generalized SVD
Brigham Young University(杨百翰大学)
本文提出基于广义SVD的Gramians构造方法,解决非线性系统降阶中输入能量度量不匹配问题,通过点wise norm-preserving输入映射保持因果性并计算可计算的H∞误差证书。
2026-04-05 cs.SY eess.SY math.OC
Koopman operator learning for predictive control via Khatri-Rao kernel regression
Eindhoven University of Technology(埃因霍温理工大学)
本文提出一种数据驱动的广义Koopman算子实现,通过时间序列多步Khatri-Rao核回归和结构化SVD降维,实现状态与输入独立提升的张量双线性系统预测控制,并在混沌Lorenz系统上验证了其稳定不稳定平衡点的能力。
2026-10-19 cs.SY eess.SY math.OC
Efficient Optimal Path Planning in Dynamic Environments Using Koopman MPC
Department of Mechanical and Aerospace Engineering, University of California Davis(加州大学戴维斯分校机械与航空航天工程系)
针对动态环境下移动机器人路径规划,提出基于双线性Koopman实现的MPC框架,通过提升空间二次规划求解,速度比非线性MPC快320倍,兼顾最优性与计算效率。
2025-10-02 cs.RO cs.SY eess.SY
On the Existence of Koopman Linear Embeddings for Controlled Nonlinear Systems
Contextual Robotics Institute, UC San Diego(加州大学圣地亚哥分校情境机器人研究所);Department of Computing and Mathematical Sciences, California Institute of Technology(加州理工学院计算与数学科学系)
本文研究了受控非线性系统Koopman线性嵌入存在的条件,提出CAP结构作为必要条件,并通过符号程序判断系统是否具备该结构以区分近似误差来源。
2026-02-16 cs.SY eess.SY math.OC
A Simulation Preorder for Koopman-like Lifted Control Systems
本文提出提升系统间的仿真预序,将有限维Koopman逼近推广至带输入系统,证明其蕴含开环与闭环行为包含关系,并导出两种特殊情况的优化验证条件及数值示例。
2024-06-02 cs.SY eess.SY math.OC
Koopman Modeling and Stabilization of Discrete-Time Nonlinear Control Systems: Bilinearity on a Reproducing Kernel Hilbert Space
Department of Chemical and Biomolecular Engineering, North Carolina State University(北卡罗来纳州立大学化学与生物分子工程系)
本文证明满足光滑性和正则性条件的离散时间非线性系统,在将状态和输入变量分别提升到再生核希尔伯特空间后,可精确表示为双线性动力学,并基于核平方和形式的Lyapunov函数提出镇定控制方法。
2026-06-09 cs.SY eess.SY math.OC
Koopman-based feedback design with stability guarantees
本文提出仅依赖测量数据、基于 Koopman 算子与鲁棒控制的非线性系统状态反馈设计,以半定规划保证指数稳定性,并扩展至多输入、增益调度及吸引域优化。
2024-05-03 cs.SY eess.SY math.OC
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
Linear predictors for nonlinear dynamical systems: Koopman operator meets model predictive control
本文提出了一类非线性受控动力系统的线性预报器。其基本思想是将非线性动力学提升到一个更高维的空间,在那里它的演化近似为线性的。在不受控的设置中,该过程相当于与非线性动力学相关的Koopman算子的数值逼近。在这项工作中,我们将Koopman算子扩展到受控动力系统,并计算该算子的有限维近似,使得该近似具有线性受控动力系统的形式。在数值例子中,以这种方式获得的线性预测器表现出优于现有的线性预测器,如那些基于局部线性化或所谓的Carleman线性化的性能。重要的是,构建这些线性预测器的过程完全是数据驱动的,并且非常简单-它归结为数据的非线性变换(提升)和提升空间中的线性最小二乘问题,可以很容易地解决大型数据集。这些线性预测器可以容易地用于使用线性控制器设计方法来设计非线性动力系统的控制器。我们特别关注模型预测控制(MPC),并表明,以这种方式设计的MPC控制器享受计算复杂性的基本最优化问题相比,MPC的线性动力系统的相同大小。重要的是,线性不等式约束的状态和控制输入,以及非线性约束的状态,可以施加在一个线性的方式在建议的MPC计划。类似地,可以以线性方式处理状态变量中非线性的费用函数。数值例子(包括高维非线性偏微分方程控制)演示的方法与信源编码可在线。
2018-03-23 math.OC
Diagnostic Certificates of Data Quality and Regression Identifiability for Koopman Identification
School of Automation Science and Engineering, Xi’an Jiaotong University(西安交通大学自动化科学与工程学院);Xinjiang Cigarette Factory, Hongyun Honghe Tobacco (Group) Co., Ltd.(新疆卷烟厂,红云红河烟草(集团)有限责任公司)
本文提出用于Koopman识别的数据质量诊断框架,通过分离状态空间覆盖、聚类、提升特征非退化性和回归谱,提供理论保障和实例分析,展示不同诊断层不可替代性。
2026-05-10 cs.SY eess.SY math.OC
Data-Driven Model Predictive Control using Interpolated Koopman Generators
近年来,Koopman算子在动力系统分析中的成功也推动了基于Koopman算子的控制框架的发展。为了通过动态模式分解保持近似的相对较低的数据要求,最近在[Peitz \& Klus,Automatica 106,2019]中提出了一种量化方法。通过这种方式,非线性动力系统的控制可以通过切换系统技术来实现,仅使用有限集的基于自主Koopman算子的降阶模型。这些单独的系统可以非常有效地从数据中近似。其主要思想是将一个控制系统转化为一组自治系统,并计算其最优开关序列。在这篇文章中,我们将这些结果扩展到连续控制输入松弛。通过这种方式,我们结合了近似自治系统的有限集的数据效率与连续控制的优点。我们表明,当使用Koopman生成器,这种松弛-实现两个运营商之间的线性插值-不引入任何错误的控制仿射系统。这使我们能够控制高维非线性系统使用双线性,低维代理模型。所提出的方法的效率证明了使用几个例子越来越复杂,从Duffing振荡器的混沌流体弹球。
2020-03-16 math.DS math.OC
When Koopman Meets Hamilton and Jacobi
本文利用库普曼算子谱理论建立哈密顿-雅可比方程求解的新途径,通过拉格朗日子流形近似和凸优化框架将线性系统结果推广到非线性系统,并在最优控制中验证了其有效性。
2025-04-10 math.DS math.OC
A Comparison between Markov Chain and Koopman Operator Based Data-Driven Modeling of Dynamical Systems
本文比较了马尔可夫链与库普曼算子两种数据驱动建模方法,阐明其在自主系统中的相似性,并针对受控系统介绍对应模型与控制设计,通过数值实验比较精度和计算效率。
2024-04-01 cs.SY eess.SY math.OC
Deep Koopman Iterative Learning and Stability-Guaranteed Control for Unknown Nonlinear Time-Varying Systems
Peking University(北京大学);City University of Hong Kong(香港城市大学)
本文提出基于Koopman的迭代学习与稳定控制方法,用于高效逼近和控制未知非线性时变系统,通过在线更新提升模型以提高精度和稳定性。
2026-01-29 cs.SY eess.SY math.OC
Kernel-based error bounds of bilinear Koopman surrogate models for nonlinear data-driven control
本文针对未知非线性系统的数据驱动控制,提出基于核的双线性库普曼代理模型误差界,克服字典不变性假设限制,并可直接用于鲁棒控制器设计的闭环保证。
2025-07-14 cs.SY eess.SY math.OC
Polynomial Parametric Koopman Operators for Stochastic MPC
Massachusetts Institute of Technology(麻省理工学院);Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出了一种基于多项式混沌展开的参数Koopman算子框架,用于随机模型预测控制,通过EDMD-DL方法从数据中学习模型,实现高效非线性SMPC问题求解。
2026-04-01 cs.SY eess.SY math.OC
Control Forward-Backward Consistency: Quantifying the Accuracy of Koopman Control Family Models
Division of Engineering and Applied Science, California Institute of Technology(加州理工学院工程与应用科学系);Department of Mechanical and Aerospace Engineering, University of California, San Diego(加州大学圣地亚哥分校机械与航空航天工程系)
本文扩展了正反向一致性指数,用于控制系统,提供数据驱动模型的准确度闭式计算度量。通过正反向回归视角引入控制正反向一致性矩阵,并证明其优良性质。主要结果表明KCF函数预测器的相对均方根误差严格受控制一致性指数约束。
2026-04-05 cs.SY eess.SY math.OC
Multi-Step Deep Koopman Network (MDK-Net) for Vehicle Control in Frenet Frame
Mechanical and Aerospace Engineering of University of California, Davis(加州大学戴维斯分校机械与航空航天工程学院)
本文提出了一种基于深度学习的Koopman建模方法,用于在Frenet框架内实现车辆控制,通过多步深度Koopman网络提升路径规划和跟随的控制性能。
2025-03-04 cs.LG cs.RO cs.SY
Bilinear Mamba-Koopman Neural MPC for Varying Dynamics
Psistar AI
该研究针对Koopman神经网络MPC在变动力学下的适应局限,提出双线性Mamba-Koopman Neural MPC,通过引入控制依赖耦合提升性能,在多基准测试中展现出更优的预测精度与鲁棒性。
2026-10-14 cs.LG math.OC
Generalizing Laplacian Controllability of Paths
众所周知,如果网络拓扑是路径或线,并且顶点或节点的状态根据共识策略演化,则网络是拉普拉斯可控的,其输入连接到其终端顶点。在这项工作中,一条路被认为是互联有限数量的两个顶点的反正则图,然后可能连接一个以上的顶点后的结果图。证明了路的单输入Laplacian能控性可以推广到任意正整数$k$,连接有限个$k$ -顶点反正则图的情形.给出了将这些反正则图连接起来的方法,以及选择连接单个输入的顶点使网络拉普拉斯可控的方法。
2019-02-15 math.OC
Koopman-Model Predictive Control with Signal Temporal Logic Specifications for Temperature Regulation of a Warm-Water Supply System
在医院环境中,用于透析治疗的温水供应控制是典型的安全关键控制问题。为了保证热水供应的连续性,满足物理规格为广泛的操作条件,这是不可避免的考虑在一个温水供应系统的动态模型的控制设计的非线性。在本文中,我们提出了将控制规范所描述的信号时序逻辑,这是一个时序逻辑的语义上的有限时间信号的形式化方法,到所谓的Koopman-模型预测控制(MPC)作为一种新的技术的非线性预测控制的基础上的Koopman算子框架非线性系统。这使我们能够产生一个序列的最佳输入,使一个非线性系统的控制状态可以满足规格。将该方案应用于热水供应的温度调节,并对其有效性进行了数值验证。
2023-02-28 cs.SY eess.SY math.DS
Modeling Nonlinear Control Systems via Koopman Control Family: Universal Forms and Subspace Invariance Proximity
提出 Koopman 控制族框架,为一般离散时间非线性控制系统建立有限维通用模型形式,并用不变性邻近度刻画非不变子空间下的近似精度。
2025-07-24 cs.SY eess.SY math.OC
Offset-free Nonlinear MPC with Koopman-based Surrogate Models
本文针对基于EDMD的代理模型设计了无偏置非线性MPC,通过引入观测器估计的扰动项和参考计算器,在建模误差渐近常数的假设下实现了受控输出的无偏置跟踪,并在van-der-Pol振荡器和四水箱过程基准上验证了有效性。
2025-04-30 cs.SY eess.SY math.OC
Finite-data error bounds for Koopman-based prediction and control
Koopman算子已经成为动态(控制)系统的数据驱动近似的重要工具,例如,通过扩展的动态模式分解。尽管它的流行,收敛结果,特别是,误差界仍然是稀缺的。在本文中,我们推导出概率界的近似误差和预测误差的训练数据点的数量,为普通和随机微分方程,而使用遍历轨迹或独立同分布。样品我们通过一个例子来说明这些界限与Ornstein-Uhlenbeck过程。此外,我们扩展我们的分析(随机)非线性控制仿射系统。我们证明了误差估计以前提出的方法,利用Koopman发电机的线性度,以获得一个双线性代理控制系统,因此,规避了灾难的维数,因为该系统是不是通过增加状态的控制输入。据我们所知,这是第一个有限数据误差分析的随机和/或控制设置。最后,我们证明了双线性方法的有效性,通过比较它与国家的最先进的技术,显示其优越性时,状态和控制耦合。
2022-02-15 math.DS math.OC math.PR
Koopman-based lifting techniques for nonlinear systems identification
University of Namur(南纳姆大学);Luxembourg Centre for Systems Biomedicine, University of Luxembourg(卢森堡系统生物医学中心,卢森堡大学)
本文提出了一种基于Koopman算子框架的新型非线性系统辨识提升技术,通过在观测空间中识别线性(无限维)Koopman算子,而非在状态空间中识别非线性系统,从而实现了对非线性系统的线性辨识方法。该方法无需计算时间导数,适用于采样率较低的数据集,并通过两种数值方案(主方法和对偶方法)展示了其在不同有限维子空间近似中的应用。
2019-04-24 cs.SY eess.SY math.DS
Koopman Operators for Generalized Persistence of Excitation Conditions for Nonlinear Systems
严格地从数据中识别非线性生物模型是困难的,其结果通常对实验条件敏感。自动化的实验工作流程和液体处理实现了前所未有的吞吐量,以及生成超大数据集的能力。我们寻求开发广义可识别性条件,用于通知自动化实验的设计,以发现预测性非线性生物模型。对于线性系,可辨识性的特征在于激励条件的持续性。对于非线性系统,不存在这样的激励持续条件。我们使用输入Koopman算子方法来建模非线性系统,并推导出开环系统从一个单一的初始条件初始化的可辨识性条件。我们发现,非线性可识别性本质上是一个给定的数据集的功率谱密度的秩,通过提升Koopman可观测空间变换。我们说明了这些可识别的条件与模拟合成基因电路模型,repressilator。我们说明了如何在数据集的排名退化的结果过拟合非线性模型的represilator,导致预测精度差。我们的研究结果提供了新的试验设计标准,发现全球预测生物现象的非线性模型。
2019-09-13 cs.SY eess.SY math.DS
Koopman-Based Surrogate Models for Multi-Objective Optimization of Agent-Based Systems
本文提出基于Koopman生成元的数据驱动代理模型,用于高效求解智能体系统的多目标优化问题,并在选民模型和流行病ABM上验证其能有效逼近Pareto最优点。
2024-01-30 math.DS math.OC
Generalizing the Markov and covariance interpolation problem using input-to-state filters
Royal Institute of Technology(皇家理工学院)
本文通过输入到状态滤波器,将马尔可夫和协方差插值问题推广到匹配圆盘内多个点展开系数的情况,并通过求解李雅普诺夫方程和广义特征值问题得到解。
2011-04-07 cs.SY eess.SY math.OC
Graph Neural Network and Koopman Models for Learning Networked Dynamics: A Comparative Study on Power Grid Transients Prediction
连续监测关键基础设施网络(如电力系统)的时空动态行为是一项具有挑战性但重要的任务。特别是,准确和及时的预测的(机电)瞬态动态轨迹的电网是必要的任何不稳定性的早期检测和预防灾难性故障。用于动态轨迹的预测的现有方法依赖于系统的精确物理模型的可用性,使用计算上昂贵的时域模拟,或者仅适用于局部预测问题(例如,单个发电机)。在本文中,我们报告了两大类数据驱动的学习模型的应用--以及它们的算法实现和性能评估--在预测电力网络中的瞬态轨迹时,只使用流测量和网络拓扑作为输入。一类模型是基于Koopman算子理论,其允许通过无限维线性算子来捕获非线性动态行为。另一类模型是基于图卷积神经网络,它擅长捕捉电力网络中固有的时空相关性。用于训练和测试模型的瞬态动态数据集是通过模拟IEEE 68节点系统中各种各样的负载变化事件来合成的,这些负载变化事件按负载变化幅度以及连接程度和到最近发电机节点的距离来分类。结果证实,所提出的预测模型可以成功地预测扰动后的瞬态演化的系统具有较高的精度。
2022-02-16 cs.SY eess.SY math.OC
Controlling nonlinear PDEs using low-dimensional bilinear approximations obtained from data
在最近的一篇文章中,我们提出了一个框架来控制非线性偏微分方程(PDE)的Koopman算子为基础的降阶模型和切换系统的概念。其主要思想是将一个控制系统转化为一组自治系统,并计算其最优开关序列。这些单独的系统可以通过从数据获得的降阶模型非常有效地近似,并且在某些假设下可以保证完全和降阶目标函数的相等性。在这篇文章中,我们将这些结果推广到连续的控制输入,使用对应于常数控制的多个Koopman算子的凸组合,这将导致一个双线性控制系统。虽然平等的目标可以结转时,PDE线性依赖于控制,我们表明,这种方法也是有效的,在其他情况下,使用几个流量控制的例子,不同的复杂性。
2019-05-14 math.DS math.OC