Generalizing Dynamic Mode Decomposition: Balancing Accuracy and Expressiveness in Koopman Approximations
University of California, San Diego(加州大学圣地亚哥分校)
利用Koopman算子方法研究未知动力系统的数据驱动逼近问题。给定一个函数字典,这些方法近似于算子作用在字典所张成的有限维子空间上的投影。我们提出了可调对称子空间分解算法来改进字典,平衡其表达能力和准确性。表达性对应于字典描述尽可能多的可观察量的演变的能力,准确性对应于正确预测其演变的能力。基于Koopman不变子空间产生精确预测的观察,我们推断预测精度是由字典生成的子空间的不变性程度的函数,并提供了一个数据驱动的度量来测量不变性接近度。所提出的算法迭代修剪的初始功能空间,以确定一个完善的字典的功能,满足所需的精度水平,同时保留尽可能多的原始表现力。我们提供了一个完整的表征的算法性能,并表明,它概括了扩展的动态模式分解和对称子空间分解。平面系统上的仿真表明,所提出的方法在生产可调精度的Koopman近似捕获有关的动力系统的相关信息的有效性。
2023-02-27 cs.LG cs.SY eess.SY
Dynamic mode decomposition for interconnected control systems
动态模式分解(DMD)是一种数据驱动的技术,用于捕获复杂系统的动态特性。DMD已经连接到Koopman算子的谱分析,并且基本上从数据获得的Koopman算子的估计中提取动态的时空模式。Proctor、Brunton和Kutz最近的工作扩展了DMD和Koopman理论,以适应具有控制输入的系统:具有控制的动态模式分解(DMDc)和具有输入和控制的Koopman(KIC)。在本文中,我们介绍了一种技术,称为网络动态模式分解与控制,或网络DMDC,它扩展的DMDC互连,或网络,控制系统。此外,我们提供了一个适应Koopman理论的网络作为执行此算法的上下文。网络DMDC方法仔细分析了仅在网络结构中连接的系统中的组件之间的动态关系。通过专注于这些直接的动态连接,并削减计算之间的关系不连接的组件,这个过程允许在计算强度和精度的改进。
2017-09-09 math.OC
Data-Driven Observability Decomposition with Koopman Operators for Optimization of Output Functions of Nonlinear Systems
当具有非线性动态的复杂系统实现输出性能目标时,只有一小部分状态动态会显著影响该输出。这些最小状态动态可以使用微分几何方法来确定非线性系统的可观测性,但该理论仅限于分析系统。在本文中,我们扩展了非线性可观测分解的概念,更一般的类的数据通知系统。我们采用Koopman算子理论,它封装在线性模型的非线性动力学,使我们能够弥合线性和非线性可观测性概念之间的差距。我们提出了一种新的算法来学习Koopman算子表示,捕获系统动态,同时确保输出性能测量是在其可观的跨度。我们表明,这种线性的,输出包容的Koopman模型的变换呈现出一个新的最小Koopman表示。这种表示只体现了原系统的非线性可观测分解的可观测部分。这一理论的一个主要应用是识别生物系统中与特定表型相对应的基因,即性能指标。我们模拟了两个生物基因网络,并证明了Koopman算子的可观测性可以成功地识别驱动每个表型的基因。我们预计我们的新系统辨识工具将有效地发现减少基因网络,驱动生物系统中的复杂行为。
2022-10-17 cs.SY eess.SY math.DG
Estimation of Power System Inertia Using Nonlinear Koopman Modes
Osaka Prefecture University(大阪府立大学)
本文提出了一种直接从电力系统动态时间序列数据中估计电力系统惯性的新方法,基于非线性Koopman模式分解,通过非线性动力系统Koopman算子的谱分析进行非线性扩展,通过IEEE新英格兰测试系统暂态稳定性模拟验证了其有效性。
2018-05-04 cs.SY eess.SP eess.SY
Generalizing Koopman Theory to allow for inputs and control
我们开发了一个新的推广Koopman算子理论,将输入和控制的影响。Koopman谱分析是分析非线性动力系统的理论工具。此外,Koopman与动态模式分解(DMD)密切相关,这是一种从数据中发现时空相干模式的方法,将局部线性分析与非线性算子理论联系起来,并且重要的是创建了一个允许研究复杂系统的无方程架构。在驱动系统中,标准的Koopman分析和DMD无法产生输入输出模型,而且,动力学和模式将被破坏的外部强迫。我们的新理论发展扩展了Koopman算子理论,使系统具有非线性输入输出特性。我们展示了这种推广是如何严格连接和推广的最新发展称为动态模式分解与控制(DMDC)。我们证明了这一新的非线性动力系统的理论,包括一个标准的易感性传染病病毒模型与大规模疫苗接种(致动)的传染病数据的分析。
2016-02-24 math.OC
Koopman Resolvent: A Laplace-Domain Analysis of Nonlinear Autonomous Dynamical Systems
我们的研究动机是建立一个拉普拉斯域理论,提供原则和方法来分析和综合系统的非线性动力学。定义为非线性自治动力系统的复合算子半群--Koopman半群及其相关的Koopman生成元--在本研究中起着核心作用。我们介绍的Koopman生成器的预解式,我们称之为Koopman预解式,并提供其三种类型的非线性动力学的谱表征:遍历演化的吸引子,收敛到一个稳定的平衡点,收敛到一个(准)稳定极限环。这表明库普曼预解式提供了这种非线性自治动力学的拉普拉斯域表示。一个计算方面的拉普拉斯域表示也讨论了非平稳库普曼模式的重点。
2021-05-06 cs.SY eess.SY math.DS
Invariant Consistent Dynamic Mode Decomposition
本研究对动态模式分解(DMD)进行扩展,通过加入可观测量函数关系、沿几何不变量一致性两类线性约束,既为理解多种DMD变体提供框架,又能估计特征值为1的Koopman特征函数以刻画不变集,且计算成本增加极小。
2023-12-13 math.DS math.OC physics.data-an
Multiplicative Dynamic Mode Decomposition
Department of Mathematics, Imperial College London(帝国理工学院数学系);Department of Applied Mathematics and Theoretical Physics, University of Cambridge(剑桥大学应用数学与理论物理系)
本文提出乘性动态模式分解(MultDMD),通过强制保持 Koopman 算子的乘性结构来指导可观测量选择并求解约束优化问题,从而更准确地反映谱性质,并在多个非线性系统中展现出强噪声鲁棒性。
2025-06-05 cs.LG cs.NA math.DS
Intrinsic and Extrinsic Approximation of Koopman Operators over Manifolds
本文在完全度量空间$(X,d_X)$上导出了与离散的、确定的、连续的半流有关的Koopman算子的某些逼近的收敛速度。近似构造的再生核基地,集中在沿系统轨迹的样本。证明了当样本在某种类型的光滑流形$M\subseteq X$中稠密时,导出的收敛速度依赖于样本沿该流形中轨迹的填充距离。本文导出了Koopman算子的基于投影和依赖于数据的近似的误差界。讨论如何实现这些界限的内在和外在的近似方法。最后给出了一个数值例子,定性地说明了文中所导出的收敛保证。
2020-04-11 cs.NA cs.SY eess.SY
Control of Oscillatory Temperature Field in a Building via Damping Assignment to Nonlinear Koopman Mode
本文将建筑物空调系统的控制问题视为非线性分布参数系统的控制问题。具体来说,我们考虑的控制器的设计,用于抑制在室内温度场的振荡响应。本文的主要思想是应用Koopman算子的涌现理论和非线性系统的Koopman模态分解,以完全数据驱动的方式给出一种非线性Koopman模态的阻尼分配技术。它的有效性进行检查的数值模拟的实际房间空间的测量指导。
2022-07-07 cs.SY eess.SY math.DS
The mpEDMD Algorithm for Data-Driven Computations of Measure-Preserving Dynamical Systems
University of Cambridge(剑桥大学)
Koopman算子使非线性动力系统全局线性化,其谱信息是分析和分解非线性动力系统的有力工具。然而,Koopman算子是无限维的,计算它们的谱信息是一个相当大的挑战。本文介绍了保测扩展动态模式分解($\texttt{mpEDMD}$),它是第一种截断方法,其特征分解收敛于一般保测动力系统的Koopman算子的谱量。$\texttt{mpEDMD}$是一种基于正交Procrustes问题的数据驱动算法,该算法使用可观测量的通用字典强制执行Koopman算子的测量保持截断。它灵活且易于与任何预先存在的DMD类型方法以及不同类型的数据一起使用。我们证明了收敛的$\texttt{mpEDMD}$的投影值和标量值的谱测度,频谱和Koopman模式分解。对于延迟嵌入(Krylov子空间)的情况下,我们的结果包括第一收敛速度的近似谱测度的字典的大小增加。我们证明了$\texttt{mpEDMD}$在一系列具有挑战性的例子,其增加的鲁棒性噪声相比,其他DMD型的方法,它能够捕捉能量守恒和级联的实验测量的湍流边界层流动的雷诺数$> 6\times 10^4$和状态空间维度$>10^5$。
2022-09-06 cs.LG cs.NA math.DS
Koopman-based Estimation of Lyapunov Functions: Theory on a Reproducing Kernel Hilbert Space
North Carolina State University(北卡罗来纳州立大学)
本文提出在再生核希尔伯特空间上基于Koopman算子估计Lyapunov函数的方法,通过算子代数Lyapunov方程构建稳定性分析理论,并利用核扩展动态模式分解验证误差界。
2026-03-02 cs.SY eess.SY math.OC
Data-driven Spatio-temporal Prediction of High-dimensional Geophysical Turbulence using Koopman Operator Approximation
我们展示了一个数据驱动的低维线性模型在预测湍流瑞利-贝纳德对流时空演化中的技巧。该模型是基于动态模式分解与延迟嵌入,它提供了一个数据驱动的有限维近似系统的Koopman算子。该模型使用直接数值模拟的矢量值观测量构建,可以提供准确的预测。类似的高预测技能的Kuramoto-Sivashinsky方程在强混沌制度。
2019-03-02 math.DS math.OC nlin.CD
Trustworthy Koopman Operator Learning: Invariance Diagnostics and Error Bounds
Centre for Mathematical Sciences, University of Cambridge, UK(剑桥大学数学科学中心,英国);Department of Mathematics, Imperial College London, UK(伦敦帝国理工学院数学系,英国);Department of Mechanical Engineering, University of Washington, USA(美国华盛顿大学机械工程系)
本文提出了一种统一的后验方法,用于验证Koopman近似的可信度并改进其性能,通过主角度分解和多步误差界,提供可靠的谱分析和预测保障。
2026-03-16 cs.LG cs.NA math.DS
Auxiliary Functions as Koopman Observables: Data-Driven Analysis of Dynamical Systems via Polynomial Optimization
Concordia University(康考迪亚大学);Friedrich–Alexander–Universität Erlangen–Nürnberg(埃尔朗根-纽伦堡大学)
我们提出了一个灵活的数据驱动的方法,动力系统分析,不需要明确的模型发现。该方法是植根于完善的技术近似的Koopman运营商的数据,并实施为一个半定的程序,可以数值求解。此外,该方法不知道数据是通过确定性过程还是随机过程生成的,因此其实现不需要用户预先调整以适应这些不同的场景。严格的收敛结果证明了该方法的适用性,同时也扩展和统一了文献中的类似结果。发现李雅普诺夫函数,遍历优化,并确定性和随机动力学的吸引子上的边界极值的例子证明了这些收敛结果,并证明了该方法的性能。
2023-10-16 cs.LG math.DS math.OC
Data-Enabled Predictive Control for Nonlinear Systems Based on a Koopman Bilinear Realization
本文通过Koopman双线性实现将Willems基本引理推广至非线性控制仿射系统,绕过EDMD系统辨识步骤,提出直接基于数据的DeePC框架,在最优性和对有限Koopman逼近误差的鲁棒性上优于现有方法。
2025-05-06 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
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
Kernel-based Koopman approximants for control: Flexible sampling, error analysis, and stability
Faculty of Mathematics, Chemnitz University of Technology(化学nitz工业大学数学学院)
本文提出一种基于核的kEDMD新方案近似非线性控制系统,通过正则化与微宏网格实现灵活采样,并证明误差界与平衡点距离成比例,进而建立数据驱动与原始系统间渐近稳定性的等价关系。
2025-10-17 cs.SY eess.SY math.OC
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
A Class of Logistic Functions for Approximating State-Inclusive Koopman Operators
Brigham Young University(杨百翰大学);Pacific Northwest National Laboratories(太平洋西北国家实验室)
非线性系统理论中的一个突出挑战是直接从数据或模型中识别或学习给定非线性系统的Koopman算子。扩展的动态模式分解方法和机器学习方法的进步已经使得连续和离散时间系统的Koopman算子的数据驱动发现成为可能。由于Koopman算子通常是无限维的,因此在实践中使用有限维系统来近似它们。有限维Koopman近似的保真度和收敛性是一个正在进行的研究课题。在本文中,我们引入了一类Koopman可观测函数,赋予其相应的有限维近似的Koopman算子的近似封闭性。我们推导出这类可观测函数的保真度的误差界,以及确定两个关键的学习参数,可用于调整性能。我们说明了我们的方法上的两个经典的非线性系统模型:范德波尔振荡器和双曲肘开关。
2017-12-08 cs.AI cs.LG math.OC
Learning Spatio-Temporal Dynamics via Operator-Valued RKHS and Kernel Koopman Methods
Department of Mathematics and Statistics, University of Calgary(数学与统计学系,卡尔加里大学)
该研究提出结合算子值再生核希尔伯特空间(OV-RKHS)与核Koopman算子方法的统一框架,实现复杂时空动力学的非参数化数据驱动估计,支持高维非线性系统降阶建模与长期预测。
2025-08-23 cs.LG math.DS math.OC
Extending dynamic mode decomposition to data from multiple outputs
基于Koopman算子理论的系统辨识近年来得到了广泛的应用。证明了系统的Koopman算子的谱性质与系统的不变集、稳定性、周期性等性质有关。这些光谱对象的估计已成为广泛访问与近年来开发的众多算法。我们展示了如何一个这样的算法-扩展的动态模式分解-可以用于从一个系统的多个输出的数据。这些输出是状态的函数,在文献中称为可观量,可以是已知的输出,如状态本身,也可以是未知的输出,如来自生物系统中使用的传感器的数据。为此,我们近似所需的观测量和迭代的时间使用正则化最小二乘问题,具有分析解的启发式规定的预期估计的最小值。
2021-10-25 cs.SY eess.SY math.DS
Mean Field Control by Stochastic Koopman Operator via a Spectral Method
本文利用随机Koopman算子的谱方法,为平均场控制问题构建数据驱动的线性模型,并开发模型预测控制框架,以降低计算复杂度并提升控制稳健性。
2024-11-09 math.OC
Reprojection methods for Koopman-based modelling and prediction
针对eDMD近似中流形不变性丧失的问题,提出尊重流形结构的一致重投影框架及基于最大似然的几何重投影器,显著提升预测精度并保留误差界限。
2023-07-30 cs.SY eess.SY math.DS
Kernel EDMD for data-driven nonlinear Koopman MPC with stability guarantees
提出将面向控制系统的核 EDMD 用于数据驱动非线性 Koopman MPC,借助与状态成比例的逐点误差界,在无需终端稳定条件或不变性条件下证明闭环实用渐近稳定性并仿真验证。
2025-03-14 math.OC
Data-driven identification of vehicle dynamics using Koopman operator
本文介绍了使用Koopman算子的车辆动力学识别的结果。基本思想是使用所谓的基函数将非线性系统(在我们的例子中是汽车)的状态空间转换到高维空间,其中系统动态是线性的。基函数的选取是一个关键问题,如何选取基函数目前还没有一个通用的方法,本文对此进行了讨论。两种不同的方法来选择基函数。第一种方法,基于扩展动态模式分解,在很大程度上依赖于专家基的选择,是完全数据驱动的。第二种方法利用非线性动力学的知识,这是用来构造Koopman算子的特征函数,这些特征函数是已知的,通过定义沿着非线性系统轨迹线性地演化。然后,本征函数被用作预测的基函数。每种方法都给出了一个数值例子,并讨论了该方法对非线性系统的可行性。
2019-03-14 math.OC
On Koopman-based surrogate models for non-holonomic robots
Technische Universität Ilmenau(伊尔梅瑙工业大学);University of Stuttgart(斯图加特大学)
基于扩展动态模式分解的数据驱动的动态系统代理模型是一种成熟的、广泛应用的模型。此外,对于非完整系统的状态和控制之间的乘法耦合,双线性代理模型的使用已被证明是有益的。然而,基于模拟和实验数据的近似质量及其对不同超参数的依赖性的深入分析仍然缺失。我们调查的差分驱动移动机器人,以缩小这一差距,并提供第一个指导方针的数据高效的代理模型的系统设计。
2023-03-16 cs.RO math.OC
Data-Driven optimal control via Koopman operators and Hamilton-Jacobi-Bellman equations
School of Data Sciences, Zhejiang University of Finance and Economics(浙江财经大学数据科学学院);School of Mathematics, Harbin Institute of Technology(哈尔滨工业大学数学学院)
本文提出数据驱动稳定流形(DD-SM)方法,结合Koopman算子与HJB方程,从原始轨迹数据实现最优反馈控制,经改进范德波尔振子实验验证有效,可1毫秒内输出控制信号。
2026-08-13 math.OC
Pulse-Based Control Using Koopman Operator Under Parametric Uncertainty
University of Oxford(牛津大学);University of Liège(列日大学)
本文提出一种基于脉冲的控制策略,用于解决单调系统在参数不确定性下的收敛问题,提供最坏情况下的收敛时间估计,并扩展到非单调系统及其他控制问题。
2017-08-01 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