On Convergence of Extended Dynamic Mode Decomposition to the Koopman Operator
扩展动态模式分解(EDMD)是一种通过在状态空间中的$M$点处采样来近似Koopman算子对观测量空间的$N$维子空间的作用的算法。假设样本是从某个测度$μ$独立地或遍历地抽取的,证明了在极限为$M\rightarrow\infty$时,EDMD算子$\mathcal{K}_{N,M}$收敛到$\mathcal{K}_N$,其中$\mathcal{K}_N$是Koopman算子作用在有限维观测量子空间上的$L_2(μ)$ -正交投影.在这项工作中,我们证明了,作为$N \rightarrow \infty$,操作$\mathcal{K}_N$在强算子拓扑收敛到Koopman操作。这特别意味着在任何有限时间范围内给定可观测值的未来值的预测的收敛,这对于诸如预测、估计和控制的实际应用是重要的。此外,我们证明了$\mathcal{K}_N$的谱的聚点对应于Koopman算子的本征值,并且当本征函数的弱极限不为零时,其本征函数弱收敛于Koopman算子的本征函数.作为一个副产品,我们提出了一个分析版本的EDMD算法,在某些假设下,允许一个直接构建$\mathcal{K}_N$,而不使用采样。最后,在额外的假设下,我们分析了$\mathcal{K}_{N,N}$的收敛性(即,$M=N$),证明收敛,沿子序列,弱本征函数(或本征分布)有关的特征测度的Perron-Frobenius算子。没有假…
2017-10-20 math.DS math.OC math.SP
Data-Driven Nonlinear Stabilization Using Koopman Operator
提出了Koopman算子理论在非线性控制系统稳定反馈控制器设计中的应用。所提出的方法是数据驱动的,并依赖于使用从控制动力系统的提升的非线性系统在Koopman特征函数坐标产生的时间序列数据。特别是,一个有限维的双线性表示的控制仿射非线性动力系统构造在Koopman特征函数坐标使用时间序列数据。样本复杂性结果用于确定所需的数据,以达到所需的精度水平的近似双线性表示的非线性系统在Koopman特征函数坐标。提出了一种基于控制李雅普诺夫函数的镇定反馈控制器设计方法,并利用逆最优性原理对所设计的双线性系统的镇定反馈控制器的最优性进行了评价。提出了一种基于系统凸优化的控制李雅普诺夫函数搜索方法.几个数值例子来证明所提出的数据驱动的稳定化方法的应用。
2019-01-19 math.OC
Rigged Dynamic Mode Decomposition: Data-Driven Generalized Eigenfunction Decompositions for Koopman Operators
University of Cambridge(剑桥大学);University of Birmingham(伯明翰大学);Massachusetts Institute of Technology(麻省理工学院)
提出数据驱动的 Rigged DMD,通过预解式、波包逼近和时间延迟装备 Hilbert 空间实现 Koopman 算子离散与连续谱的广义特征函数分解,并证明高阶收敛。
2024-12-02 cs.LG cs.NA math.DS
Spectral Koopman-Hopf Formula for Reachability with Adversary
Clemson University(克莱姆森大学)
本文提出谱Koopman-Hopf框架,通过Koopman特征函数坐标将HJI方程转化为状态无关优化问题,利用谱投影和上下界近似,计算非线性对抗系统的向后可达集。
2026-09-09 cs.SY eess.SY 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
The Effect of Sensor Fusion on Data-Driven Learning of Koopman Operators
用于系统辨识的字典方法通常依赖于一组测量来学习系统的支配动态。在本文中,我们研究如何融合输出测量与状态测量影响库普曼算子学习问题的字典选择过程。虽然以前的方法使用动态共轭显示在两个不同的数据空间(测量通道)的库普曼本征函数之间的直接联系,我们探讨的具体情况下,输出测量是非线性的,不可逆的系统状态的函数。这种设置反映了许多种类的物理系统的测量约束,例如,生物测量数据,其中一种类型的测量不直接转换为另一种。我们提出了输出约束Koopman算子(OC-KOs)作为一个新的框架来融合两个测量集。我们表明,OC-KO是有效的传感器融合证明,当学习一个Koopman算子,输出测量函数用于约束空间的潜在Koopman可观的和他们的特征函数。此外,可以嵌入低维输出测量,以通知高维模型的Koopman字典函数的选择。我们提出了两种算法,以确定直接从数据的OC-KO表示:直接最优化方法,同时使用状态和输出数据和顺序最优化方法。证明了两个最优化问题的解空间是等价的。我们用一个理论例子和两个数值模拟来说明这些发现。
2021-06-29 cs.SY eess.SY math.DS
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
Koopman Operator Theory for Nonlinear Dynamic Modeling using Dynamic Mode Decomposition
Koopman算子是描述标量可观测量(即,状态的测量函数)在无限维希尔伯特空间中。这种算子理论的观点将有限维非线性系统的动力学提升到无限维函数空间,在那里原系统的演化变成线性的。在本文中,我们提供了一个简短的总结Koopman算子定理的非线性动力学建模,并专注于分析几个数据驱动的实现,使用动态模式分解(DMD)的自治和控制的规范问题。我们应用扩展的动态模式分解(EDMD),以确定领先的Koopman本征函数和近似的有限维表示所发现的线性动力学。这使我们能够对非线性系统应用线性控制方法,而无需在不动点附近进行线性化近似。然后,我们可以检查使用的线性控制器的基础上的Koopman算子近似系统的欠驱动系统的基本机动的保真度。我们通过对两个经典动力系统的数值模拟证明了这一理论的有效性,并展示了DMD方法对Koopman算子的评估和逼近及其在线性化这些系统时的有效性。
2021-10-16 cs.RO math.DS math.OC
The Koopmanization of controlled nonlinear Itô stochastic differential systems and its comparison with the Carleman embedding: new results
本文提出受控非线性Itô随机微分系统的Koopman算子滤波框架,基于本征函数构造、无穷小随机Koopman算子作用等实现双线性化滤波,并在多项式系统上与Carleman嵌入滤波对比。
2025-05-20 math.OC math.PR
Discovering conservation laws from data for control
University of Washington(华盛顿大学)
本文提出了一种数据驱动的方法,基于Koopman理论,从数据中发现守恒量,通过回归和幂级数展开识别守恒量,并利用这些内在坐标开发模型预测控制器来跟踪给定的参考值。
2018-11-02 cs.LG cs.SY eess.SY
Koopman Representations for Non-Vanishing Time Intervals: An Optimization Approach and Sampling Effects
University of Illinois(伊利诺伊大学)
本文提出通过优化方法学习Koopman特征函数,分析了采样模式对aliasing的影响,并展示了不规则采样在恢复真实Koopman谱中的作用。
2026-04-13 cs.SY eess.SY math.OC
Feedback Stabilization Using Koopman Operator
在本文中,我们提供了一个系统的方法设计的稳定反馈控制器的非线性控制系统使用Koopman算子的框架。Koopman算子方法为非线性动力系统提供线性表示,为非线性控制系统提供双线性表示。然后将非线性控制系统的反馈镇定问题转化为双线性控制系统的镇定问题。提出了一种基于控制李雅普诺夫函数(CLF)的双线性系统稳定反馈控制器的设计方法。寻找CLF的双线性控制系统制定为一个凸优化问题。这导致了一个示意性的双线性系统,因此,原来的非线性系统设计CLF为基础的稳定反馈控制器的程序。本文提出的控制器设计方法的另一个优点是,它不需要明确的系统动力学知识。特别地,非线性控制系统在Koopman特征函数空间中的双线性表示可以从时间序列数据获得。仿真结果验证了稳定反馈控制器的设计和数据驱动方面所提出的方法的主要结果。
2018-09-28 math.OC
A Gradient-Based Optimization Method Using the Koopman Operator
本文提出一种基于Koopman算子的梯度优化方法,将优化问题转化为动力系统并用ASK方法求解,实验表明其梯度范数更小、找到临界点成功率更高。
2023-12-22 math.OC
Analyzing high-dimensional time-series data using kernel transfer operator eigenfunctions
Freie Universität Berlin(柏林自由大学);Paderborn University(帕德博恩大学)
核转移算子,可以被视为再生核希尔伯特空间中的Perron-Frobenius或Koopman算子等转移算子的近似,根据协方差和互协方差算子定义,并且已被证明与机器学习社区开发的条件均值嵌入框架密切相关。本文的目标是展示如何结合基于梯度的优化技术,这些运营商的主导特征函数可以用来检测长寿命的相干模式在高维时间序列数据。将使用视频数据和流体流动示例来说明结果。
2018-05-16 cs.LG math.OC stat.ML
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-driven Koopman mode approximation: A neural power iteration algorithm
ICTEAM, UCLouvain(比利时鲁汶大学ICTEAM学院)
本文提出一种神经幂迭代算法,以数据驱动方式用神经网络近似非线性动力系统Koopman算子的主导模态,可避免传统技术的局限,实现精确平滑的模态近似。
2026-09-22 cs.LG cs.SY eess.SY
Shaping Pulses to Control Bistable Monotone Systems Using Koopman Operator
University of Liège(列日大学);University of Luxembourg(卢森堡大学)
本文提出利用Koopman算子的特征函数设计脉冲,以控制双稳系统在稳态间切换,通过分析开关函数的等高线确定驱动脉冲和估计时间,适用于生物应用。
2016-05-20 cs.SY eess.SY math.DS
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
Data-to-Certificates (D2C): Koopman Supereigenfunctions for Stability, Safety, and Control
Clemson University(克莱姆森大学)
本文提出数据到证书(D2C)范式,直接学习Koopman超特征函数作为不等式证书,用于稳定性、安全性和控制,并通过几何与预解式方法实现数据驱动认证。
2026-10-02 cs.SY eess.SY math.OC
Interpreting Reinforcement Learning Model Behavior via Koopman with Control
Johns Hopkins University(约翰斯·霍普金斯大学);AIMdyn Inc.(AIMdyn公司)
本文通过Koopman与控制框架分析强化学习模型行为,发现其稳定性与可控性随训练变化,揭示了隐藏的进展度量。
2026-03-20 math.OC
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
Geometric Properties of Isostables and Basins of Attraction of Monotone Systems
University of Oxford(牛津大学);University of Namur(南纳穆尔大学)
本文研究单调系统吸引盆地的几何特性,结合单调系统理论与谱算子理论,利用Koopman算子框架分析系统时间特性,证明主导特征函数随变量递增,简化等势面计算,并探讨参数不确定性下吸引盆地变化的界限及多稳态参数集性质。
2017-05-08 cs.SY eess.SY math.DS
Operator-Based Detecting, Learning, and Stabilizing Unstable Periodic Orbits of Chaotic Attractors
University of Virginia(弗吉尼亚大学)
本文提出基于算子理论的数据驱动方法,通过核积分算子检测不稳定周期轨道(UPOs),利用 Koopman operator 识别动力学行为,并扩展为可解释的机器学习框架以稳定混沌吸引子,在 Lorenz attractor 上验证了有效性。
2023-09-07 cs.LG math.DS math.OC