Modularized data-driven approximation of the Koopman operator and generator
提出一种针对互联系统的模块化EDMD方案,利用Koopman生成子结构单独学习子系统动态以缓解维度灾难,支持迁移学习与拓扑变化适应,并提供有限数据误差界限。
2024-08-22 cs.SY eess.SY math.DS
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
Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study
RWTH Aachen University(亚琛工业大学)
本文基于Koopman理论提出结合延迟坐标编码与全状态解码的数据驱动非线性模型降阶方法,通过深度学习训练模型,实现对高纯度低温精馏塔的实时非线性模型预测控制。
2024-01-09 cs.LG cs.SY eess.SY
Improvement of system identification of stochastic systems via Koopman generator and locally weighted expectation
针对gEDMD在随机微分方程中受噪声影响的问题,提出结合聚类与局部加权期望的改进方法,并在状态依赖噪声的双阱势系统上验证了其有效性。
2024-06-27 math.DS physics.data-an
Koopman-based Control for Stochastic Systems: Application to Enhanced Sampling
本文提出一种数据驱动方法,利用Koopman生成元对控制仿射随机系统进行预测与最优控制,并提供了确定最优控制策略以加速亚稳态随机系统中稀有事件模拟的原理验证。
2024-10-12 math.DS math.OC physics.comp-ph
Data-driven approximation of Koopman operators and generators: Convergence rates and error bounds
University of Edinburgh(爱丁堡大学);Lancaster University(兰卡斯特大学);University of Salamanca(萨拉曼卡大学);University of Manchester(曼彻斯特大学);Heriot–Watt University(赫瑞-瓦特大学)
提出基于蒙特卡洛采样的统一框架来逼近Koopman等无穷维算子,包含EDMD和gEDMD作为特例,证明了在宽松条件下的收敛性及收敛速率,并分析了噪声影响。
2026-06-26 cs.NA math.DS math.NA
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
Extraction and Prediction of Coherent Patterns in Incompressible Flows through Space-Time Koopman Analysis
我们开发的方法来检测和预测的相干时空图案的演变,在不可压缩的时间依赖的流体流动驱动的各态历经动力系统。我们的方法是基于表示的Koopman和Perron-弗罗贝尼乌斯群的运营商管理的可观的发展和概率测度的拉格朗日示踪剂,分别在一个光滑的规范正交基从速度场快照通过扩散映射算法学习。这些运营商被定义在产品空间之间的状态空间的流体流动和空间域中的流动发生,因此,他们的本征函数对应于全球时空相干模式下的斜积动力系统。此外,使用这种数据驱动的表示的发电机结合Leja插值矩阵求幂,我们构建无模型预测方案的演变的示踪剂上定义的观测值和概率密度。我们目前的应用程序的周期性高斯涡流和非周期性流动所产生的洛伦兹96系统。
2017-06-20 math.DS
Consistent spectral approximation of Koopman operators using resolvent compactification
本文提出通过生成元预解式紧化对保测连续时间系统的库普曼算子进行谱精确逼近,并发展出基于轨迹数据和核特征函数字典的数据驱动方案,在环面和 Lorenz 63 系统上验证了其有效性。
2024-05-06 math.DS
Koopman Generator Decomposition for Port-Hamiltonian Systems
University of Pennsylvania(宾夕法尼亚大学)
研究非线性端口哈密顿系统的向量场结构在无穷小Koopman生成子中的体现,提出一种自然括号分解,并利用该分解构建保结构的弱Galerkin和数据驱动提升模型。
2026-11-05 cs.SY eess.SY math.DS
A Data-Driven Framework for Koopman Semigroup Estimation in Stochastic Dynamical Systems
本文提出随机动态模式分解(SDMD)框架,通过直接逼近Koopman半群并显式纳入采样时间,结合神经网络自动选择基函数,在理论保证下高效、稳定地分析随机动力系统。
2025-08-19 math.DS
Coordinate-wise splitting algorithms for ODE simulation via Koopman-Lie product formulas
Louisiana State University(路易斯安那州立大学);National Technical University of Athens(雅典国立技术大学)
提出一种结合经典Koopman-Lie乘积公式与坐标冻结子流的常微分方程数值模拟框架,通过坐标分解将向量场转化为一维子问题求解,并在Lotka-Volterra、Van der Pol和Lorenz系统上验证了算法性能。
2026-06-01 cs.NA math.DS math.NA
Data-driven spectral decomposition and forecasting of ergodic dynamical systems
我们开发了一个框架降维,模式分解,和遍历动力系统产生的数据的非参数预测。这个框架是基于一个表示的Koopman和Perron-弗罗贝尼乌斯群的酉算子在一个光滑的规范正交基的L2空间的动力系统,获得从时间顺序的数据通过扩散映射算法。使用这种表示,我们计算Koopman本征函数通过正则化的平流-扩散算子,并采用这些本征函数的降维映射与投影动力学和高光滑度给定的观测模态。在纯点谱系统中,我们构造了一个分解的Koopman组的生成器到相互交换的向量场,自然地转换下的观察模态的变化,我们重建在数据空间中通过表示的前推映射的Koopman特征函数的基础。我们还建立了Koopman运营商和Laplace-Beltrami运营商之间的对应关系,从Takens延迟坐标空间中的数据构建,并使用这种对应关系提供了这类系统的扩散映射延迟坐标的解释。此外,我们利用Koopman本征函数基础的一个特殊性质,即基础元素演化为简谐振子,建立概率密度和观测值的非参数预测模型。在更复杂的光谱行为的系统,包括混合系统,我们开发了一种方法的灵感来自动力系统中的时变,将发电机转换为一个新的运营商具有潜在的改善频谱特性,并使用该运营商的向量场分解和非参数预测。
2017-09-01 math.DS physics.data-an
Dynamic Mode Decomposition for Continuous Time Systems with the Liouville Operator
动态模式分解(DMD)已经成为与Koopman算子的同义词,其中连续时间动态通过使用Koopman(即合成)算子由固定时间步长确定的离散时间代理来检查。使用新引入的“占领内核”,本手稿开发了一种方法DMD治疗连续时间动态直接通过刘维算子,其中可以包括库普曼发电机。本文概述了离散时间系统的Koopman基DMD和连续时间系统的Liouville基DMD之间的技术和理论差异,其中包括在几个再生核希尔伯特空间(RKHS)上对这些算子的检验。虽然刘维尔算子是模态无界的,本文介绍了缩放刘维尔算子的概念,这对许多动力系统产生一个紧算子的指数点积内核的原生空间。因此,规范收敛的DMD程序时,使用缩放Liouville运营商,这是一个决定性的优势,基于Koopman的DMD方法。
2021-05-28 math.DS
Resolvent-Type Data-Driven Learning of Generators for Unknown Continuous-Time Dynamical Systems
Coordinated Science Laboratory, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校协同科学实验室)
本文提出一种预解型数据驱动方法学习未知连续时间动力系统的生成子,避免了估计时间导数和算子对数的限制,放宽了观测频率要求,并在系统辨识和构造 Lyapunov 函数中验证了其有效性。
2025-11-02 math.DS
Learning Koopman-based Stability Certificates for Unknown Nonlinear Systems
University of Waterloo(滑铁卢大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Huazhong University of Science and Technology(华中科技大学)
针对低观测频率下学习连续时间非线性系统难以提供稳定性保证的问题,提出基于Koopman生成器与物理信息神经网络同时学习向量场和Lyapunov函数的框架,经SMT求解器验证可提供保守性更低的吸引域估计。
2025-04-02 cs.LG cs.SY eess.SY
Resolvent-Based Singular-Value Diagnostics for Data-Driven Koopman Finite Sections
Graduate School of Science, Kyoto University(京都大学理学研究科);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
本文提出通过构造伪余子算子来抑制Koopman算子谱分析中的谱污染,提升谱成分解析能力。
2026-08-04 math.DS nlin.CD
Data-driven discovery of Koopman eigenfunctions for control
在线性框架中重新表述非线性系统的数据驱动转换具有使用线性系理论来实现强非线性动态的预测、估计和控制的潜力。Koopman算子已经成为非线性动力学的原则性线性嵌入,其特征函数建立了动力学线性行为的内在坐标。以前的研究已经使用有限维近似的Koopman算子模型预测控制方法。在这项工作中,我们说明了这种方法的基本封闭问题,并认为这是有益的,首先验证本征函数,然后在这些验证的本征函数构建降阶模型。这些坐标通过设计形成Koopman-不变子空间,并且因此具有改进的预测能力。然后,我们将展示如何控制可以直接在这些内在坐标中制定,并讨论这种观点的潜在好处和警告。由此产生的控制架构被称为Koopman降阶非线性识别和控制(KRONIC)。它表明,这些特征函数可以近似与数据驱动的回归和幂级数展开,基于偏微分方程管理的Koopman算子的无穷小生成器。验证发现的本征函数是至关重要的,我们表明,轻阻尼本征函数可以忠实地提取EDMD或隐式配方。这些轻阻尼本征函数与控制特别相关,因为它们对应于与持久动力学相关的几乎守恒的量,例如哈密顿量。KRONIC然后证明了一些相关的例子,包括1)一个非线性系统与已知的线性嵌入,2)各种哈密顿系统,和3)一个高维双环流模式的海洋混合。
2021-02-10 math.DS math.OC
SPIKE: Sparse Koopman Regularization for Physics-Informed Neural Networks
SPIKE通过连续时间Koopman算子正则化PINNs,学习稀疏动力学表示,提升时间外推、空间泛化和长期预测精度。
2026-01-16 cs.AI cs.CE cs.LG
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
tgEDMD: Approximation of the Kolmogorov Operator in Tensor Train Format
从仿真数据中提取动力系统的信息已成为自然科学和工程科学中日益重要的研究课题。Koopman算子半群的建模在这方面发挥了核心作用。由于任何此类模型的近似质量都严重依赖于基集,因此最近的工作集中在以低秩张量格式导出Koopman算子的数据有效表示,从而能够使用强大的模型类,同时避免过度拟合。另一方面,关于系统的详细信息可以从无穷小生成元的模型中提取,也称为随机微分方程的Kolmogorov向后算子。在这项工作中,我们提出了一个数据驱动的方法,有效地近似使用张量训练(TT)格式的生成器。该方法的核心是在所有数据站点的生成器评估的张量的TT表示。我们分析的方法的一致性和复杂性,目前的扩展实际相关的设置,并证明其适用性基准数值例子。
2022-03-21 math.DS math.PR physics.comp-ph
Koopman Observers for Diffusion Acceleration: Correcting Feature Forecasts with Shallow Measurements
ETH Zurich(苏黎世联邦理工学院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Kyoto University(京都大学);MIT(麻省理工学院)
本文提出观测修正的Koopman框架,利用浅层特征修正深层特征预测,加速扩散采样,在CIFAR-10和ImageNet子集上降低特征MSE并实现近两倍加速。
2026-10-08 cs.LG math.DS stat.ML
Linearly-Recurrent Autoencoder Networks for Learning Dynamics
Mechanical and Aerospace Engineering, Princeton University(普林斯顿大学机械与航空航天工程系(注:此处按要求提取到大学级别,故保留系名与大学名));Princeton University(普林斯顿大学)
本文描述了一种学习非线性动力系统的低维近似的方法,基于神经网络近似的基本Koopman算子。扩展动态模式分解(EDMD)为分析动力系统提供了一种有用的数据驱动的Koopman算子近似。本文讨论了一个基本问题与EDMD:之间的权衡表示能力的字典和过度拟合由于数据不足。一种新的神经网络结构结合了自编码器与线性递归动态的编码状态,用于学习低维和高信息量的Koopman-不变子空间的可观测量。本文还提出了一种在特征空间中对过指定EDMD系统进行平衡模型降阶的方法。使用部分线性多核回归的非线性重建旨在当数据具有复杂但内在低维结构时从低维状态提高重建精度。该技术证明了识别非强迫Duffing方程的Koopman本征函数的能力,创建准确的低维模型的不稳定的圆柱体尾流,并作出短期预测的混沌Kuramoto-Sivashinsky方程。
2019-01-15 cs.LG math.DS stat.ML
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
Delay-coordinate maps, coherence, and approximate spectra of evolution operators
利用核积分算子技术研究了保测遍历动力系统相干观测量的数据驱动辨识问题。提出了一种方法,即复值观测与近似周期性行为的构造从一对本征函数的积分算子从延迟坐标映射的数据。结果表明,这些可观的$ε$ -近似的Koopman系统的演化算子的本征函数,与限制$ε$控制的延迟嵌入窗口的长度,演化时间,和适当的谱隙参数。特别地,$ ε$可以随着嵌入窗口的增加而任意小,只要相应的本征值在积分算子的谱中保持充分隔离。它还表明,这种观测量的时间自相关函数是$ε$ -近似Koopman特征值,表现出一个定义良好的特征振荡频率(估计使用Koopman发电机)和缓慢衰减的调制包络。这些结果适用于任意谱特征的保测遍历动力系统,包括具有连续谱和$L^2$中没有非常数Koopman本征函数的混合系统.数值例子揭示了一个相干的观测的Lorenz 63系统的自相关函数保持在0.5以上的模超过约10李雅普诺夫时间尺度。
2020-10-27 math.DS nlin.CD physics.data-an
Kinetically Consistent Coarse Graining using Kernel-based Extended Dynamic Mode Decomposition
本研究提出基于gEDMD核基Koopman生成元模型的粗粒化动力学识别方法,结合有效自由能学习方法构建完整有效动力学模型,经测试可稳健恢复系统的动力学与热力学性质。
2025-03-25 math.DS physics.comp-ph
Modern Koopman Theory for Dynamical Systems
动力系统领域正在被现代计算和数据科学中出现的数学工具和算法所改变。第一原理推导和渐近约简正在让位于数据驱动的方法,这些方法在算子理论或概率框架中制定模型。Koopman谱理论在过去的十年中已经成为一个主导的观点,其中非线性动力学表示在一个无限维的线性算子的空间上的所有可能的测量功能的系统。这种非线性动力学的线性表示具有巨大的潜力,能够用为线性系开发的标准教科书方法来预测、估计和控制非线性系统。然而,获得有限维坐标系和嵌入的动力学似乎近似线性仍然是一个中心的开放的挑战。Koopman分析的成功主要归功于三个关键因素:1)存在将其与动力系统的经典几何方法联系起来的严格理论,2)该方法根据测量来制定,使其成为利用大数据和机器学习技术的理想选择,以及3)简单但功能强大的数值算法,例如动态模式分解(DMD),已经被开发和扩展,以减少库普曼理论在现实世界中的应用实践。在这篇综述中,我们提供了现代Koopman算子理论的概述,描述了最近的理论和算法的发展,并突出了这些方法的各种应用。我们还讨论了快速发展的机器学习领域的关键进展和挑战,这些进展和挑战可能会推动未来的发展,并显着改变动力系统的理论格局。
2021-10-29 cs.LG cs.SY eess.SY
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-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
Reproducing kernel Hilbert space compactification of unitary evolution groups
提出了一个用于原子谱和连续谱分量的保测度、遍历动力系统的相干模式提取和观测量预测的框架。它是基于再生核希尔伯特空间(RKHS)上的紧算子$W_τ$对系统的生成元的近似。一个关键的工具是,$W_τ$是斜伴随的,因此可以通过一个唯一的投影值的措施,离散的紧凑性,和相关的规范正交基的特征函数。这些本征函数可以根据RKHS上的狄利克雷能量进行排序,并提供了类似于与光谱原子部分相关的库普曼本征函数的动力学下相干可观测量的概念。此外,正则化生成器具有定义良好的Borel谓词演算,允许在RKHS上构造酉演化群$\{ e^{t W_τ} \}_{t\in\mathbb{R}}$,其近似于原始系统的酉Koopman演化群。在极限$τ\to 0^+$下,我们建立了正则化生成元的谱和Borel谓词演算到原系统的收敛结果。收敛结果也建立了一个数据驱动的配方,这些运营商近似使用有限秩运营商从观察到的时间序列。使用RKHS结构的一个优点是可以通过有界线性算子执行逐点求值和插值,这在$L^p$空间中是不可能的。这使得数据近似特征函数的样本外评估,以及数据驱动的预测初始化逐点初始数据(而不是$L^p$中的概率密度)。模式提取和预测框架数值应用于三个实例的遍历动力系统与原子和连续光谱。
2021-03-02 math.DS
Model reduction for nonlinearizable dynamics via delay-embedded spectral submanifolds
延迟嵌入是动力系统数据驱动的模型降阶法中的一种常用技术,包括动态模式分解(DMD)、Koopman分解的Hankel替代视图(HAVOK)、最近邻预测和谱子流形降阶(SSM)。在开发这些应用程序时,多位作者观察到延迟嵌入似乎将数据分离为模式,其方向仅取决于采样系统的频谱。在这项工作中,我们证明了延迟嵌入线性化系统在不动点的特征向量仅由相应的特征值确定,即使是多维观测值,使这一观测精确。这意味着延迟嵌入的不变流形的切空间可以使用特征值的估计来先验地预测。我们将我们的结果应用到三个数据集,以确定多模态SSM和分析其非线性模态相互作用。虽然SSM是我们研究的重点,这些结果推广到任何延迟嵌入的不变流形正切的一组特征向量在一个不动点。因此,我们希望这个理论可以应用到一些数据驱动的模型降阶法。
2023-01-11 math.DS
Participation Factor-Based Adaptive Model Reduction for Fast Power System Simulation
本文介绍了一种自适应方法,以减少非线性电力系统模型的快速和准确的暂态稳定仿真。提出了一种方法,分析和排名的参与因素的每个系统状态变量到主导系统模式所激发的干扰,以确定哪些区域或发电机可以减少,而不影响模拟的准确性为研究区域。在这种方法中,发电机模型位于外部区域与大的参与因素是非线性减少,其余的发电机将被线性化。仿真结果表明,利用参与因子评估发电机与系统模式之间的相互作用程度,可以有效提高电力系统模型的精度和速度。将该方法应用于东北电力协调委员会区域系统的48机,140节点的电力系统模型和结果进行了比较,包括完全线性化的模型减少和模型减少使用转子角度偏差的标准。
2022-03-09 cs.NA cs.SY eess.SY
Toeplitz Based Spectral Methods for Data-driven Dynamical Systems
Istituto Italiano di Tecnologia(意大利技术研究院);University of Novi Sad(诺维萨德大学);University College London(伦敦大学学院)
本文提出一种基于Toeplitz的谱方法,用于数据驱动动态系统中线性演化算子的谱估计,通过Toeplitz滤波器提取特征值和谱测度,并验证其在确定性和混沌系统中的有效性。
2026-02-10 cs.LG cs.NA math.DS