Koopman Operator Methods for Global Phase Space Exploration of Equivariant Dynamical Systems
本文发展了具有对称性的动力系统的Koopman算子理论。特别是,我们调查如何Koopman运营商和本征函数的基础动力系统的对称群的作用下的行为。此外,探索潜在的对称性,我们提出了一个算法来构建一个全球Koopman运营商从本地Koopman运营商。特别是,我们表明,通过利用对称性,从所有的不变集的数据是不需要构建的全球Koopman算子,也就是说,当地的知识系统是足以推断的全球动态。
2020-03-10 math.DS
The Koopman Expectation: An Operator Theoretic Method for Efficient Analysis and Optimization of Uncertain Hybrid Dynamical Systems
对于涉及决策的动力系统,系统的成功在很大程度上取决于其在不完全和不确定信息下做出良好决策的能力。通过利用Koopman算子及其伴随属性,我们引入了Koopman期望,这是一种计算通过动力系统传播的期望的有效方法。与文献中其他基于Koopman算子的方法不同,这是可能的,而无需Koopman算子的显式表示。此外,当考虑预期损失和约束时,利用库普曼期望实现的效率在不确定性下进行优化。我们展示了Koopman期望是如何适用于离散,连续和混合非线性系驱动的过程噪声与非高斯初始条件和参数不确定性。最后,我们展示了一个1700倍的加速计算概率量的混合动力系统在天真的蒙特卡罗方法与许多数量级的精度提高。
2020-08-20 math.DS math.OC math.PR
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 Operator Dynamical Models: Learning, Analysis and Control
Koopman算子允许通过(全局)线性表示来处理非线性系统。一般来说,算子是无限维的,需要有限的近似,没有总体框架。虽然有原则的方法来学习这种有限近似,他们在许多情况下被忽视的青睐,往往不适定和非结构化的方法。此外,库普曼算子理论与已知的系统理论和动力系统概念有着长期的联系,这些概念并没有得到普遍的认可。鉴于前者和后者的现实,这项工作的目的是弥合各种概念之间的差距,无论是理论和易于处理的实现。首先,我们回顾了Koopman算子动力学模型的数据驱动表示(非结构化和结构化),对各种现有方法进行了分类,并突出了它们的差异。此外,我们提供了简明的洞察范式的关系,系统理论的概念和分析的前景,使用范式建模控制系统。此外,我们概述了目前的挑战和评论未来的前景。
2021-12-22 cs.SY eess.SY math.DS
Koopman Operator Spectrum for Random Dynamical Systems
本文考虑离散和连续时间随机动力系统(RDS)中的Koopman算子。我们提供的结果,与不同类型的线性RDS的随机Koopman运营商的频谱和特征函数的特征。然后,我们考虑RDS的相关的Koopman算子族是一个半群,特别是那些可以确定的生成元。本文定义了一种随机HankelDMD(sHankel-DMD)算法,用于随机Koopman算子的谱对象(特征值、特征函数)的数值逼近,并证明了其收敛性.我们将该方法应用于各种示例,揭示了随机Koopman算子的谱扩展中的对象,并使模型简化。
2019-01-16 math.DS
Participation Factors for Nonlinear Autonomous Dynamical Systems in the Koopman Operator Framework
Osaka Prefecture University(大阪府大学);Kyoto University(京都大学);New Jersey Institute of Technology(新泽理工学院)
本文将参与因子概念从线性时不变系统推广到非线性动力系统,在Koopman算子框架下将其定义域扩展至整个吸引域,并提出基于动态模式分解的数值估计方法。
2024-09-16 cs.SY eess.SY math.DS
Decompositions of dynamical systems induced by the Koopman operator
对于一个拓扑动力系统,我们刻画了由相应Koopman算子的不动空间所诱导的状态空间的分解。为此,我们引入了一个广义轨道族,并得到了状态空间到绝对李雅普诺夫稳定集的最精细分解。类似于测度保持的情形,这得到系统是拓扑遍历的当且仅当它的库普曼算子的固定空间是一维的。
2019-07-09 math.DS math.FA
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
Towards a Koopman theory for dynamical systems on completely regular spaces
紧空间上保测系统或拓扑动力系统的Koopman线性化已被证明是非常有用的。在这篇文章中,我们看看动态连续半流完全正则空间自然产生的解决方案的偏微分方程。我们在有界连续函数空间上为这些半流引入了Koopman半群。作为第一步,我们研究它们的连续性以及它们的无穷小生成元。然后,我们表征他们代数(通过导子)和格理论(通过加藤的平等)。最后,我们演示-使用吸引子的例子-如何使用这种Koopman方法可以用来检查动力系统的属性。
2020-09-25 math.DS math.FA
Leveraging Neural Koopman Operators to Learn Continuous Representations of Dynamical Systems from Scarce Data
IMT Atlantique(大西洋国立高等工业技术与矿业学校);Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Grenoble INP(格勒诺布尔国立理工学院);Institut Universitaire de France(法兰西大学研究院);EPITA(法国计算机科学与技术高等学院)
在过去的几年里,有几项工作提出了深度学习架构,以从观察数据中学习动力系统,而不了解或了解很少的基础物理知识。一系列的工作依赖于学习表征,其中潜在现象的动态可以通过基于Koopman算子理论的线性算子来描述。然而,尽管能够提供可靠的长期预测的一些动态系统在理想的情况下,到目前为止提出的方法有局限性,如需要离散本质连续的动态系统,导致数据丢失,特别是当处理不完整或稀疏采样的数据。在这里,我们提出了一个新的深度Koopman框架,它以本质上连续的方式表示动态,从而在有限的训练数据上获得更好的性能,例如从动态系统中产生的几个数据集。
2023-03-13 cs.LG math.DS
The Distributional Koopman Operator for Random Dynamical Systems
本文引入分布Koopman算子(DKO),用于仅能获取聚合分布数据的随机动力系统的Koopman分析,无需粒子跟踪或轨迹数据,推广了SKO并证明DMD近似在大数据极限下收敛到DKO,适用于轨迹信息缺失的场景。
2025-04-15 math.DS
What can Koopmanism do for attractors in dynamical systems?
利用相应的Koopman半群的渐近性质刻画了紧空间$K$上半流的长期行为.特别地,我们比较了不同的吸引子概念,如渐近稳定吸引子,Milnor吸引子和吸引中心。此外,我们给出了每一个上述性质的最小吸引子的特征。主要的方面是,我们只需要线性算子半群的技术和结果,因为Koopman半群允许一个可能的非线性半流的全局线性化。
2019-03-11 math.DS math.FA
Dynamical systems and complex networks: A Koopman operator perspective
本文从Koopman算子视角出发,介绍该算子依托数据与机器学习算法在非线性动力系统研究中的应用价值,并提出其可用于复杂网络分析,同时揭示其与图拉普拉斯算子的关联。
2024-12-16 math.DS 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
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
An operator-theoretic viewpoint to non-smooth dynamical systems: Koopman analysis of a hybrid pendulum
我们将算子理论的观点应用于一类非光滑动力系统,该系统暴露于事件触发的状态重置。所考虑的基准问题是,收到一定的固定角度下向下踢的钟摆。钟摆被建模为一个混合自动机,并从几何的角度和形式主义进行了分析Koopman算子理论。通过建立库普曼算子的谱性质与状态空间中的几何性质之间的联系,在动力系统的这两种解释之间建立了联系。
2016-08-31 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
Maximum-likelihood reprojections for reliable Koopman predictors of parametric nonlinear dynamical systems
The University of Sydney(悉尼大学);Technische Universität Chemnitz(开姆尼茨工业大学);The Australian National University(澳大利亚国立大学);Technische Universität Ilmenau(伊尔梅瑙工业大学)
本文提出基于最近点投影的最大似然重投影方法,确保数据驱动近似与Koopman不变流形一致,实现参数动力系统的可靠预测与分岔分析。
2026-09-28 cs.SY eess.SY math.DS
Learning Bounded Koopman Observables: Results on Stability, Continuity, and Controllability
Koopman算子是研究动力系统--受控和不受控系统--的有用分析工具。例如,Koopman特征函数可以提供关于底层动力系统的非局部稳定性信息。非线性系统的Koopman表示通常使用机器学习方法来计算,机器学习方法试图将Koopman特征函数表示为非线性状态测量的线性组合。因此,重要的是要了解原则上是否可以使用机器学习成功地获得这些特征函数,以及以这种方式计算的特征函数可以告诉我们关于底层系统的信息。为此,本文在最小假设下分析了与库普曼本征函数相关的连续性、稳定性和控制限制,并讨论了这些属性与通过机器学习计算库普曼表示的能力之间的关系。
2020-04-30 math.DS math.OC
Koopman Bilinearization of Nonlinear Control Systems
Koopman算子自1931年由美籍法裔数学家Bernard Koopman提出以来,已被用作研究各个科学领域的有力工具,如遍历论,概率论,几何学和拓扑学。目前Koopman算子的应用主要集中在对遍历动力系统谱性质的刻画上。本文从非受迫动力系统出发,进一步研究控制系统,建立了系统的Koopman控制框架。具体地说,我们严格推导出一个微分方程系统管理的动态的Koopman运营商与控制系统,并表明所得到的系统是一个双线性系统上的无限维李群,这直接导致了全球双线性化的控制仿射系统。然后,通过将几何控制理论中的技术与无穷维微分几何相结合,这进一步为可控性分析提供了双重好处:de Rham微分算子对控制仿射系统可控性的表征以及将李代数秩条件扩展到无穷维系统。为了证明的适用性,我们进一步采用所建立的框架,开发的Koopman反馈线性化技术,其中,作为一个优点,放弃了可控性要求的系统被线性化,通过使用经典的反馈线性化技术。此外,值得一提的是,这项工作的一个显着特点是最大限度地利用内在的代数和几何性质的Koopman算子,而不是谱方法和遍历性假设的系统,这进一步证明了我们的工作的一个显着的优势和一个实质性的差异,提出和现有的研究Koopman算子。
2022-11-14 cs.SY eess.SY math.DS
Online learning of Koopman operator using streaming data from different dynamical regimes
Department of Mechanical Engineering, Clemson University(克莱姆森大学机械工程系)
本文提出一种利用流数据在线学习 Koopman 操作符的框架,通过子空间识别方法,利用广义距离评估数据新颖性,动态调整数据量和基函数,优化模型精度和系统阶数。
2024-07-18 cs.RO cs.SY eess.SY
On Few Shot Learning of Dynamical Systems: A Koopman Operator Theoretic Approach
在本文中,我们提出了一种新的算法学习的Koopman算子的动力系统从\textit{small}量的训练数据。在数据驱动建模的许多应用中,例如生物网络建模、网络安全、物联网建模或智能电网监控,不可能以足够高的采样频率获得定期采样的时间序列数据。在这种情况下,现有的动态模式分解(DMD)或扩展的动态模式分解(EDMD)算法的Koopman算子计算往往会导致低保真度近似Koopman算子。为此,本文提出了一种算法,可以有效地计算Koopman算子时,训练数据集是稀疏采样的时间。特别是,该算法通过添加人工数据点来丰富小训练数据集,这些数据点被视为噪声观测。然后,使用来自鲁棒优化的技术,使用较大的,尽管有噪声的数据集来计算Koopman算子。所提出的算法的有效性也证明了三个不同的动力系统,即一个线性网络的振荡器,一个非线性系统和一个动力系统由偏微分方程(PDE)。
2021-03-07 math.DS
Learning Dynamical Systems via Koopman Operator Regression in Reproducing Kernel Hilbert Spaces
Istituto Italiano di Tecnologia(意大利理工学院);University of Novi Sad(诺维萨德大学);University College London(伦敦大学学院);University of Genova(热那亚大学);Massachusetts Institute of Technology(麻省理工学院)
我们研究一类动力系统建模为马尔可夫链,承认通过相应的转移,或Koopman,运营商的不变分布。虽然数据驱动的算法来重建这样的运营商是众所周知的,他们与统计学习的关系在很大程度上是未开发的。我们形式化的框架来学习Koopman算子从有限的数据轨迹的动力系统。我们考虑限制这个算子的再生核希尔伯特空间,并引入风险的概念,从不同的估计自然产生。我们链接的风险与估计的谱分解的Koopman算子。这些观察激励降秩算子回归(RRR)估计。我们推导出建议的估计学习界,同时在独立同分布。和非I.I.D.设置,后者在混合系数方面。我们的研究结果表明,RRR可能是有益的,在其他广泛使用的估计证实了在数值实验中的预测和模式分解。
2022-12-13 cs.LG math.DS
A Convex Approach to Data-driven Optimal Control via Perron-Frobenius and Koopman Operators
研究了一类控制仿射确定性非线性系统的最优控制的数据驱动计算问题。我们假设控制动力系统模型不可用,并且关于系统动力学的唯一信息以时间序列数据的形式可用。本文对非线性系统的最优控制问题给出了一个凸形式。凸形式依赖于动力系统稳定性理论中涉及密度函数和Perron-Frobenius算子的对偶结果。我们将最优控制问题表示为一个无限维的凸优化规划。最优化问题的有限维近似依赖于Koopman算子的数据驱动计算的最新进展,这与Perron-Frobenius算子是对偶的。仿真结果表明,所开发的框架的应用。
2021-04-12 cs.SY eess.SY math.DS
Time-to-reach Bounds for Verification of Dynamical Systems Using the Koopman Spectrum
Department of Electrical Engineering, Aalto University, Finland(芬兰阿尔托大学电气工程系)
本文提出基于Koopman谱的可达性验证方法,通过时间到达界估计实现非线性系统的可达性验证,适用于复杂和高维系统。
2025-11-28 cs.SY eess.SY math.DS
Learning Deep Neural Network Representations for Koopman Operators of Nonlinear Dynamical Systems
Pacific Northwest National Laboratory(太平洋西北国家实验室)
Koopman算子最近因其在动力系统分析和数据驱动模型发现中的价值而受到广泛关注。然而,它的应用一直受到扩展动态模式分解的计算复杂性的阻碍,这需要一个组合大的基集,以充分描述许多感兴趣的非线性系统,例如网络物理基础设施系统,生物网络,社会系统和流体动力学。通常,为这些问题生成的字典是手动管理的,需要特定领域的知识和艰苦的调整。在本文中,我们介绍了一个深度学习框架,用于学习非线性动力系统的Koopman算子。我们表明,这种新方法自动选择有效的深度字典,优于最先进的方法。我们对这种方法进行了基准测试,部分观察到的非线性系统,包括糖酵解振荡器,并表明它能够定量预测未来100步,仅使用一个时间点,定性振荡行为400步。
2017-11-17 cs.AI cs.LG math.DS
On Matching, and Even Rectifying, Dynamical Systems through Koopman Operator Eigenfunctions
匹配动力系统,通过不同形式的共轭和等价,一直是一个基本的概念,和一个强大的工具,在非线性动力学行为的研究和分类(例如通过规范形式)。在本文中,我们将认为,使用Koopman算子及其频谱是特别适合这一努力,无论是在理论上,但也特别是在最近的数据驱动算法的发展。我们相信,并通过说明性的例子文件,这可以nontrivially扩展的使用和适用性的库普曼频谱的理论和计算机器超越建模和预测,对什么可以被认为是一个系统的发现“科尔-霍普夫型”的动力学变换。
2018-03-06 math.DS
The Adaptive Spectral Koopman Method for Dynamical Systems
本文提出无网格的自适应谱 Koopman(ASK)方法,结合谱配置与 Koopman 算子特征对近似求解非线性自治动力系统,并在一维至三维实验中验证其高精度与灵活性。
2023-06-08 math.DS
Two Roads to Koopman Operator Theory for Control: Infinite Input Sequences and Operator Families
California Institute of Technology(加州理工学院);University of California, San Diego(加利福尼亚大学圣地亚哥分校)
本文研究Koopman算子理论在控制中的两种扩展(无限输入序列与算子族)的等价性,在特定函数空间条件下证明其等价,并提供转换工具,为控制中的Koopman方法提供统一视角。
2025-10-16 cs.SY eess.SY math.DS
Geometric Considerations of a Good Dictionary for Koopman Analysis of Dynamical Systems: Cardinality, 'Primary Eigenfunction,' and Efficient Representation
Clarkson University(克拉克森大学);Clarkson Center for Complex Systems Science(克拉克森复杂系统科学中心)
用简化模态表示动力系统是降阶建模的核心前提,也是日益流行的Koopman算子分析的DMD(动态模态分解)经验解释的主要关注点。在最优逼近和降阶建模的精神下,DMD方法和变体的目标是尽可能最好地将动态演化描述为适当变换的低秩空间中的线性演化。库普曼本征函数遵循可通过特征线法求解的线性偏微分方程,产生了几何和代数性质之间的几种有趣关系。对应于在数据表面上任意定义函数的自由,对于每个特征值,存在沿着特征发出的无限多个特征函数。我们专注于对比基数和等价性。特别是,我们引入了一个等价类,“主本征函数”,由那些本征函数相同的水平集,这有助于对比代数多重性从其他几何方面。通常,Koopman方法,特别是动态模式分解(DMD)和变体,允许数据驱动的研究如何可测函数沿轨道演变。据我们所知,还没有一个深入的研究有关的基础几何结构,一个有效的表示。我们提出了一个建设,导致功能的数据表面上,其相应的特征函数是有效的最小二乘意义上。我们称这种构造为最优库普曼本征函数DMD,(oKEEDMD),我们强调的例子。
2021-03-24 cs.LG math.DS
Data-Driven Operator Theoretic Methods for Phase Space Learning and Analysis
本文利用数据驱动算子理论方法研究了动力系统的全局相空间。基于Koopman算子的谱性质,定义了从一个不变子空间出发,在动力系统的状态空间中发现新的不变子空间的条件.当系统的演化是局部已知的几个不变子空间中的状态空间的动力系统,相空间缝合的结果,得出的全球Koopman运营商。此外,在等变系统的情况下,相空间拼接的结果开发,以确定全球Koopman运营商使用之间的对称性的不变子空间的动力系统和时间序列数据从任何一个不变子空间。最后,将这些结果推广到拓扑共轭动力系统,特别是建立了拓扑共轭系统的Koopman元组之间的关系。所提出的结果证明了几个二阶非线性动力系统,包括一个双曲肘开关。我们的方法阐明了一个策略,设计发现实验:实验执行可以在许多步骤中完成,从不同的不变子空间的模型可以结合起来,以近似的全球Koopman运营商。
2021-06-29 cs.SY eess.SY math.DS
Subspace dynamic mode decomposition for stochastic Koopman analysis
The University of Tokyo(东京大学);Osaka University(大阪大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
本文提出子空间DMD算法,用于处理含观测噪声的随机动力系统Koopman分析,通过正交投影和线性模型谱估计提高精度。
2017-10-30 cs.NA math.DS math.NA
DisKO: Deep Koopman Learning in Distribution Space from Unpaired Snapshots
DisKO通过联合学习分布可观测函数、有限维库普曼表示和生成映射,在分布空间中实现深度库普曼学习,在七个基准上达到最优外推性能并显著降低长时程误差累积。
2026-09-29 cs.LG math.DS
Causal Discovery in Nonlinear Dynamical Systems using Koopman Operators
Pacific Northwest National Laboratory(太平洋西北国家实验室);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
本文提出基于Koopman算子的动力系统因果性理论,通过流映射定义因果机制,并推导出一种数据驱动算法以量化高维非线性动力系统中的多变量因果关系。
2025-11-04 math.DS physics.comp-ph
Koopman invariant subspaces and finite linear representations of nonlinear dynamical systems for control
在这项工作中,我们探索有限维线性表示的非线性动力系统限制的Koopman算子的一个不变子空间。Koopman算子是一个无穷维线性算子,它演化出动力系统状态空间的可观测函数[Koopman 1931,PNAS]。Koopman展开中的主导项通常使用动态模式分解(DMD)来计算。DMD使用状态变量的线性测量,最近的研究表明,这对于非线性系统可能限制太多[Williams等人,2015,JNLS]。选择非线性可观测函数来形成不变子空间,在该子空间中可以获得线性模型,特别是那些对控制有用的线性模型,这是一个公开的挑战。在这里,我们调查的可观测函数的选择库普曼分析,使非线性问题的最优线性控制技术的使用。首先,为了包括系统状态的成本,如在线性二次调节器(LQR)控制中,将这些状态包括在可观测子空间中是有帮助的,如在DMD中。然而,我们发现这只有在存在单个孤立不动点时才有可能,因为具有多个不动点或更复杂吸引子的系统不是全局拓扑共轭到有限维线性系统,并且不能由包括状态的有限维线性Koopman子空间表示。然后,我们提出了一种数据驱动的策略,通过非线性函数空间中数据的稀疏回归,使用一种新算法确定动力系统中的项,来识别Koopman分析的相关可观测函数[Brunton et al. 2015,arxiv];我们展示了该算法与DMD的相关性。最后,我们展示了如何设计最优控制律的非线性系统使用的技术,从线…
2015-12-23 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
Sparsity structures for Koopman operators
我们提出了一个分解的Koopman运营商的基础上的稀疏结构的动力系统,允许一个考虑系统作为一个家庭的子系统互连的图形。利用Koopman算子的固有性质,我们证明了子系统的本征函数诱导整个系统的本征函数。主本征函数的使用允许扭转这一结果。类似地,对于伴随算子,Perron-Frobenius算子,动力系统的不变测度诱导子系统的不变测度,而从子系统的不变测度构造不变测度则不那么直接。我们解决这个问题,并表明,在必要的兼容性假设,这样的不变测度存在。基于这些结果,我们证明了一个动力系统的分解的先验知识允许减少的计算成本的数据驱动的方法的例子的动态模式分解。
2021-12-20 math.DS math.OC
Rigorous data-driven computation of spectral properties of Koopman operators for dynamical systems
University of Cambridge(剑桥大学);Cornell University(康奈尔大学)
本文提出ResDMD算法,从轨迹数据严格计算Koopman算子谱,无谱污染,具收敛保证,并成功应用于高维系统如蛋白质和湍流。
2023-05-11 cs.LG cs.NA math.DS
Sparse Koopman Autoencoders Identify Local Dynamical Regimes in Multibasin Systems
Chandar Research Lab(钱达尔研究实验室);Mila – Quebec AI Institute(米拉-魁北克人工智能研究所);Université de Montréal(蒙特利尔大学);University of Pennsylvania(宾夕法尼亚大学);NVIDIA(英伟达);Polytechnique Montréal(蒙特利尔理工学院)
该研究提出稀疏Koopman自编码器(SKAEs),无需标签即可识别多盆系统的局部动力学 regime,其预测性能优于密隐KAEs,且隐支撑可有效识别吸引盆。
2026-11-04 cs.LG math.DS
Learning dynamically inspired bases for Koopman and transfer operator approximation
School of Mathematics and Statistics, UNSW Sydney(数学与统计学学院,新南威尔士大学悉尼分校)
本文提出通过机器学习动态定制的正交基函数,以高效逼近Koopman和转移算子,从而准确获取算子的谱特性及不变测度。
2026-03-24 cs.LG cs.NA math.DS
Koopman Analysis of the Singularly-Perturbed van der Pol Oscillator
该研究对奇异摄动van der Pol系统开展Koopman分析,揭示其谱特征与奇异极限特性,证明Koopman特征函数继承系统几何特性,结果可推广至含稳定极限环的平面奇异摄动系统。
2024-10-07 cs.SY eess.SY math.DS
On Computation of Koopman Operator from Sparse Data
在本文中,我们提出了一种新的方法来计算稀疏时间序列数据的Koopman算子。近年来,数据驱动的动力系统分析的算子理论方法引起了人们极大的兴趣。用于Koopman算子的近似的现有技术需要足够大的数据集,但是在许多应用中,数据集可能不够大以将算子近似到可接受的极限。在本文中,使用鲁棒优化的思想,我们提出了一个算法来计算稀疏数据的Koopman算子。我们丰富的人工数据点的稀疏数据集,通过添加有界人工噪声和制定的噪声鲁棒学习问题作为一个强大的最优化问题,并表明最优解是Koopman算子的最小误差。我们说明了我们所提出的方法在三个不同的动力系统,即线性系,非线性系统和动力系统所管辖的偏微分方程的效率。
2019-01-10 math.DS
Compression of the Koopman matrix for nonlinear physical models via hierarchical clustering
Graduate School of Science and Engineering, Saitama University(埼玉大学理工学研究科)
本文提出利用层次聚类压缩Koopman矩阵的方法,并在小车-杆模型上验证其优于传统SVD压缩。
2024-03-27 cs.LG math.DS
Estimating Koopman operators with sketching to provably learn large scale dynamical systems
IIT(意大利理工学院);MIT(麻省理工学院)
本文利用随机投影(sketching)提升基于核的 Koopman 算子估计器效率,在保持 PCR/RRR 精度的同时大幅加快计算,并建立非渐近误差界证明其学习大规模动力系统的有效性。
2023-07-30 cs.LG math.DS stat.ML
Data-driven End-to-end Learning of Pole Placement Control for Nonlinear Dynamics via Koopman Invariant Subspaces
NTT Communication Science Laboratories(NTT通信科学实验室);Institute of Mathematics for Industry, Kyushu University(九州大学数学工学研究所);Center for Advanced Intelligence Project, RIKEN(理化学研究所高级智能项目中心)
基于Koopman算子理论,提出了一种数据驱动的控制黑箱非线性动力系统频率和收敛速度的方法.利用该方法,训练策略网络,使得受控动态的Koopman算子的特征值接近目标特征值。该策略网络由一个神经网络来寻找Koopman不变子空间,和一个极点配置模块来调整Koopman算子的特征值。由于策略网络是可区分的,我们可以使用强化学习以端到端的方式对其进行训练。我们证明了所提出的方法比无模型强化学习和基于模型的控制系统辨识具有更好的性能。
2022-08-16 cs.AI cs.LG cs.SY
Koopman Kernel Regression
TU Munich(慕尼黑工业大学);LMU Munich(慕尼黑大学)
本文提出库普曼核回归(KKR)框架,通过构造库普曼不变再生核希尔伯特空间将非线性预测转化为线性时不变系统,并在较弱假设下给出收敛性与泛化误差界,实验表明其预测性能优于现有方法。
2024-01-16 cs.LG cs.SY eess.SY
Learning Koopman Eigenfunctions and Invariant Subspaces from Data: Symmetric Subspace Decomposition
本文开发了数据驱动的方法来识别与动力系统相关的Koopman算子的本征函数和在该算子下不变的子空间。我们建立在扩展的动态模式分解(EDMD),数据驱动的方法,找到一个有限维近似的Koopman算子的跨度上的预定义的字典的功能。我们提出了一个必要和充分条件,确定Koopman特征函数的基础上应用EDMD的向前和向后的时间。此外,我们提出了对称子空间分解(SSD)算法,迭代方法,可证明确定的最大Koopman不变的子空间和Koopman特征函数的字典的跨度。我们还介绍了流对称子空间分解(SSSD)算法,SSD的在线扩展,只需要一个小的,固定的内存,并纳入新的数据,因为收到。最后,我们提出了一个扩展的SSD近似库普曼特征函数和不变子空间时,字典不包含足够的信息特征函数。
2021-02-25 cs.SY eess.SY math.DS
Learning Koopman Invariant Subspaces for Dynamic Mode Decomposition
The University of Tokyo(东京大学);Osaka University(大阪大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
Koopman算子的谱分解作为一种分析非线性动力系统的工具正引起人们的注意。动态模式分解是一种常用的Koopman谱分析的数值算法;然而,我们经常需要根据潜在的动力学手动准备非线性观测量,这并不总是可能的,因为我们可能没有任何先验知识。在本文中,我们提出了一个完全的数据驱动的Koopman谱分析方法的基础上学习Koopman不变子空间从观测数据的原则。为此,我们提出了最小化的残差平方和的线性最小二乘回归估计的一组功能,将数据转换成一种形式,其中的线性回归适合。我们介绍了一个实施与神经网络和评估性能的经验,使用非线性动力系统和应用。
2018-01-30 cs.LG math.DS stat.ML
A Data-Driven Approximation of the Koopman Operator: Extending Dynamic Mode Decomposition
Koopman算子是一种线性但无限维的算子,它控制着自治动力系统状态空间上标量观测量的演化,是分析和分解非线性动力系统的有力工具。在这篇手稿中,我们提出了一个数据驱动的方法近似的领先的本征值,本征函数,和模式的库普曼运营商。该方法需要一个数据集的快照对和一个字典的标量观测,但不需要明确的控制方程或相互作用的“黑匣子”积分。我们将表明,这种方法实际上是动态模式分解(DMD)的扩展,它已被用来近似Koopman特征值和模式。此外,如果提供给该方法的数据是由马尔可夫过程而不是确定性动力系统生成的,则该算法近似于Kolmogorov向后方程的本征函数,这可以被认为是“随机Koopman算子”[1]。最后,四个说明性的例子:两个突出的定量性能的方法时,无论是确定性或随机数据,和两个显示潜在的应用Koopman特征函数。
2014-08-19 math.DS
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
Online Real-time Learning of Dynamical Systems from Noisy Streaming Data: A Koopman Operator Approach
Pacific Northwest National Laboratory(太平洋西北国家实验室)
本文提出一种基于鲁棒Koopman算子的在线实时学习算法,从含噪流式数据中学习动态系统,获得线性表示,计算效率优于EDMD,并在多个系统上验证有效性。
2023-12-24 cs.LG math.DS
Efficient Parametric SVD of Koopman Operator for Stochastic Dynamical Systems
Kim Jaechul Graduate School of AI, KAIST, Daejeon 34141, South Korea(韩国科学技术院人工智能研究生院);Department of EECS, MIT, Cambridge, MA 02139, United States(麻省理工学院电子工程与计算机科学系)
本文提出了一种基于低秩近似的高效方法,用于学习随机动力系统Koopman算子的前k个奇异函数,以提高大规模系统的可扩展性和稳定性。
2026-01-17 cs.LG cs.NA 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
Data-driven Modeling of Granular Chains with Modern Koopman Theory
Tufts University(塔夫茨大学);University of Vermont(佛蒙特大学);Yale University(耶鲁大学)
本文提出将Koopman谱理论与深度神经网络相结合的数据驱动框架,用于颗粒晶体非线性动力学建模,通过将动力学映射到高维线性潜在空间实现超越线性化区域的相空间分析,并结合仿真与实验数据验证了轨迹预测准确性,为颗粒材料逆向设计提供新途径。
2024-11-01 cond-mat.soft cs.LG math.DS