面向控制的非线性系统计算高效数据驱动发现与线性表示
Computationally Efficient Data-Driven Discovery and Linear Representation of Nonlinear Systems For Control
AI总结：
本文提出一种基于Koopman算子理论和递归深度学习的非线性系统数据驱动辨识与线性化框架，在摆系统噪声数据仿真中表现出比自编码器基线更高的训练效率和准确性。
摘要：
本工作致力于开发一个使用Koopman算子理论的数据驱动框架，用于控制中非线性系统的系统辨识和线性化。我们提出的方法提出了一个带有递归学习的深度学习框架。由此产生的线性系统使用线性二次控制进行控制。给出了一个使用摆系统的说明性示例，并在噪声数据上进行了仿真。我们表明，我们提出的方法训练更高效，并且比自编码器基线更准确。
英文摘要：
This work focuses on developing a data-driven framework using Koopman operator theory for system identification and linearization of nonlinear systems for control. Our proposed method presents a deep learning framework with recursive learning. The resulting linear system is controlled using a linear quadratic control. An illustrative example using a pendulum system is presented with simulations on noisy data. We show that our proposed method is trained more efficiently and is more accurate than an autoencoder baseline.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
