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
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
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
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
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
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
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
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
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
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
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
Koopman-Based Approach to Non-intrusive Projection-Based Reduced-Order Modeling with Black-Box High-Fidelity Models. Part II: Application
一种非侵入性的方法,基于投影的非线性模型减少最初提出的Renganathan等。(2018)~ \cite{renganathan2018koopman}进一步扩展到参数系统,重点是应用于航空航天设计。具体来说,我们扩展的方法,静态系统的参数几何(变形的网格),除了参数边界条件。其主要思想是首先对控制方程进行变换,使其提升到一个高维但线性的欠定系统。与原始非线性系的矩阵相比,这使得人们能够容易地提取系统矩阵。欠定系统是封闭的一组模型相关的非线性约束上的模型降阶最终执行。该方法在NACA 0012和RAE 2822翼型的亚音速和跨音速无粘绕流中得到了验证。我们进一步证明了实用的方法,将其应用到两个常见的问题,即在航空航天设计,无导数的全局优化和参数的不确定性量化与蒙特卡洛采样。总体而言,该方法被证明是实现精度高达5%和计算速度的2-3个数量级的全阶模型。与另一种非侵入式模型降阶法的比较表明,该方法具有更强的鲁棒性和准确性,并保持了状态变量之间的一致性。
2019-06-17 math.OC physics.comp-ph
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
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
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
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
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
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
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-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
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
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
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
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 Model Predictive Control using Interpolated Koopman Generators
近年来,Koopman算子在动力系统分析中的成功也推动了基于Koopman算子的控制框架的发展。为了通过动态模式分解保持近似的相对较低的数据要求,最近在[Peitz \& Klus,Automatica 106,2019]中提出了一种量化方法。通过这种方式,非线性动力系统的控制可以通过切换系统技术来实现,仅使用有限集的基于自主Koopman算子的降阶模型。这些单独的系统可以非常有效地从数据中近似。其主要思想是将一个控制系统转化为一组自治系统,并计算其最优开关序列。在这篇文章中,我们将这些结果扩展到连续控制输入松弛。通过这种方式,我们结合了近似自治系统的有限集的数据效率与连续控制的优点。我们表明,当使用Koopman生成器,这种松弛-实现两个运营商之间的线性插值-不引入任何错误的控制仿射系统。这使我们能够控制高维非线性系统使用双线性,低维代理模型。所提出的方法的效率证明了使用几个例子越来越复杂,从Duffing振荡器的混沌流体弹球。
2020-03-16 math.DS math.OC
Kernel-based error bounds of bilinear Koopman surrogate models for nonlinear data-driven control
本文针对未知非线性系统的数据驱动控制,提出基于核的双线性库普曼代理模型误差界,克服字典不变性假设限制,并可直接用于鲁棒控制器设计的闭环保证。
2025-07-14 cs.SY eess.SY 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
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
Koopman-based lifting techniques for nonlinear systems identification
University of Namur(南纳姆大学);Luxembourg Centre for Systems Biomedicine, University of Luxembourg(卢森堡系统生物医学中心,卢森堡大学)
本文提出了一种基于Koopman算子框架的新型非线性系统辨识提升技术,通过在观测空间中识别线性(无限维)Koopman算子,而非在状态空间中识别非线性系统,从而实现了对非线性系统的线性辨识方法。该方法无需计算时间导数,适用于采样率较低的数据集,并通过两种数值方案(主方法和对偶方法)展示了其在不同有限维子空间近似中的应用。
2019-04-24 cs.SY eess.SY math.DS
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
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