Stability Guarantees for Data-Driven Predictive Control of Nonlinear Systems via Approximate Koopman Embeddings
New Jersey Institute of Technology(新泽西理工学院)
本文通过近似Koopman嵌入为非线性系统数据驱动MPC提供稳定性保证,利用理论证书实现鲁棒稳定性理论的应用,展示了同步发电机与无限 bus 连接的物理信息嵌入示例。
2026-03-17 cs.SY eess.SY
Learning Koopman Operator under Dissipativity Constraints
研究了一类具有任意耗散性的非线性动力系统的学习问题。非线性系统由Koopman算子描述,Koopman算子是定义在无限维提升状态空间上的线性算子。学习Koopman算子下指定的二次耗散约束的问题制定和解决。该学习问题属于一类非线性约束的非凸优化问题,数值上是难以求解的。通过应用变量变换技术和凸上界逼近,该问题被简化为序列凸优化问题,并以数值有效的方式求解。最后,给出了数值模拟,其中所提出的方法,包括指定的耗散实现了高的建模精度证明。
2019-11-10 cs.SY eess.SY math.OC
Extended Koopman Models
MIT(麻省理工学院)
我们介绍了非线性动态建模的库普曼算子方法的两种新推广。这些推广导致大大提高了预测性能,而不牺牲一个独特的特点Koopman方法:快速,全局最优控制的非线性,非凸系统的潜力。第一个推广,凸Koopman模型,在提升空间中使用凸而不是线性动力学。第二,扩展Koopman模型,另外引入了一个可逆的控制信号,有助于提升凸动态变换。我们描述了一种深度学习架构,用于参数化这些类别的模型,并通过实验证明,在两个非线性、非凸动态系统的轨迹预测中,每种模型都明显优于传统的Koopman模型。
2020-10-14 cs.LG cs.NE cs.SY
Learning Stable Koopman Embeddings for Identification and Control
本文提出具有稳定性与可镇定性内置保证的新型库普曼模型参数化方法,通过直接参数化实现无约束优化,并在非线性系统辨识与模仿学习中验证其优于缺乏稳定性保证的先前方法。
2025-05-08 cs.SY eess.SY
Koopman Operator for Stability Analysis: Theory with a Linear--Radial Product Reproducing Kernel
North Carolina State University(北卡罗来纳州立大学)
研究基于柯普曼算子的稳定性分析,通过线性核与温德兰径向核形成乘积核定义RKHS,使柯普曼算子作用下不变,平衡点渐近稳定时谱在单位圆内,学习的算子有误差界可提供稳定性证书,还讨论其对基于柯普曼控制的作用。
2026-07-28 cs.SY eess.SY math.DS
Input-to-State Stability Certification via Projection Residuals for Koopman Learning Control of Nonlinear Repetitive Systems
School of Automation, Xi’an Jiaotong University(西安交通大学自动化学院);Xinjiang Cigarette Factory, Hongyun Honghe Tobacco (Group) Co., Ltd.(新疆卷烟厂,红云红河烟草(集团)有限责任公司)
研究未知离散时间非线性重复系统数据驱动柯普曼学习控制的输入到状态稳定性认证,通过将堆叠跟踪误差设为系统状态,考虑多种因素为ISS输入,给出确定性结果与有限样本实现,数值检验支持相关特性。
2026-07-08 cs.SY eess.SY
Integrating Koopman theory and Lyapunov stability for enhanced model predictive control in nonlinear systems
针对双线性非线性系统传统控制预测能力不足的问题,将Koopman算子线性化能力与Lyapunov稳定性理论融入模型预测控制,提出Koopman LMPC方法,兼具预测能力与稳定性保证,提升控制鲁棒性与适用性。
2025-05-20 cs.SY eess.SY
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
Stable Fiber-Koopman Residual Dynamics for Environment-Constrained Robust Control
College of Engineering and Physical Sciences, Khalifa University(卡利亚法大学工程与物理科学学院)
本文提出了一种统一的框架,同时解决环境感知的几何一致性、潜在空间稳定性认证和残差扰动传播的有界性问题,通过构建纤维束潜在流形、环境条件化的科普曼算子和收缩约束残差神经网络,实现对自动驾驶车辆在变化表面条件和风扰下的路径跟踪控制。
2026-05-16 cs.SY eess.SY
A Koopman Set-Membership Approach for Nonlinear Data-Driven Control with Stability Guarantees
University of Stuttgart(斯图加特大学);Center for Integrated Quantum Science and Technology (IQST), University of Stuttgart(斯图加特大学综合量子科学与技术中心);University of Oxford(牛津大学)
针对未知非线性系统,提出基于Koopman双线性实现的数据驱动控制器设计方法,通过集员表征处理残差误差,并利用SOS规划设计有理状态反馈控制器保证稳定性。
2026-05-31 cs.SY eess.SY
Koopman Based Trajectory Optimization with Mixed Boundaries
针对含隐式混合边界约束的非线性轨迹优化非凸难题,提出基于Koopman算子的双层转化方法,凸化高维下层并保留低维上层,在摆和罗盘步态系统上验证有效。
2024-12-04 cs.SY eess.SY math.OC
Data-Driven Stochastic Optimal Control using Linear Transfer Operators
我们提供了一个数据驱动的框架,连续时间随机动力系统的最优控制。所提出的框架依赖于涉及线性Perron-Frobenius(P-F)和Koopman算子的线性算子理论。我们的第一个结果涉及P-F算子提供了一个凸的制定最优控制问题的对偶空间的密度。这种随机最优控制问题的凸形式导致一个无穷维凸规划。使用P-F算子的数据驱动近似获得凸规划的有限维近似。我们的第二个结果表明,使用Koopman算子,这是对偶的P-F算子,随机最优控制设计。我们证明了Hamilton Jacobi Bellman(HJB)方程可以用Koopman算子表示。我们提供了一个迭代过程,沿着一个流行的政策迭代算法的基础上的数据驱动近似的Koopman算子求解HJB方程。这两个公式,即涉及P-F算子的凸公式和使用HJB方程的Koopman公式,可以被视为彼此对偶,其中由于P-F和Koopman算子的对偶性质,对偶性随之而来。最后,我们提出了几个数值例子来证明所开发的框架的有效性。
2022-02-03 cs.SY eess.SY math.OC
Efficient Economic Model Predictive Control of Water Treatment Process with Learning-based Koopman Operator
本研究针对水处理过程运行优化问题,提出基于深度学习输入-输出Koopman模型的凸经济预测控制方法,规避非凸优化,在基准污水处理过程中实现了运行性能与计算效率的双重提升。
2024-07-14 cs.SY eess.SY
Koopman Data-Driven Predictive Control with Robust Stability and Recursive Feasibility Guarantees
Eindhoven University of Technology(埃因霍温理工大学)
本文提出一种基于库普曼提升模型的子空间数据驱动预测控制方法,通过学习可观测函数抑制多步预测误差,并利用终端代价、终端集和插值初始状态保证递归可行性,同时通过新型正则化代价获得闭环输入到状态稳定性。
2024-05-02 cs.LG cs.SY eess.SY
Stability of data-driven Koopman MPC with terminal conditions
University of Pavia(帕维亚大学);Technische Universität Ilmenau(伊尔梅瑙工业大学);ETH Zurich(苏黎世联邦理工学院)
本文研究了使用数据驱动代理模型的MPC终端条件在存在近似误差时的渐进稳定性,证明了比例误差界条件下递归可行性与渐近稳定性,通过kEDMD生成代理模型应用于非线性系统。
2026-04-10 cs.SY eess.SY math.OC
An Online Data-Driven Method for Microgrid Secondary Voltage and Frequency Control with Ensemble Koopman Modeling
微电网的低惯性、非线性和高度不确定性(拓扑结构和运行条件的变化)对微电网的全系统运行提出了挑战。提出了一种在线自适应Koopman算子最优控制(AKOOC)方法用于MG二次电压和频率控制。与典型的数据驱动方法,数据饥饿,缺乏保证的稳定性,所提出的AKOOC不需要预热训练,但有保证的有界输入有界输出(BIBO)的稳定性,甚至在一些温和的条件下渐近稳定。所提出的AKOOC开发的基础上合奏Koopman状态空间建模与完整的基函数,结合了线性和非线性基础,而不需要事件检测或切换。采用迭代学习的方法对模型参数进行优化,保证了控制的有效性和自适应性。在4节点(详细的内环控制)MG系统和34节点MG系统的仿真研究表明,提高建模精度和控制,验证了所提出的方法的有效性,即使在各种操作条件的变化,即使有时间延迟,测量噪声,和丢失的测量。
2022-07-11 cs.SY eess.SY
Input-to-State Stable Bundle Koopman Neural ODEs for Learning Controlled Dynamics under Environmental Constraints
Faculty of Engineering, King Saud University(沙特国王大学工程学院)
提出ISS-BKNO框架,结合库普曼算子、神经常微分方程、纤维丛几何和输入到状态稳定性,同时学习受控非线性动力学并保证全局收敛和可计算的ISS增益。
2026-06-03 cs.SY eess.SY
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
Koopman-based feedback design with stability guarantees
本文提出仅依赖测量数据、基于 Koopman 算子与鲁棒控制的非线性系统状态反馈设计,以半定规划保证指数稳定性,并扩展至多输入、增益调度及吸引域优化。
2024-05-03 cs.SY eess.SY math.OC
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
Environment-Aware Stable Neural Koopman Dynamics Learning for Input-Driven Systems under Environmental Constraints
Faculty of Engineering, King Saud University(沙特国王大学工程学院)
提出ESNKD框架,结合纤维束编码器、输入条件神经ODE、收缩合成层和LMI-ISS验证,实现环境变化下的稳定预测与安全认证。
2026-06-15 cs.SY eess.SY
Forward-Backward Extended DMD with an Asymptotic Stability Constraint
Group for Research in Decision Analysis (GERAD)(决策分析研究组);McGill University(麦吉尔大学)
本文提出带渐近稳定性约束的前后向扩展DMD数据驱动方法,用于从含噪数据中辨识渐近稳定Koopman系统,经模拟杜芬振子和实验软机器人数据集验证,性能优于现有方法。
2026-09-07 cs.SY eess.SY
Deep Koopman risk-preview supervised LTV-MPC for direct yaw moment control of distributed drive electric vehicles
College of Mechanical and Vehicle Engineering, Chongqing University(重庆大学机械与车辆工程学院);Department of Automotive Engineering, Hanyang University(汉阳大学汽车工程系);School of Vehicle Engineering, Chongqing University of Technology(重庆理工大学车辆工程学院)
针对分布式驱动电动汽车DYC易在低风险工况下过度干预的问题,提出KRG-LTV-MPC框架,结合深度Koopman模型进行风险门控,在保障稳定性的同时减少了43.9%的横摆力矩干预。
2026-08-11 cs.SY eess.SY
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
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
Polynomial Parametric Koopman Operators for Stochastic MPC
Massachusetts Institute of Technology(麻省理工学院);Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出了一种基于多项式混沌展开的参数Koopman算子框架,用于随机模型预测控制,通过EDMD-DL方法从数据中学习模型,实现高效非线性SMPC问题求解。
2026-04-01 cs.SY eess.SY math.OC
System Norm Regularization Methods for Koopman Operator Approximation
McGill University(麦吉尔大学)
当考虑许多提升函数时,从数据近似Koopman算子在数值上具有挑战性。即使是低维系统也可能在高维提升空间中产生不稳定或病态的结果。本文将Koopman算子的两种近似方法--扩展动态模式分解(DMD)和带控制的DMD转化为带线性矩阵不等式约束的凸优化问题。渐近稳定性约束和系统范数正则化,然后纳入作为方法,以提高数值条件的Koopman运营商。具体地说,H ∞范数被用来惩罚Koopman系统的输入输出增益。然后应用加权函数来惩罚特定频率处的系统增益。这些约束和正则化器将双线性矩阵不等式约束引入到回归问题中,通过求解一系列凸优化问题来处理。使用飞机疲劳结构试验台和软机器人手臂的数据的实验结果突出了所提出的回归方法的优点。
2022-08-09 cs.LG cs.SY eess.SY
Asymptotically Stable Data-Driven Koopman Operator Approximation with Inputs using Total Extended DMD
McGill University(麦吉尔大学)
本文提出含输入的渐近稳定数据驱动Koopman算子近似方法,通过改进的总最小二乘法减偏差、线性矩阵不等式约束保稳定,在两类数据集上与EDMD、FB-EDMD对比验证性能。
2026-09-07 cs.SY eess.SY
Linear Matrix Inequality Approaches to Koopman Operator Approximation
McGill University(麦吉尔大学)
被认为是回归问题,找到一个矩阵近似的Koopman运营商的数据。回归问题被表述为一个线性矩阵不等式(LMI)约束下的凸优化问题。这样做允许将额外的LMI约束纳入回归问题。特别是,渐近稳定性约束,正则化使用矩阵范数,甚至正则化使用系统范数可以很容易地纳入回归问题。
2021-10-18 cs.LG cs.SY eess.SY
Deep Koopman Iterative Learning and Stability-Guaranteed Control for Unknown Nonlinear Time-Varying Systems
Peking University(北京大学);City University of Hong Kong(香港城市大学)
本文提出基于Koopman的迭代学习与稳定控制方法,用于高效逼近和控制未知非线性时变系统,通过在线更新提升模型以提高精度和稳定性。
2026-01-29 cs.SY eess.SY math.OC
Data-Driven Control of Linear Parabolic Systems using Koopman Eigenstructure Assignment
本文针对线性抛物型偏微分方程,提出一种基于Koopman特征结构配置的数据驱动镇定方法,仅利用有限点状输出和输入采样,通过扩展Krylov-DMD实现控制器设计,并在扩散-反应系统上验证了闭环指数稳定性。
2024-06-29 cs.SY eess.SY
Distributed Koopman Operator Learning for Perception and Safe Navigation
Chalmers University of Technology(查尔姆斯理工大学);Beijing Institute of Technology(北京理工大学);Politecnico di Milano(米兰理工大学)
本文提出一种结合模型预测控制与分布式Koopman算子学习的框架,用于在动态交通环境中实现安全高效的自主导航。
2026-01-05 cs.SY eess.SY
Koopman-based control using sum-of-squares optimization: Improved stability guarantees and data efficiency
Institute for Systems Theory and Automatic Control, University of Stuttgart(斯图加特大学系统与自动控制研究所)
该研究利用 SafEDMD 构建带误差界的数据驱动双线性代理模型,并通过 SOS 优化设计有理控制器,为未知非线性系统提供更大吸引域、更高数据效率和闭环稳定性保证。
2025-09-27 cs.SY eess.SY math.OC
Handling plant-model mismatch in Koopman Lyapunov-based model predictive control via offset-free control framework
Koopman算子理论通过将非线性动力学变换到更高维的可观测函数空间来实现给定非线性动力系统的全局线性表示,其中可观测函数的演化由无限维线性算子支配。对于Koopman算子理论的实际应用,已经开发了各种数据驱动的方法来通过近似Koopman算子来导出提升的状态空间模型。基于近似模型的Koopman模型预测控制(KMPC)方案已经被提出。然而,由于无限维Koopman算子的有限维近似不能完全表示非线性动力系统,因此在这些KMPC方案中固有地存在对象模型失配,并且对控制系统的性能产生负面影响。在这项工作中,我们提出了无偏Koopman李雅普诺夫为基础的模型预测控制(KLMPC)框架,解决了固有的植物模型失配KMPC计划使用无偏控制框架的基础上的干扰估计方法,并确保可行性和稳定性的控制系统通过应用李雅普诺夫约束的最优控制问题。零稳态偏移条件的开发框架进行了数学研究。所开发的框架的有效性也证明了通过比较建议的无偏置KLMPC和标称KLMPC的闭环结果。
2020-10-14 cs.SY eess.SY
Data-Driven Observer Synthesis for Autonomous Limit Cycle Systems through Estimation of Koopman Eigenfunctions
Department of Chemical and Biomolecular Engineering, North Carolina State University(北卡罗来纳州立大学化学与生物分子工程系)
本文针对平面极限环系统,提出一种基于Koopman算子的数据驱动KKL观测器构造方法,将内射映射求解转化为最小二乘回归与核岭回归问题,并在Brusselator系统上验证了状态估计精度。
2025-09-20 cs.SY eess.SY
Learnable Koopman-Enhanced Transformer-Based Time Series Forecasting with Spectral Control
Max Planck Institute of Geoanthropology(马克斯·普朗克地理人类学研究所);Department of Electrical Engineering and Information Technology, University of Naples(那不勒斯大学电气工程与信息学院)
本文提出了一种统一的可学习Koopman算子参数化家族,结合线性动态系统理论与现代深度学习预测架构,通过四种可学习Koopman变体提升时间序列预测性能,展示了在多个时间跨度和片段长度下的优越偏误-方差权衡和可解释性。
2026-03-13 cs.AI cs.LG cs.SY
Extensions of the Path-integral formula for computation of Koopman eigenfunctions
本文扩展了基于路径积分的Koopman特征函数闭式计算框架,引入有限时间计算、放宽主特征值分布假设并支持鞍点系统,从而显著提升该方法的实际适用性。
2024-11-25 cs.SY eess.SY math.DS
Koopman--Nemytskii Operator of Nonlinear Controlled Systems and Its Learning for Controller Synthesis
North Carolina State University(北卡罗来纳州立大学)
提出Koopman-Nemytskii算子,将非线性系统映射为再生核希尔伯特空间中的线性算子,实现基于数据的控制器综合,并保证预测误差有界。
2026-06-18 cs.SY eess.SY
Online Learning Koopman operator for closed-loop electrical neurostimulation in epilepsy
电神经调节作为一种姑息治疗已越来越多地用于控制癫痫。然而,目前的神经调节通常实现预定的致动策略,并且缺乏自适应地调整刺激输入的能力。在这项工作中,植根于最优控制理论,我们提出了一个Koopman-MPC框架,用于癫痫的实时闭环电神经调节,它集成了i)基于深度Koopman算子的动力学模型,以预测癫痫EEG的时间演变与近似有限维线性动力学和ii)模型预测控制(MPC)模块,以设计最佳的癫痫发作抑制策略。将基于Koopman算子的线性动力学模型嵌入到自编码器神经网络的隐状态空间中,在线逼近和更新Koopman算子。Koopman算子的线性动力学性质保证了后续MPC控制优化问题的凸性。所提出的深度Koopman算子模型显示出比基线模型更大的预测能力(例如,向量自回归模型,基于核的方法和递归神经网络(RNN))在合成和真实的癫痫EEG数据。此外,与RNN-MPC框架相比,我们的Koopman-MPC框架可以在Jansen-Rit模型和癫痫模型中以更好的计算效率抑制癫痫发作动力学。Koopman-MPC框架为基于模型的闭环神经调节打开了一个新的窗口,并揭示了非线性神经动力学和反馈控制策略。
2022-08-20 cs.SY eess.SY q-bio.NC
Safe Data-Driven Control and Dynamical Learning via Constrained Neural Architectures and Koopman Operators
Faculty of Engineering, King Saud University(沙特国王大学工程学院)
提出一个集成框架,结合神经常微分方程、测量诱导几何结构和Koopman算子理论,通过可计算的线性矩阵不等式保证数据驱动模型的稳定性,实现安全控制。
2026-05-23 cs.SY eess.SY
Dual-Loop Robust Control of Biased Koopman Operator Model by Noisy Data of Nonlinear Systems
针对含噪输入输出导致 Koopman 模型有偏及动力学失配的问题,本文提出 KROC 双回路鲁棒控制框架,并通过 LMI 保证稳定性与性能,在 Van Der Pol 振子上验证了性能提升。
2024-03-02 cs.SY eess.SY
Least-Squares Multi-Step Koopman Operator Learning for Model Predictive Control
Johns Hopkins University(约翰斯·霍普金斯大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出一种基于最小二乘多步Koopman算子学习的MPC方法,通过直接学习多步状态-控制映射,避免误差累积,提升长时间预测精度和闭环性能。
2026-01-17 cs.SY eess.SY math.OC
Learning Stable Koopman Embeddings
Australian Center for Field Robotics(澳大利亚现场机器人中心);Sydney Institute for Robotics and Intelligent Systems(悉尼机器人与智能系统研究所);The University of Sydney(悉尼大学)
本文提出了一种新的数据驱动的学习非线性系统稳定模型的方法。我们的模型使用Koopman嵌入将原始状态空间提升到高维线性流形。有趣的是,我们证明了每个离散时间非线性收缩模型都可以在我们的框架中学习。所提出的方法的另一个显著优点是,它允许在Koopman嵌入和运营商联合无约束优化,同时通过稳定的线性系统的直接参数化,大大简化了所涉及的计算,以加强模型的稳定性。我们验证了我们的方法在模拟系统和分析我们的参数化相比,替代品的优势。
2021-10-13 cs.LG cs.SY eess.SY
On the Existence of Quadratic Control Lyapunov Functions for Koopman-Operator based Bilinear Systems
Technical University of Munich(慕尼黑工业大学);National University of Singapore(新加坡国立大学)
本文探讨了基于Koopman算子的双曲系统中二次控制Lyapunov函数的存在性,指出其在高维系统中限制性强,提出了一种二次约束二次规划方法并进行了凸半正定松弛。
2026-04-10 cs.SY eess.SY
Deep Koopman Operator-Informed Safety Command Governor for Autonomous Vehicles
该研究针对自动驾驶车辆非线性建模难题,结合深度Koopman算子线性化方法与控制障碍函数构建安全指令调节器,通过硬件在环实验验证了模型保真度与横向稳定性提升效果。
2024-05-16 cs.SY eess.SY
Data-Driven Convex Approach to Off-road Navigation via Linear Transfer Operators
针对越野最优导航控制问题,提出基于线性P-F算子的凸规划方法,结合Koopman算子对偶性实现数据驱动近似,可用于无显式模型场景,并在杜宾车模型导航中验证了有效性。
2023-05-01 cs.SY eess.SY
Representer Theorem for Learning Koopman Operators
研究了离散自治系统的Koopman算子学习问题。学习问题被制定为一个约束正则化的经验损失最小化在无限维空间的线性算子。我们表明,在一定的,但一般的条件下,一个代表定理持有的学习问题。这允许在有限维空间中重新表达问题,而没有任何近似和精度损失。在此之后,我们考虑学习问题中正则化和约束的各种情况,包括算子范数,Frobenius范数,秩,核范数和稳定性。随后,我们推导出相应的有限维问题。此外,我们讨论了建议的配方和扩展的动态模式分解之间的联系。最后,我们提供了一个说明性的数值例子。
2022-08-02 cs.SY eess.SP eess.SY
Data-Driven Subsynchronous Oscillation Suppression for Renewable Energy Integrated Power Systems Based on Koopman Operator
针对可再生能源并网电力系统的次同步振荡问题,提出基于Koopman算子的数据驱动动态最优控制器,利用线性MPC在线计算控制信号,有效、自适应且鲁棒地抑制振荡。
2025-05-24 cs.SY eess.SY
A Koopman Operator Approach to Data-Driven Control of Semilinear Parabolic Systems
针对未知边界控制半线性抛物系统的数据驱动镇定问题,提出基于Koopman算子特征泛函提升动力学、双线性化与反馈线性化结合的方法,通过广义eDMD从状态数据直接设计控制器,验证了误差下闭环指数稳定性并通过反应扩散系统实例验证有效性。
2025-04-16 cs.SY eess.SY
A Koopman-backstepping approach to data-driven robust output regulation for linear parabolic systems
针对未知线性抛物系统及未知 ODE 扰动模型,提出基于 Koopman 算子、Hankel-DMD、逆 Sturm-Liouville 恢复与 backstepping 的数据驱动鲁棒输出调节控制方法,并证明误差与不确定性下的稳定性。
2025-06-06 cs.SY eess.SY
Diffeomorphically Learning Stable Koopman Operators
Technical University of Munich(慕尼黑工业大学)
受无限维Koopman算子(生成器)启发的系统表示越来越多地被考虑用于预测建模。由于算子的线性,一系列非线性系统允许线性预测器表示-允许简化预测,分析和控制。然而,找到有意义的有限维表示用于预测是困难的,因为它涉及确定Koopman不变(在动态下线性演化)以及相关(跨越原始状态)的特征-通常是无监督的问题。在这项工作中,我们提出了Koopmanizing流-一类非线性动力学的线性预测的监督学习的一种新的连续时间框架。在我们的模型构造中,一个潜在的同构相关的线性系统通过与单项式基的组合展开成一个线性预测。提升,其线性动力学和状态重建的同时学习,而无约束的参数化的赫维茨矩阵确保渐近稳定,无论运营商的近似精度。Koopmanizing Flows的卓越功效在著名的LASA手写基准上与最先进的方法相比得到了证明。
2022-05-30 cs.LG cs.SY eess.SY
Port-Hamiltonian Koopman Operator Synthesis for Mechanical Systems
Indian Institute of Science(印度科学理工学院)
针对非线性机械系统,提出结构保持的端口-哈密顿库普曼框架,通过动量变换和神经架构学习无源动力学,实现高精度预测与控制。
2026-09-16 cs.RO cs.SY eess.SY
Data-Driven Domain of Attraction Estimation via Convergent Koopman-Zubov Approximation
North Carolina State University(北卡罗来纳州立大学)
本文提出在RKHS上构造Zubov–Koopman算子,实现了吸引域的有效核估计,误差随样本量缩小,数值示例验证了方法的有效性。
2026-08-11 cs.SY eess.SY
Deep Neural Koopman Operator-based Economic Model Predictive Control of Shipboard Carbon Capture System
Nanyang Technological University(南洋理工大学);School of Chemistry, Chemical Engineering and Biotechnology(化学、化学工程与生物技术学院);Nanyang Environment & Water Research Institute (NEWRI)(南洋环境与水研究所)
针对船载碳捕获系统,提出基于Koopman框架的深度神经Koopman算子建模与经济预测控制方法,所建时变参数模型可基于部分状态预测成本与输出,相关凸优化问题在线求解高效,在四种工况下显著提升经济性能与碳捕获率并保证安全运行。
2025-04-12 cs.LG cs.SY eess.SY