Data-Driven Encoding: A New Numerical Method for Computation of the Koopman Operator
Massachusetts Institute of Technology(麻省理工学院)
本文提出了一种基于直接编码(DE)公式的数据驱动的Koopman线性模型构造方法。流行的方法,动态模式分解(DMD)及其扩展是基于最小二乘估计,可以被证明是偏向于密集的数据。由非线性状态转移函数与可观测函数的内积组成的DE公式不会引起这种有偏估计问题,因此可以作为DMD的理想替代方案。然而,原始DE公式需要非线性状态方程的知识,这在许多实际应用中是不可用的。本文将DE公式推广到一种数据驱动的方法--Koopman算子的数据驱动编码(DDE),该方法利用非线性动力系统的数据计算内积。给出了计算内积的有效算法,并证明了其收敛性。数值实验验证了DDE相对于扩展DMD的有效性。实验表明,数据分布和DDE的收敛特性的鲁棒性,保证精度的提高与额外的样本点。此外,DDE被应用于Koopman算子的深度学习,以进一步提高预测精度。
2023-01-16 cs.LG cs.RO cs.SY
Koopman Spectral Analysis of Lithium-Ion Battery Dynamics: State of Charge as a Marginally Stable Observable
Dynamical Systems and Signals Lab (DSSL), Department of Mechanical Engineering, South Dakota State University(南达科他州立大学机械工程系动力系统与信号实验室)
研究锂离子电池SOC估计难题,提出基于柯普曼理论、数据驱动的框架,用DMDc结合汉克尔时延嵌入,直接从测量数据重建动态状态空间,通过谱分解揭示内在动力学,将SOC动力学作为边际稳定模式,其模态坐标用作SOC敏感可观测量。
2026-07-10 cs.SY eess.SY
The kernel perspective on dynamic mode decomposition
University of South Florida(南佛罗里达大学);Oklahoma State University(俄克拉荷马州立大学);University of Florida(佛罗里达大学)
本文从核方法视角重新审视动态模式分解的理论假设,通过反例揭示其局限性,并提出仅需稠密定义Koopman算子的新框架,用数值实验验证其有效性。
2023-04-17 cs.LG cs.SY eess.SY
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
Estimate of Koopman modes and eigenvalues with Kalman Filter
本文提出一种基于集合卡尔曼滤波器的自适应方法,从含噪测量中持续更新库普曼模态与特征值,可扩展至非自治系统并准确恢复短时特征对,理论分析与实验验证了其有效性。
2024-09-24 cs.SY eess.SY math.PR
Dynamic Mode Decomposition with Non-uniform Sampling
针对状态各分量采样率不一致的问题,提出两步 DMD 算法,先用 Hankel DMD 估计各分量并重建完整状态,再计算系统的(E)DMD。
2024-04-10 cs.SY eess.SY
Urban traffic analysis and forecasting through shared Koopman eigenmodes
New York University Abu Dhabi(纽约大学阿布扎比分校)
针对数据稀缺城市的交通流量预测难题,提出基于约束汉克尔化DMD(TrHDMD)的跨城市迁移学习方法,通过提取并共享数据丰富城市的稳定Koopman特征模态(城市心跳),显著提升了数据稀缺城市的预测准确性与交通管理能力。
2024-12-18 cs.LG cs.SY eess.SP
Principal component trajectories for modeling spectrally-continuous dynamics as forced linear systems
延迟嵌入的时间序列数据已经成为一个有前途的坐标基础的数据驱动估计的Koopman运营商,寻求一个线性表示所观察到的非线性动态。最近的工作已经证明了动态模式分解(DMD)获得有限维Koopman近似延迟坐标的功效。在本文中,我们演示了如何稀疏傅立叶谱的非线性动力学可以(i)表示的叠加主成分轨迹(PCT)和(ii)在这个坐标空间中的DMD建模。对于连续或混合(离散和连续)光谱,DMD可以用外部强迫项来增强。我们提出了一种方法,学习线性控制模型的延迟坐标,同时发现相应的外源强迫信号在一个完全无监督的方式。这扩展了现有的DMD与控制(DMD c)算法的情况下,控制信号是未知的先验。我们提供的例子来验证学习强迫对一个已知的地面真相,并说明他们的统计相似性。最后,我们提供了一个示范,这种方法适用于现实世界的电网负荷数据,以显示其实用程序的诊断和解释系统中,有些周期性的行为是强烈迫使未知和不可测量的环境变量。
2022-01-12 cs.SY eess.SY physics.comp-ph
Learned Lifted Linearization Applied to Unstable Dynamic Systems Enabled by Koopman Direct Encoding
Massachusetts Institute of Technology(麻省理工学院)
本文提出了一种Koopman提升线性化方法,它适用于具有稳定和不稳定区域的非线性动力系统。众所周知,DMD和其他标准的数据驱动方法在应用于不稳定系统时,在构建Koopman模型时面临根本困难。在这里,我们解决了这个问题,结合知识的非线性状态方程的学习方法,找到一组有效的可观的。在提升空间中,稳定区域和不稳定区域被分离成独立的子空间。基于这一特性,我们建议通过神经网络训练,其中训练数据分为稳定和不稳定的轨迹,找到有效的可观。所得到的学习的观测量用于构造一个线性的状态转移矩阵,使用称为直接编码的方法,该方法通过与观测量的内积计算将非线性状态方程转换为状态转移矩阵。所提出的方法显示了显着的改善,现有的DMD和数据驱动的方法。
2023-01-16 cs.LG cs.SY eess.SY
Control-Coherent Koopman Modeling: A Physical Modeling Approach
本文将 Koopman 算子理论扩展至非自治控制系统,提出包含精确输入矩阵 B 的 Control-Coherent Koopman Model,解决了现有方法因近似 B 矩阵导致的控制器误导问题,在机械臂等系统实验中表现优于 DMDc。
2024-08-22 cs.SY eess.SY
Singular Dynamic Mode Decompositions
University of South Florida(南佛罗里达大学);Oklahoma State University(俄克拉荷马州立大学)
这份手稿的目的是解决几个长期存在的局限性,动态模式分解的应用Koopman分析。这些限制中的原则是相关的动态模式分解算法的收敛性和Koopman模式的存在。为了解决这些限制,两个主要的修改,其中Koopman运营商被从分析中删除的Liouville运营商(在特殊情况下称为Koopman发电机),这些运营商被证明是紧凑的某些对希尔伯特空间分别选择作为域和范围的运营商。虽然本征函数在一般分析中被丢弃,但仍然证明了可行的重建算法,并且本征函数的牺牲实现了DMD分析的理论目标,这些目标在其他情况下尚未实现。然而,在域嵌入在范围中的情况下,特征函数方法仍然是可实现的,其中建立了更典型的DMD例程,但是其利用了在范数中收敛的有限秩表示。手稿最后描述了两种动态模式分解算法,当从数据中产生的密集的占用内核集合在分析中被利用时,该算法收敛。
2021-06-13 cs.LG cs.NA cs.SY
PyKoopman: A Python Package for Data-Driven Approximation of the Koopman Operator
University of Washington(华盛顿大学);Rensselaer Polytechnic Institute(伦斯勒理工学院)
本文介绍PyKoopman,一个用于数据驱动逼近Koopman算子的Python包,基于DMD及其变体实现系统识别,支持预测、估计和控制非线性动力学,并提供代码示例和扩展建议。
2023-06-22 cs.LG cs.SY eess.SY
Spectral Koopman Method for Identifying Stability Boundary
提出利用 Koopman 特征函数零水平曲线刻画稳定流形,并以路径积分公式识别自治系统稳定性边界,且无需显式系统动力学模型。
2023-12-11 cs.SY eess.SY
Gramians for a New Class of Nonlinear Control Systems Using Koopman and a Novel Generalized SVD
Brigham Young University(杨百翰大学)
本文提出基于广义SVD的Gramians构造方法,解决非线性系统降阶中输入能量度量不匹配问题,通过点wise norm-preserving输入映射保持因果性并计算可计算的H∞误差证书。
2026-04-05 cs.SY eess.SY math.OC
Characterizing the Predictive Accuracy of Dynamic Mode Decomposition for Data-Driven Control
动态模式分解(DMD)是一种通用的方法,可以从数据中构建低阶模型。基于这种模型的控制器设计任务需要估计和保证预测精度。在这项工作中,我们提供了一个DMD模型误差的理论分析,揭示了模型阶数和数据可用性的影响。分析还建立了DMD模型可以渐近精确的条件。我们使用一个二维扩散系统验证我们的结果。
2020-03-21 cs.SY eess.SY math.OC
Koopman Operators for Global Analysis of Hybrid Limit-Cycling Systems: Construction and Spectral Properties
本文为具有全局渐近稳定周期轨道的混合动力系统建立了Koopman算子理论,通过构造保留光滑结构的可观测空间,完整刻画了算子谱并确保特征函数存在唯一,从而支持全局分析。
2024-11-06 cs.SY eess.SY math.DS
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
No-Regret Model Predictive Control with Online Learning of Koopman Operators
Department of Aerospace Engineering, University of Michigan(密歇根大学航空航天工程系)
本文提出了一种结合Koopman算子在线学习的无遗憾模型预测控制算法,用于处理具有未知残差动力学的非线性系统。
2025-12-10 cs.SY eess.SY
On the Equivalence of Koopman Eigenfunctions and Commuting Symmetries
本文针对非线性系统线性化问题,建立了Koopman特征函数与交换对称性之间的等价关系,推导出主特征函数的显式公式并证明其一致收敛性,提供了一种计算特征函数的构造性方法。
2025-09-14 cs.SY eess.SY math-ph
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
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
Koopman Operator in the Weighted Function Spaces and its Learning for the Estimation of Lyapunov and Zubov Functions
本文在加权函数空间和加权再生核希尔伯特空间中学习库普曼算子,保证其收缩性和误差有界,并利用学习结果估计全局渐近稳定系统的李雅普诺夫函数及刻画吸引域的祖博夫-李雅普诺夫函数,同时给出误差概率界。
2024-09-30 cs.SY eess.SY math.DS
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
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
Learning the Koopman Eigendecomposition: A Diffeomorphic Approach
Technical University of Munich(慕尼黑工业大学)
我们提出了一种新的数据驱动的方法学习一类稳定的非线性系统的线性表示使用Koopman特征函数。通过正规化流学习非线性系统与其雅可比线性化之间的共轭映射,可以保证所学习的函数是一个自同构。使用这种同构,我们通过共轭系统的谱等价构造非线性系统的本征函数-允许构造非线性系统的线性预测。该学习器的普适性导致了非线性系统的Koopman特征函数的普适逼近。所开发的方法也是安全的,因为它保证了模型是渐近稳定的,无论表示精度如何。据我们所知,这是第一个缩小操作员,系统和学习理论之间差距的工作。我们的方法的有效性,通过模拟的例子。
2022-05-30 cs.LG cs.SY eess.SY
On the Effect of Quantization on Dynamic Mode Decomposition
本文分析量化数据对 DMD 估计 Koopman 算子的影响,证明大数据下量化估计等价于正则化估计,并通过三类动力系统实验验证理论。
2024-04-02 cs.SY eess.SY
On the Effect of Quantization on Extended Dynamic Mode Decomposition
本文研究量化对扩展动态模式分解估计库普曼算子的影响,证明大数据下量化估计可视为未量化估计的正则化版本,并通过数值实验验证理论。
2024-09-19 cs.SY eess.SY
Data-Driven Safe Output Regulation of Strict-Feedback Linear Systems with Input Delay
Xiamen University(厦门大学)
本文提出了一种数据驱动的安全控制方法,用于具有输入延迟的严格反馈线性系统,通过Krylov动态模式分解和反推法实现安全输出调节。
2026-10-30 cs.SY eess.SY
Prediction of fitness in bacteria with causal jump dynamic mode decomposition
在本文中,我们考虑的问题,学习的预测模型作为一个功能的媒体条件的群体细胞生长动力学。我们首先介绍了一个通用的数据驱动的框架,用于训练算子理论模型来预测细胞生长速率。然后,我们介绍了试验设计和数据产生在这项研究中,即生长曲线的恶臭假单胞菌作为酪蛋白和葡萄糖浓度的函数。我们使用数据驱动的方法进行模型识别,特别是非线性自回归(NAR)模型来表示动态。我们从理论上表明,汉克尔DMD可以用来获得NAR模型的解决方案。我们证明了它可以识别一个约束NAR模型,为了获得更一般的解,我们定义了一个因果状态空间系统,使用1步,2步,.,τ-步预测的NAR模型,并确定一个Koopman运营商为这个模型使用扩展的动态模式分解。混合计划,我们称之为跳跃动态模式分解,我们说明的增长曲线或健身预测的挑战,作为不同的输入增长条件的函数。我们表明,我们的模型能够以96.6%的准确率概括训练生长曲线数据,并以91%的准确率预测测试生长曲线数据。
2020-06-23 cs.SY eess.SY math.OC