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
Koopman Resolvent: A Laplace-Domain Analysis of Nonlinear Autonomous Dynamical Systems
我们的研究动机是建立一个拉普拉斯域理论,提供原则和方法来分析和综合系统的非线性动力学。定义为非线性自治动力系统的复合算子半群--Koopman半群及其相关的Koopman生成元--在本研究中起着核心作用。我们介绍的Koopman生成器的预解式,我们称之为Koopman预解式,并提供其三种类型的非线性动力学的谱表征:遍历演化的吸引子,收敛到一个稳定的平衡点,收敛到一个(准)稳定极限环。这表明库普曼预解式提供了这种非线性自治动力学的拉普拉斯域表示。一个计算方面的拉普拉斯域表示也讨论了非平稳库普曼模式的重点。
2021-05-06 cs.SY eess.SY math.DS
The primitive spectrum of a semigroup of Markov operators
对于连续函数空间上的马氏算子半群S,我们用S-不变理想来刻画S的定性性质,如平均遍历性和不动空间的结构.为此目的,我们专注于原始S-理想,并赋予这些理想的空间与适当的拓扑。这种方法受到C*-代数的表示论的启发,并且可以适应我们的动态设置。在特别重要的Koopman半群的情况下,我们用S的不变理想结构刻画了底层动力系统的吸引中心。
2019-06-04 math.DS
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
Generalized Stochastic Resilience for Early Warning Signals Based on Koopman Operator
The University of Osaka(大阪大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
本文基于Koopman算子推广随机韧性理论,提出新信号更准确预测临界事件,实验显示其在检测临界现象早期信号方面更稳健。
2025-11-23 math.DS
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
Koopman-based Control for Stochastic Systems: Application to Enhanced Sampling
本文提出一种数据驱动方法,利用Koopman生成元对控制仿射随机系统进行预测与最优控制,并提供了确定最优控制策略以加速亚稳态随机系统中稀有事件模拟的原理验证。
2024-10-12 math.DS math.OC physics.comp-ph
Fréchet differentiable drift dependence of Perron--Frobenius and Koopman operators for non-deterministic dynamics
考虑了Perron-Frobenius算子和Koopman算子与非时齐常随机微分方程的关系,建立了它们关于漂移的Fréchet可微性.这一结果依赖于一个类似的可微性结果的路径期望的路径泛函的解决方案的随机微分方程,我们建立使用Girsanov公式。我们证明了我们的结果在动力系统和算子理论的背景下的意义,通过证明连续可微漂移依赖的简单的本征值和奇异值和相应的本征值和奇异函数的随机Perron Frobenius和Koopman运营商。
2019-07-16 math.DS math.PR
Physics-informed spectral approximation of Koopman operators
本文提出一种物理信息驱动的数据驱动方法,通过对Koopman生成元进行有界变换和核积分算符平滑,构造斜自伴紧算符并用Galerkin方法求解变分广义特征值问题,从而在保测度遍历系统中实现渐近一致的Koopman算符谱逼近与动力学特征提取。
2025-06-04 math.DS
Koopman analysis of quantum systems
Koopman算子理论已经成功地应用于流体动力学、分子动力学、气候科学、工程学和生物学等各个研究领域的问题。应用包括检测亚稳态或相干集,粗粒化,系统识别和控制。由随机微分方程驱动的动力学系统与量子力学之间存在着错综复杂的联系。在本文中,我们比较了基态变换和纳尔逊的随机力学,并展示了如何开发的数据驱动的方法近似的库普曼运营商可以用来分析量子物理问题。此外,我们利用薛定谔算子和随机控制问题之间的关系,表明现代数据驱动的随机控制方法可以用来解决静态或非稳态薛定谔方程。我们的发现为使用数据科学最近开发的工具解决薛定谔方程开辟了一条新途径。
2022-06-28 math.DS quant-ph
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
Error analysis of kernel EDMD for prediction and control in the Koopman framework
本文分析基于核的kEDMD算法,在非遍历采样分布下证明其Koopman预测误差界,并将结果推广到控制仿射系统。
2023-12-16 math.DS
Learning Koopman eigenfunctions of stochastic diffusions with optimal importance sampling and ISOKANN
针对随机扩散过程Koopman主导本征函数求解问题,重构ISOKANN框架下的本征问题,结合最优重要性采样提出带收敛证明的自适应迭代算法,将逼近精度提升数个数量级。
2022-12-30 math.DS math.PR
Koopman for stochastic dynamics: error bounds for kernel extended dynamic mode decomposition
Technische Universität Ilmenau(埃尔福特工业大学);Chemnitz University of Technology(开姆尼茨工业大学)
本文研究了核扩展动态模式分解(kEDMD)在随机动力学系统中近似Koopman算子的误差界,通过分析数据点的点误差,将误差分为确定性和概率性两部分。
2026-04-17 cs.NA math.DS math.NA
Resolvent-Type Data-Driven Learning of Generators for Unknown Continuous-Time Dynamical Systems
Coordinated Science Laboratory, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校协同科学实验室)
本文提出一种预解型数据驱动方法学习未知连续时间动力系统的生成子,避免了估计时间导数和算子对数的限制,放宽了观测频率要求,并在系统辨识和构造 Lyapunov 函数中验证了其有效性。
2025-11-02 math.DS
A Koopman framework for rare event simulation in stochastic differential equations
利用随机Koopman算子和Kolmogorov倒向方程之间的关系,构造了随机微分方程的重要性抽样方案.具体地,我们提出使用随机Koopman算子的本征函数来近似感兴趣的可观测量的Doob变换(例如,与罕见事件相关联),这又产生对应的零方差重要性抽样估计量的近似。我们的方法是广泛适用的和系统的,治疗非正常系统,非梯度系统,和系统的振荡动力学或秩亏噪声在一个共同的框架。在非线性设置的随机库普曼特征函数不能推导出解析,我们使用动态模式分解(DMD)的方法来计算它们的数值,但框架是不可知的特定的数值方法。数值实验表明,即使是粗糙的近似的几个特征函数,后者是建立从非罕见的轨迹,可以产生有效的重要性抽样计划罕见的事件。
2022-02-07 math.DS math.PR stat.CO
Some stochastic Property of topological action semigroups
在适当的条件下,证明了随机迭代函数系统(RIFS)几乎必然满足这一性质。
2015-09-25 math.DS
Error bounds for kernel-based approximations of the Koopman operator
该研究针对再生核希尔伯特空间中随机微分方程的Koopman算子数据驱动近似问题,推导了多种误差界与方差表达式,并通过Ornstein-Uhlenbeck过程的数值实验验证了结果。
2023-12-19 math.DS
Invariance of Gaussian RKHSs under Koopman operators of stochastic differential equations with constant matrix coefficients
本文研究随机微分方程Koopman算子下高斯核再生核希尔伯特空间的不变性,给出Lyapunov型矩阵不等式充分条件,并刻画空间包含关系,必要性留作开放问题。
2024-05-23 math.DS math.PR
Variance representations and convergence rates for data-driven approximations of Koopman operators
本文为EDMD逼近Koopman算子严格推导误差界,证明i.i.d.采样指数收敛及遍历采样超线性收敛,并基于方差表示验证于复杂系统。
2024-05-23 math.DS
Improvement of system identification of stochastic systems via Koopman generator and locally weighted expectation
针对gEDMD在随机微分方程中受噪声影响的问题,提出结合聚类与局部加权期望的改进方法,并在状态依赖噪声的双阱势系统上验证了其有效性。
2024-06-27 math.DS physics.data-an
Data-driven approximation of the Koopman generator: Model reduction, system identification, and control
我们推导出一种数据驱动的Koopman生成器的近似方法,称为gEDMD,它可以被视为EDMD(扩展动态模式分解)的一个简单的扩展。该方法适用于确定性和随机动力系统。它可用于计算发电机的特征值、特征函数和模态以及系统辨识。除了学习确定性系统的控制方程,然后简化为SINDy(非线性动力学的稀疏识别),还可以从数据中识别随机微分方程的漂移和扩散项。此外,我们应用gEDMD来获得高维系统的粗粒度模型,并确定有效的模型预测控制策略。我们强调与其他方法的关系,并使用几个指导性的例子和原型分子动力学问题证明所提出的方法的有效性。
2020-02-13 math.DS stat.ML
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
Data-driven probability density forecast for stochastic dynamical systems
本文提出了一种数据驱动的非参数方法来预测随机动力系统的概率密度演化。该方法是基于随机Koopman算子和扩展动态模式分解(EDMD)。为了近似随机Koopman算子的有限维特征分解,EDMD被应用于从底层随机动力系统的平稳分布采样的训练数据集。Koopman算子族构成一个半群,该半群由随机动力系统的无穷小生成元生成。生成元和Fokker-Planck算子之间的一个重要联系提供了构造加权希尔伯特空间的规范正交基的一种方法。在这个加权空间中完成了密度函数的谱分解。该方法是一种数据驱动的方法,用于预测概率密度演化和实时矩估计。在大量快拍和观测量的限制下,数据驱动的概率密度近似在适合于不变测度的基上收敛到Fokker-Planck方程半群解的Galerkin投影.该方法具有与扩散预测相似的思想,但比扩散预测的概率密度更准确。最后通过数值算例说明了数据驱动概率密度预测的性能。
2022-10-11 cs.NA math.DS math.NA
Kernel Methods for Stochastic Dynamical Systems with Application to Koopman Eigenfunctions: Feynman-Kac Representations and RKHS Approximation
Department of Computing and Mathematical Sciences, Caltech(加州理工学院计算与数学科学系);The Alan Turing Institute(艾伦·图灵研究所);Department of Mechanical Engineering, Clemson University(克莱姆森大学机械工程系)
本文提出用于随机动力系统的核方法,通过Feynman-Kac表示和RKHS近似,扩展了Koopman特征函数的构造,并分析了扩散对数值稳定性的提升作用。
2026-03-01 cs.NA cs.SY eess.SY
Beyond expectations: Residual Dynamic Mode Decomposition and Variance for Stochastic Dynamical Systems
University of Cambridge(剑桥大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Allen Institute(艾伦研究所);University of Washington(华盛顿大学);Cornell University(康奈尔大学)
针对随机动力系统中Koopman算子谱验证的空白,本文提出将方差纳入框架,通过额外DMD型矩阵近似残差与方差,实现谱性质的验证计算,并引入方差伪谱以揭示标准期望模型无法获得的生理信息。
2023-11-10 cs.LG cs.NA math.DS
Finite-data error bounds for Koopman-based prediction and control
Koopman算子已经成为动态(控制)系统的数据驱动近似的重要工具,例如,通过扩展的动态模式分解。尽管它的流行,收敛结果,特别是,误差界仍然是稀缺的。在本文中,我们推导出概率界的近似误差和预测误差的训练数据点的数量,为普通和随机微分方程,而使用遍历轨迹或独立同分布。样品我们通过一个例子来说明这些界限与Ornstein-Uhlenbeck过程。此外,我们扩展我们的分析(随机)非线性控制仿射系统。我们证明了误差估计以前提出的方法,利用Koopman发电机的线性度,以获得一个双线性代理控制系统,因此,规避了灾难的维数,因为该系统是不是通过增加状态的控制输入。据我们所知,这是第一个有限数据误差分析的随机和/或控制设置。最后,我们证明了双线性方法的有效性,通过比较它与国家的最先进的技术,显示其优越性时,状态和控制耦合。
2022-02-15 math.DS math.OC math.PR
On the lattice property of the Koopman operator spectrum
本研究解决了Koopman算子谱乘法格结构中新增本征函数的定义域归属问题,证明离散时间动力系统的Koopman算子谱具有该结构,而离散时间随机过程的则未必,完善了Koopman算子理论的核心细节。
2025-07-31 math.DS math.FA nlin.CD
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
Quantum Stochastic Semigroups and Their Generators
给出了量子完全正(CP)随机半群无界生成元的操纵希尔伯特空间刻画。给出了代数L(H)上随机完全耗散(CD)方程的一般形式和膨胀,构造了具有无界生成元的子过滤流和压缩流的酉量子随机膨胀.
2005-12-15 math.DS math.PR
A Data-Driven Koopman-Behavioral Distance for Nonlinear Dynamical Systems
Clemson University(克莱姆森大学)
本文提出一种基于Koopman算子和行为子空间的非线性随机系统距离度量,利用轨迹数据提升并比较子空间,实现坐标不变性和参数判别。
2026-09-09 cs.SY eess.SY math.DS
Koopman-Assisted Reinforcement Learning
Department of Computer Science, Cornell University(康奈尔大学计算机科学系);Subharmonic Technologies Inc.(Subharmonic Technologies公司);Department of Economics, Cornell University(康奈尔大学经济学系);Department of Engineering Physics and Computation, Technical University of Munich(慕尼黑技术大学工程物理与计算系);Department of Mechanical Engineering, University of Washington(华盛顿大学机械工程系)
本文提出基于数据驱动Koopman算子的强化学习算法,通过将非线性系统提升到新坐标空间,使动力学近似线性化,从而更易处理Hamilton-Jacobi-Bellman方程。该方法重构了两种最大熵RL算法,适用于确定性和随机性系统。
2026-05-01 cs.AI cs.LG math.DS
Data-driven analysis of metastability in a stochastic bistable system
University of Leicester(莱斯特大学);Great Bay University(大湾区大学)
本文基于Koopman算子框架,通过分析子主导模式的时间演化和衰减率,研究了随机双稳系统亚稳态特性,验证了大偏差理论在弱噪声极限下的预测,并展示了方法在高维亚稳系统中的应用潜力。
2026-07-17 cond-mat.stat-mech math.DS physics.ao-ph
Data-driven model reduction of agent-based systems using the Koopman generator
社会系统的动力学行为可以用基于主体的模型来描述。虽然单个代理遵循容易解释的规则,但由于它们的相互作用,出现了复杂的时间演变模式。然而,这种基于代理的模型的模拟和分析,往往是令人望而却步的时间消耗,如果代理的数量很大。在本文中,我们展示了如何Koopman算子理论可以用来推导降阶模型的代理为基础的系统,只使用模拟数据。我们的目标是学习粗粒度的模型,并表示普通或随机微分方程的减少动力学。例如,新的变量是基于代理的模型的聚合状态变量,对较大群体或整个群体的集体行为进行建模。使用已知的粗粒度模型的基准问题,我们证明,所得到的减少系统是在良好的协议与分析结果,提供代理的数量是足够大的。
2021-05-11 math.DS stat.ML
Discovering transition phenomena from data of stochastic dynamical systems with Lévy noise
从观测数据和模拟数据分析复杂动力学是一个具有挑战性的问题。从数据中提取动态行为的一个优点是,这种方法能够研究数学模型不可用的非线性现象。本工作的目的是提取有关过渡现象的信息(例如,平均退出时间和逃逸概率),从非高斯Lévy噪声的随机微分方程的数据。作为描述动力系统的工具,Koopman半群将非线性系统转化为线性系,但代价是将有限维问题提升为无限维问题。尽管如此,利用随机Koopman半群与随机微分方程的无穷小生成元之间的关系,我们从数据中学习平均退出时间和逃逸概率。具体地说,我们首先得到一个有限维近似的无穷小生成元的扩展的动态模式分解算法。在此基础上,我们识别了随机微分方程的漂移系数、扩散系数和反常扩散系数。最后,我们通过对非局部偏微分方程进行有限差分离散,计算了平均退出时间和逃逸概率。该方法适用于从具有(高斯)布朗运动或(非高斯)Lévy运动的随机微分方程数据中提取跃迁信息。我们提出了一维和二维的例子来证明我们的方法的有效性。
2020-08-20 math.DS math.PR
On Data-Driven Unbiased Predictors using the Koopman Operator
TU Darmstadt(达姆施塔特工业大学);The University of Sydney(悉尼大学);Technische Universität Ilmenau(伊尔梅瑙工业大学)
本文提出一种基于Koopman算子的数据驱动无偏预测方法,通过分析残差矩来减少预测偏差和方差,提升预测的不确定性特性。
2026-02-04 cs.SY eess.SY math.DS
On the numerical approximation of the Perron-Frobenius and Koopman operator
Freie Universität Berlin(柏林自由大学);Zuse Institute Berlin(柏林祖斯研究所)
本文综述了近几十年来用于计算 Perron-Frobenius 和 Koopman 运算符有限维近似的不同方法,如 Ulam 方法和扩展动态模式分解,并通过简单随机微分方程和分子动力学示例展示其异同。
2016-10-20 cs.NA math.DS math.NA
Semigroup approach to birth-and-death stochastic dynamics in continuum
我们描述了一个一般的方法来建设的状态演化对应的马尔可夫生成器的空间出生和死亡的动态$\mathbb{R}^d$。我们提出的出生和死亡的强度是足够的条件存在的发展作为一个强连续半群在适当的巴拿赫空间的相关函数满足Ruelle界。相应的随机动力学的Vlasov型标度的收敛性。
2011-10-16 math-ph math.DS math.FA
Finite-Data Error Bounds for Approximating the Koopman Operator: Sampling Measures, Super-Polynomial Convergence and Regularization
Concordia University(康考迪亚大学)
本研究为有限数据下EDMD逼近Koopman算子建立误差界,证明蒙特卡洛速率,并在特定结构下实现超多项式收敛,同时为欠采样情形提供基于压缩感知的恢复保证。
2026-09-29 cs.NA math.DS math.NA
Sharp Spectral Rates for Koopman Operator Learning
Istituto Italiano di Tecnologia(意大利技术研究院);University of Novi Sad(诺维萨德大学);CMAP-Ecole Polytechnique(巴黎综合理工学院应用数学中心);University College London(伦敦大学学院)
本文研究时间反演不变随机动力系统的 Koopman 谱学习,基于新型 minimax 算子范数界与度量畸变控制,首次给出 EDMD 和 RRR 的特征值及特征函数非渐近误差界。
2023-11-08 cs.LG math.DS
On the Koopman operator of algorithms
一个系统的数学框架,研究数值算法将允许比较,促进共轭参数,以及使改进的,加速的,数据驱动的算法的发现。在过去的一个世纪里,Koopman算子为动力系统的研究提供了一个数学框架,它有助于共轭论证,并可以提供有效的简化描述。最近,数值逼近的运营商已经使大量的确定性和随机动力系统的分析在一个完全的数据驱动,基本上无方程的管道。离散或连续时间数值算法(积分器、非线性方程求解器、优化算法)本身是动力系统。在本文中,我们使用这种见解,利用Koopman算子框架的数据驱动的研究,这些算法和讨论的好处分析和加速数值计算。对于通过快速将它们收缩到低维流形来作用于高维空间的算法,我们演示了适应数据的基函数如何帮助构建有效的算子简化表示。我们的示例包括梯度下降和Nesterov优化算法,以及Newton-Raphson算法。
2020-05-19 cs.NA math.DS math.NA
Equivariance and partial observations in Koopman operator theory for partial differential equations
TU Dortmund(多特蒙德工业大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所);Paderborn University(帕德博恩大学);Max Planck Institute for Dynamics of Complex Technical Systems(马克斯·普朗克复杂技术系统动力学研究所);TU Ilmenau(伊尔默瑙工业大学);TU Chemnitz(开姆尼茨工业大学)
本文证明系统对称性可传递至Koopman算子以提升模型效能,并基于嵌入理论推导部分观测下所需可观测函数数量的严格结论,通过波动方程等数值示例验证。
2024-11-05 cs.LG math.DS
tgEDMD: Approximation of the Kolmogorov Operator in Tensor Train Format
从仿真数据中提取动力系统的信息已成为自然科学和工程科学中日益重要的研究课题。Koopman算子半群的建模在这方面发挥了核心作用。由于任何此类模型的近似质量都严重依赖于基集,因此最近的工作集中在以低秩张量格式导出Koopman算子的数据有效表示,从而能够使用强大的模型类,同时避免过度拟合。另一方面,关于系统的详细信息可以从无穷小生成元的模型中提取,也称为随机微分方程的Kolmogorov向后算子。在这项工作中,我们提出了一个数据驱动的方法,有效地近似使用张量训练(TT)格式的生成器。该方法的核心是在所有数据站点的生成器评估的张量的TT表示。我们分析的方法的一致性和复杂性,目前的扩展实际相关的设置,并证明其适用性基准数值例子。
2022-03-21 math.DS math.PR physics.comp-ph