关于算法的 Koopman 算子
本篇论文探讨了 Koopman 算子理论在处理非线性系统方面的应用,着重介绍了 Koopman 算子动力学模型中各种现有方法的优缺点,分析了 Koopman 算子理论与系统理论概念的关系及其在控制系统建模中的潜力,同时讨论了当前的挑战和未来的发展方向。
Feb, 2021
介绍了最新的 Koopman 算子理论及算法发展,重点强调了这些方法在各种应用领域中的作用,同时讨论了机器学习中的重大进展和挑战,这些可能推动未来的发展并显著转变动力系统的理论面貌。
Feb, 2021
这篇文章提出了一种基于深度学习的方法来学习非线性动力学系统的 Koopman 算子,自动选择高效的深度字典来描述这些系统,并成功预测了未来 100 步的量化预测和 400 步的定性振荡行为。
Aug, 2017
本文针对 Koopman 算子理论与神经网络训练的相关性,提出了一种应用 Koopman 算子理论实现神经网络权重和偏置快速训练的方法并在一定时间范围内得到了验证,而且这种方法优于目前主流的基于梯度下降的方法 10 倍以上。未来的工作将着重于扩展这种方法到更广泛的网络分类和更大的训练时间间隔。
Jun, 2020
这篇论文描述了使用 Koopman 算子及其特征函数进行非线性系统的控制的方法,并提出了基于数据驱动的降阶方法,证明了验证确定的特征函数的重要性并且说明了其在控制中的作用。
Jul, 2017
通过对大规模系统的部分观测或粗粒化进行分析和数值实验,本文探讨了 Koopman 算子在非线性动力学中的线性函数空间表示,同时提出了 EDMD 算法在选取观测的数量时可能存在的问题,并揭示了系统动力学对 Koopman 算子的对称性,可大幅提高模型的效率,并提供了 Kuramoto-Sivashinsky 方程数值实例支持。
Jul, 2023
该研究提出了一种基于 Koopman 算子理论的新型重现核希尔伯特空间 (RKHS),称为 Koopman Kernel Regression (KKR),可以提高预测的准确性和泛化能力,对于以 Koopman 为基础的预测器,最新的统计学习方法存在限制,所以提供比现有研究更为详尽的证明和更宽松的假设。
May, 2023
本文介绍了一种基于数据的方法,用于近似 Koopman 算子的主要特征,其不需要显式的控制方程或与 “黑匣子” 积分器的交互,并演示了该方法的可行性及其潜在应用示例。
Aug, 2014
本研究提出了 Koopmanizing Flows 方法,它是一种新的连续时间框架,用于监督学习一类非线性动力学的线性预测器,可有效地解决寻找有意义的有限维表示以进行预测的问题,并在 LASA 手写字体基准测试中展示出卓越的功效。
Dec, 2021