动力系统的现代 Koopman 理论
我们将 Koopman 算子理论做出了新的泛化,它融合了输入和控制的影响,并将其应用于动态模式分解。我们对非线性动态系统进行了证明,展示了如何将其泛化到动态模式分解与控制,以及如何在可操纵系统中产生输入 - 输出模型。
Feb, 2016
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
本文研究了基于 Hankel 型数据矩阵的 Dynamic Mode Decomposition 算法在计算无限维 Koopman 算子的特征值和特征函数上的收敛性,证明了在刻画极限动力学系统的哈尔小波基函数上,DMD 算法的向量投影可用于近似函数投影并收敛于 Proper Orthogonal Decomposition。该方法被成功应用于计算流体力学以及其他的动力学系统,是一种可行的数值模拟方法。
Nov, 2016
本文提出了一种数值算法的数学框架,并利用 Koopman 操作符框架在高维空间中对优化算法进行了数据驱动的研究,通过适应性数据的基础函数帮助构建了有效的降维算子,以实现算法的加速和分析。
Jul, 2019
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
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
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
本论文引入了乘法动态模态分解(MultDMD),通过在其有限维近似中强制实现 Koopman 算子的乘法结构,从而更准确地反映 Koopman 算子的谱特性。我们详细阐述了 MultDMD 的理论框架,包括其公式化、优化策略和收敛性质。通过多个示例(包括非线性摆、Lorenz 系统和流体动力学数据),我们证明了 MultDMD 对噪声的出色鲁棒性。
May, 2024
本文提出了子空间动态模式分解(subspace DMD)作为一种算法,用于带有观测噪声的随机动力系统的 Koopman 分析,并研究了其实证性能。
May, 2017