非线性数据驱动动力学模型中的核模糊集传播
本文提出了一种基于测度理论的深度神经网络学习连续时间 Koopman 算子的方法，使用结构参数化来保证稳定性，并构建了一个自动编码器架构以学习动态模态分解的残差部分，并在基于贝叶斯方法的平均场变分推断下评估了该框架。
Jun, 2019
通过控制仿射再现内积核，我们提出了一种通用框架 —— 控制 Koopman 算子回归（cKOR），它允许直接估计单个算子，用于解决非线性控制仿射系统的 Koopman 算子表示的学习问题，并且通过利用随机投影（sketching）增强了控制 - Koopman 算子估计器的可扩展性。
May, 2024
使用无算子、测度论方法，将条件均值嵌入（CME）作为在再生核希尔伯特空间中取值的随机变量进行了处理，并推导了一种自然的回归解释来获得经验估计，提供了彻底的理论分析，包括通用一致性。作为自然副产品，我们获得了最大均值差异和希尔伯特 - 施密特独立标准的条件类比，并通过模拟演示了它们的行为。
Feb, 2020
运用新的算子理论方法，结合核函数、随机过程和建设性学习算法，我们提出了用于条件均值嵌入的基于谱分析的优化方案，在优化模型特征选择的过程中，利用正定核的凸集。
May, 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
本文提出了一种基于 Koopman 算子理论和消息传递网络的新方法，可以在任意时间步骤上全局有效地找到动态系统的线性表示，并应用于非线性网络动态问题及神经网络体系结构的高度非线性培训动态，获得了比当前技术水平高数个数量级的预测精度。
May, 2023
通过算子值随机梯度下降的增量式学习算法，可以逐渐从数据中学习条件均值嵌入（CME），以便在大数据情况下处理可扩展性挑战，并在目标 CME 不包含在假设空间中时，提供在线压缩操作学习算法的有限样本性能保证。
May, 2024
该研究介绍了 Deep Variational Koopman 模型的方法，可以推断随时间线性传播的观测分布，从而获得动力模型的分布并提供模型系统随时间推进的可能结果分布，同时也将学习的模型应用到控制框架中并表明考虑到分布中存在的不确定性能更好地控制。
Feb, 2019
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
本研究介绍了一种数据学习的线性 Koopman 嵌入非线性网络动态的方法，并将其用于实现电网中的实时模型预测紧急电压控制。该方法包括一种新颖的 “基字典自由” 的数据驱动系统动态升维方式、基于 Koopman 的深度神经网络编码器解码器架构用于分布式控制下潜在动力学的线性嵌入以及使用真实系统轨迹数据一次性学习三个连续变换的端到端成分。通过在标准 IEEE 39 总线系统上进行应用程序验证了该方法的效力和鲁棒性。
Jun, 2022