Koopman operator：为什么，是什么，怎么算

1. 为什么需要Koopman Operator

线性化能帮助我们简化处理很多非线性问题。常见线性化手段如在不动点(fixed-point）附近进行线性化能提供一个局部的线性化表达，但对于远离不动点的区域就无能为力了。而Koopman operator可以看做是一种全局的线性化手段，将有限维非线性问题转化为无限组非线性坐标的线性组合（可以想象用泰勒展开、傅里叶级数来逼近一个函数帮助理解）。在某些限制下， koopman operator与动态模态分解（DMD）与离散傅里叶变换（DFT）紧密相连。

2. 什么是 Koopman Operator

Koopman operator是能够将任何系统$g(x)$ 推进一个时间步的无限维线性系统。
$${\kappa }_{t}g=g\circ F_t$$
这里的${\kappa }_t$ 就是Koopman operator, $F_t$代表将任何系统在时间上推进一步，中间的$\circ$是复合算子（composition operator）。
可能有点抽象，我们以一个时间步为$\Delta t$的离散系统为例：
$${\kappa }_{t}g(x_k)=g(F_t(x_k))=g(x_{k+1})$$

• 第一项：将以第k个时间步的状态$x_k$为自变量的函数$g(x)$ 通过乘上Koopman Operator ${\kappa }_t$ 在时间上步进一步
• 第二项： $g(F_t(x_k))=g\circ F_t$，也就是上一个式子复合算子的展开。这一项的含义是先将自变量$x_k$ 步进到$x_{k+1}$再取$g(x)$函数值
• 第三项：$g(x)$代入$x_{k+1}$的函数值

对于连续系统，写法稍微有点不一样：
$$\frac{d}{dt}g=\kappa g$$
其中的 $\kappa$ 可以结合 ${\kappa }_t$ 和微分的定义来理解：

$$\frac{d}{dt}g=\underset{t\to 0}{\lim }\frac{g(x_{k+1})-g(x_k)}{t}=\frac{{\kappa }_{t}g-g}{t}=\kappa g$$

3. 如何计算、估计Koopman Operator

前面已经说过Koopman Operator是无限维的，那么在实际中的使用就要涉及到两步:

1. 估计
2. 截断(truncate)

当然， 如果是特定形式微分方程，已知方程，理论推导的情况下，可以将估计改为计算（如果我记得的话哪天补个例子）。
针对数据驱动(data-driven)问题，假设要建模的系统可以写成：${\kappa }_{t}g(x_k)=g(x_{k+1})$
这里${\kappa }_t$其实是一个矩阵，我们很难直接求取这个矩阵本身，通常采用的方法是求取矩阵的特征值与特征向量。具体的估计方法通常是采用动态模态分解(Dynamical mode decomposition, DMD)（如果我记得的话哪天补个例子）。

4.参考资料

Notes on Koopman Operator Theory