Koopman operator的理解

最新推荐文章于 2024-08-04 23:17:12 发布
最新推荐文章于 2024-08-04 23:17:12 发布
阅读量1.6k 收藏 15
点赞数 13
文章标签： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_55245520/article/details/135815096
版权
文章介绍了Koopman算子如何通过升高维度将非线性动力学系统转化为线性问题进行求解。它在离散动力学系统中的应用涉及状态映射、无限维空间和特征分解，用于重构信号和处理复杂系统。
摘要由CSDN通过智能技术生成

最近在看论文时遇到一个新的知识，库普曼算子，于是上网查了一下什么时库普曼算子，库普曼算子有什么用。

1、Koopman Operator作用

Koopmain Operator将有限维非线性系统的分析问题转化为对一个无限维线性系统的分析

通俗来说：就是通过升高维度将非线性问题转化为对线性问题的求解，因为线性问题的求解会更为简单

2、Koopman Operator的一个简单例子

现在假设有一个动力学系统(dynamic system)：

x_1'=a_1x_1

x_2'=a_2(x_2-x_1^2)

在这个系统中，由于存在平方，因此系统是二维非线性的，因此可以通过升高维度将系统转化为线性的。

令 y=\begin{bmatrix} y_1\\ y_2\\ y_3 \end{bmatrix}=\begin{bmatrix} x_1\\ x_2\\ x_1^2 \end{bmatrix}

因此可以得到

y_1'=x_1'=a_1y_1

y_2'=x_2'=a_2(y_2-y_3) 

y_3'={x_1^2}'=2x_1x_1'=2x_1a_1x_1=2a_1y_3

写成矩阵形式表达其动力方程，可以得到：

\frac{dy}{dt}=\begin{bmatrix} a_1 & 0 & 0\\ 0 & a_2 & -a_2\\ 0 & 0 &2a_1 \end{bmatrix}\begin{bmatrix} y_1\\ y_2 \\ y_3 \end{bmatrix}

系数矩阵就可以看作库普曼算子，这个算子将二维非线性的动力系统通过线性变换，转化为三维线性系统 

3、Koopman Operator理论

在处理实际问题时，我们通常考虑离散的动力学系统，即：

x_{t+1}=F(x_t)

其中，x_t\in \mathcal{M}为系统在𝑡时刻的状态，M为系统的状态空间。通过将状态从时间𝑡映射到时间𝑡+ 1来更新动态规则。在大多数情况下，它通常是非线性和未知的。而且，x_t\in M是有限维的，但也可以是高维的。

设G为状态空间M的标量函数构成的无限维空间，满足𝑔:M→R，则我们定义动力系统的Koopman算子\mathcal{K}为:

\mathcal{K}g=g \circ F

式中，\mathcal{K}: G→G，◦是两个函数的组合(𝑔与组成)。因此，我们得到如下等式:

g(x_{t+1})=g(F(x_t))=g\circ F(x_t)=\mathcal{K}g(x_t)

因此通过库普曼算子\mathcal{K}，完成了从低维度到高维度的转化。

由于\mathcal{K}时一个参数矩阵，因此可以对其特征分解

\mathcal{K}=\Gamma K\Gamma ^{-1}

其中𝐾为𝐷×𝐷。注意𝐾是Koopman框架的有限维近似，与\mathcal{K}不同，\mathcal{K}是一个无限维算子。

定义\Phi =\Gamma ^{-1}g，称之为库普曼嵌入，可以得到最终的式子：

\Phi(x_{t+1})=K\Phi(x_t) \\ \Rightarrow x_{t+1}=\Phi ^{-1}(K\Phi(x_t))

因此若能够得到库普曼嵌入\Phi和库普曼算子K，就可以完成对动力学系统维度的升维。也可以用其来重构信号

以上只是一点我个人的理解，如有错误之处，烦请指正~

都看到这里了，给个小心心♥呗~

汤汤upup
关注
融合深度Koopman和过程理解的强非线性时空预测方法
07-15
时空预测 ********************************************************************************* 融合深度Koopman和过程理解的强非线性时空预测方法 近年来，深度学习支持下的Koopman算子成为数学、计算机、物理等领 域有效解决这一问题的最佳方案。 将动力学从状态空间提升到可观测空间，能够在得到原动力系统非线性特性的同时保证系统不会丢 失任何信息，Koopman算子能够挖掘时空过程中的内在固有规律，并且能进一步利用这种规律对动态系统进行解释，这是统计学模型无法实现的。 本项目是地理信息科学、统计学、信息学多学科交叉研究，我们将融合深度Koopman算子和空间算 子，建立一套面向高维、强非线性时空过程的模拟与预测理论方法体系，希望这一交叉研究成果能为地理信息领域产生巨大的影响。 通过与大气环境污染、气象降水、城市流及土地利用变化等不同应用领域问题的实验验证，这一模型方法有望为多学科共性难题的解决带来新的途径。
koopman算符在动力系统中的应用
09-27
复杂动力系统的分析一直是各个领域重点关注的问题。通过高通量实验或大尺度的模拟技术,我们可以获得系统的大量数据,因此各种各样的数据分析方法应运而生。本文讨论了利用Koopman算符的谱性质对不同动力系统的离散时间序列进行分析的算法。Koopman算符描述了动力系统可观测量的演化,通过分析其谱性质,可以得到其本征函数和Koopman模式。其中,本征函数可以用来对动力系统的相空间进行划分,从而将大量数据简化为几种具有典型特征的系统状态。Koopman模式则代表了系统随时间演化的某些特殊规律,对于理解系统演化有重要作用。
Koopman operator：为什么，是什么，怎么算
Half-Youth
09-01 2108
Koopman Operator介绍
【数据分析】库普曼比较法 (Koopman Operator Comparison) 对比Matlab实现
最新发布
qq_59747472的博客
08-04 982
库普曼算子比较法 (Koopman Operator Comparison) 是一种基于数据驱动的系统识别方法，可以用于分析非线性动力系统，并预测其未来状态。该方法利用观测数据构建库普曼算子，进而提取系统的动力学信息，如特征值、特征函数等，并用于预测系统未来的行为。本文将介绍库普曼算子比较法及其在Matlab中的实现方法，并通过实例分析该方法的优势和局限性。1. 引言在许多现实世界的问题中，如天气预报、金融市场分析和机械故障诊断，我们都需要对复杂的非线性动力系统进行建模和预测。
CompositionalKoopmanOperators:[ICLR 2020]学习基于模型的控制的组合库普曼算子
05-16
学习基于模型的控制的组合Koopman运算符 李云珠*，郝浩*，吴嘉俊，狄娜·卡塔比，安东尼奥·托拉尔巴 （*表示平均分担） ICLR 2020（聚焦） 演示版 绳索操纵 在此任务中，我们通过向绳索顶部施加力来操纵绳索。 目标形状显示为红点。 请注意，在不同情况下，绳索质量的数量，重力常数和弹簧刚度是不同的。 软机器人-摇摆 让我们考虑控制一个由具有不同材质（例如硬组织（灰色）和软组织（浅蓝色））的盒子组成的软机器人。 一些盒子中的执行器可以执行收缩（红色）或扩展（绿色）的操作。 此任务是将其摆动为显示为红色网格的目标形状。 软机器人-游泳 这项任务是使软机器人向前游泳到目标形状，显示为红色网格。 安装 此代码库已通过Ubuntu 16.04 LTS，Python 3.6 +，PyTorch 1.2.0+和CUDA 10.0进行了测试。 依赖关系可以在requirements.txt找
【BP分类】基于凌日优化算法TSOA实现故障识别 数据分类附matlab代码
m0_60703264的博客
07-03 840
标题：【震撼揭秘】凌日优化算法TSOA助力故障识别，数据分类新篇章！导语：在大数据时代，如何高效地进行数据分类和故障识别成为了一个亟待解决的问题。今天，我们将为大家揭示一种基于凌日优化算法TSOA的故障识别与数据分类方法，让你轻松应对各种复杂场景！正文：一、引言随着科技的飞速发展，数据量呈现爆炸式增长，如何从海量数据中提取有价值的信息成为了一个重要课题。故障识别和数据分类作为数据处理的关键环节，对于提高数据处理效率和准确性具有重要意义。
koopman operater kernel
10-20
We consider the application of Koopman theory to nonlinear partial differential equations. We demonstrate that the observables chosen for constructing the Koopman operator are critical for en- abling an accurate approximation to the nonlinear dynamics. If such observables can be found, then the dynamic mode decomposition (DMD) algorithm can be enacted to compute a finite-dimensional approximation of the Koopman operator, including its eigenfunctions, eigenvalues and Koopman modes. We demonstrate simple rules of thumb for selecting a parsimonious set of observables that can greatly improve the approximation of the Koopman operator. Further, we show that the clear goal in selecting observables is to place the DMD eigenvalues on the imaginary axis, thus giving an objective function for observable selection. Judiciously chosen observables lead to physically interpretable spatio-temporal features of the complex system under consideration and provide a connection to manifold learning methods. Our method provides a valuable intermediate, yet inter- pretable, approximation to the Koopman operator that lies between the DMD method and the com- putationally intensive extended DMD (EDMD). We demonstrate the impact of observable selection, including kernel methods, and construction of the Koopman operator on several canonical, nonlinear PDEs: Burgers’ equation, the nonlinear Schrödinger equation, the cubic-quintic Ginzburg-Landau equation and a reaction-diffusion system. These examples serve to highlight the most pressing and critical challenge of Koopman theory: a principled way to select appropriate observables
带正交多项式的Koopman算子教程_A Koopman Operator Tutorial with Othogonal Po
01-26
带正交多项式的Koopman算子教程_A Koopman Operator Tutorial with Othogonal Polynomials.pdf
【状态估计】非线性受控动力系统的线性预测器——Koopman模型预测MPC（Matlab代码实现）
m0_64583023的博客
06-05 323
在数值实例中，以这种方式获得的线性预测器表现出优于现有线性预测器的性能，例如基于局部线性化或所谓的Carleman线性化的线性预测器。重要的是，构建这些线性预测器的过程完全是数据驱动的，而且非常简单——它归结为数据的非线性变换(提升)和提升空间中的线性最小二乘问题，可以很容易地解决大型数据集。我们特别关注模型预测控制(MPC)，并表明以这种方式设计的MPC控制器具有与具有相同数量的控制输入和相同维数的状态空间的线性动力系统的MPC相当的底层优化问题的计算复杂度。部分理论来源于网络，如有侵权请联系删除。
pykoopman:用于计算数据驱动的Koopman近似值的程序包
05-22
皮考普曼 PyKoopman是一个Python软件包，用于计算Koopman运算符的数据驱动近似值。 待办事项：改进说明 安装 用pip安装 如果您使用的是Linux或macOS，则可以通过pip安装PyKoopman： pip install pykoopman 从源安装 首先克隆此存储库： git clone https://github.com/dynamicslab/pykoopman 然后，要安装该软件包，请运行 pip install . 如果您没有点子，可以改用 python setup.py install 如果您没有root用户访问权限，则应在上述各行中添加--user选项。 文献资料 PyKoopman位于。 社区准则 贡献代码 我们欢迎对PyKoopman的贡献。 要贡献新功能，请提交请求请求。 首先，我们建议您通过以下方式将软件包安装在requirem
matlab运算符代码-KoopmanMPC:考普曼
05-28
matlab运算符代码考夫曼模型预测控制 该知识库包含Matlab代码，该文件是Milan Korda和Igor Mezic撰写的论文“非线性动力学系统的线性预测器：库普曼算子满足模型预测控制”，Automatica 2018。 预印本： 要运行代码，必须安装qpOASES求解器（也包含在zip文件中）。 为此，请在./Resources/qpOASES-3.1.0/interfaces/matlab中运行Matlab脚本make.m
matlab-koopman-Koopman operator.zip
07-23
在“matlab-koopman-Koopman operator.zip”这个压缩包中，我们关注的是MATLAB在实现Koopman算子这一领域的应用。 Koopman算子，源自数学中的泛函分析，是一种描述非线性动力系统行为的线性算子。它通过观察系统的...
operator theory
10-20
操作子理论（Operator Theory）作为数学的一个分支，主要研究线性空间上的线性算子。这些线性算子通常被称为操作子，在数学和物理学中有着广泛的应用。在本文中，我们将探讨一个特定的应用场景——图像恢复中的操作...
使用Koopman理论识别机器人动力学的非线性系统（Matlab代码实现）
weixin_46039719的博客
05-23 2066
然后使用Koopman动力学的提升状态采恢复非线性系统的状态(给定有关我们基函数的知识)，然后将我们估计的非线性系统的这种状态序列与系统的实际动力学进行比较。为了识别杜宾汽车模型的非线性动力学，我们使用Koopman算子理论首先从系统的仿真中提升数据，利用这些提升的数据来识别Koopman空间中的线性系统，然后恢复我们原始动力学的非线性向量场。算子可以描述非线性系统的可观测状态量在高维空间中的线性演化过程，可以将非线性问题转化为线性问题，对于非线性系统的研究有较大的价值。所示，原系统所在空间为。
Koopman 算子理论参考文献
颹蕭蕭
12-30 3841
Koopman 算子理论参考文献
基于数据驱动的 Koopman 算子的递归神经网络模型线性化，用于纳米定位系统的预测控制研究（Matlab代码实现）
weixin_46039719的博客
02-28 1481
文献来源：摘要：最近的研究表明，纳米定位系统（例如压电致动器（PEAs））的非线性动力学可以被循环神经网络（RNNs）准确捕捉。这项技术的一个直接应用是用于精密定位的PEA系统控制：将非线性RNN模型线性化，然后应用模型预测控制（MPC）。然而，由于常用的线性化方法（例如泰勒级数），所得到的线性系统仅在线性化点的小邻域内保证准确，因此控制带宽和控制性能相当有限。为了解决这个问题，我们提出了一种基于Koopman算子的线性化方法，然后使用所得到的线性参数变化模型进行预测控制。
koopman 算子
09-21
Koopman算子是一种在动力系统中用于描述非线性系统演化的数学工具。它是由荷兰数学家Bernard O. Koopman在1931年提出的。Koopman算子的应用在动力系统、控制理论和量子力学等领域有着重要的意义。 Koopman算子可以将系统的非线性动力学转化为线性算子的动力学。它的核心思想是将系统的状态转化为无限维空间上的函数，这些函数被称为动力系统的特征函数。通过Koopman算子作用在特征函数上，可以实现非线性系统演化的线性化描述。 使用Koopman算子可以将非线性动力系统的行为分析转化为对线性算子的特征值和特征函数的研究。这样，我们可以通过研究特征函数的性质来理解系统的稳定性、周期性和吸引子等重要性质。此外，Koopman算子还可以用于模型推断、最优控制和数据分析等领域。 Koopman算子的研究也涉及到数据驱动的动力学建模。通过观测系统的状态变量，可以估计Koopman算子的特征函数以及与之相关的动力学特征。这种数据驱动的方法可以应用于复杂系统的模型预测、异常检测和控制设计等问题，为实际应用提供了一种新的思路。 总之，Koopman算子在动力系统理论和应用中具有重要的地位。它通过将非线性系统转化为线性算子的形式，为我们理解和控制复杂系统的行为提供了有力的工具。在未来的研究中，我们可以期待Koopman算子在更多领域的应用和发展。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值