本文介绍了一种使用再生核希尔伯特空间（RKHS）中的Koopman组合算子来表示控制系统的新框架。该方法无需显式的字典或输入参数化，弥合了控制系统算子学习与无限维回归之间的差距。该框架能够在无限维空间中实现精确的有限秩近似，并在没有预定义函数或输入跨度的情况下实现有限维预测器。为了提高高维控制系统的可扩展性，该方法采用了草图技术，在数值实验中，特别是在高维情况下，其预测精度优于双线性EDMD。所学的模型还被证明与用于模型预测控制的线性参数变化技术兼容。 AI
影响 这项研究通过实现更准确和可扩展的建模，有可能推动控制系统设计的发展，并可能影响机器人和自主系统等领域。
排序理由 关于控制系统新框架的学术论文。[lever_c_demoted from research: ic=1 ai=0.4]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
