Extended dynamic mode decomposition with dictionary learning: A data-driven adaptive spectral decomposition of the Koopman operator.
PulseAugur coverage of Extended dynamic mode decomposition with dictionary learning: A data-driven adaptive spectral decomposition of the Koopman operator. — every cluster mentioning Extended dynamic mode decomposition with dictionary learning: A data-driven adaptive spectral decomposition of the Koopman operator. across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型RNN利用Koopman算子理论绕过梯度下降
研究人员开发了基于Koopman的循环神经网络（RNN），它们可以绕过传统的基于梯度的训练方法，如时间反向传播。这种新颖的方法将随机特征网络与Koopman算子理论相结合，无需梯度即可构建所有RNN的权重和偏差。该方法在时间序列分析、混沌动力学系统和控制问题方面，已证明其预测精度与标准模型相当，但训练时间显著缩短。
-
新的高斯过程框架增强动力系统预测能力
研究人员开发了一种将高斯过程与二次模型降阶相结合的复杂动力系统预测新框架。该方法旨在提高准确性、数值稳定性和不确定性量化，而这些往往是现有方法面临的挑战。所提出的模型结合了高斯过程常微分方程、二次降阶和球体投影，以在保持稳定性的同时有效地学习潜在动力学。数值实验表明，该框架在准确性和计算效率方面优于扩展动态模式分解等方法。
-
新方法使用个性化PageRank寻找Koopman不变子空间
研究人员开发了一种新颖的方法，利用应用于扩展动态模式分解（EDMD）矩阵的个性化PageRank（PPR）来识别Koopman不变子空间。该技术利用EDMD矩阵中的零块结构来检测Koopman不变字典，即使数据有限。该方法为检测精确和近似不变子空间提供了理论保证，数值实验证明了其在各种动力系统上的有效性。
-
研究人员推出RC-Koopman框架用于学习非线性系统动力学
研究人员开发了一个名为RC-Koopman的新框架，该框架利用储层计算来创建非线性动力学系统的线性表示。该方法旨在克服Koopman算子理论中固有的字典选择和时间记忆编码的挑战。RC-Koopman框架将储层解释为有状态字典，记忆深度由谱半径控制，与扩展动态模式分解（EDMD）等方法相比，具有更好的数值条件和稳定性。此外，另一项研究提出了一种通过整合子系统控制方程信息来学习耦合系统Koopman算子的方法，解决了EDMD等纯数据驱动方…