Koopman Operator
PulseAugur coverage of Koopman Operator — every cluster mentioning Koopman Operator across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的降维方法评估系统代数而非范围
研究人员推出了一种新的动力学系统降维方法，解决了标准谱方法存在的局限性。该方法通过评估坐标生成的西格玛代数而非仅评估其范围，可以有效地模拟具有弱相互作用组件的复杂系统，而这些组件常常被基于秩的方法所忽略。这种代数评估方法提供了预算保证，并在从有限标签中恢复被遮盖的组件和实现预测方面取得了成功，在基准系统上表现优于传统的VAMP分数。
-
新方法使用Koopman算子进行模型可解释性分析
研究人员开发了一种名为“内在结构”的机制可解释性新方法，该方法利用Koopman算子分析模型内部动力学的谱特性。这种方法旨在区分模型固有的特征和可解释性方法产生的伪影。该研究为机制可解释性原语提供了第一个识别定理，证明了可以从校准样本中恢复模型的频谱，且误差率可预测。在GPT-2 small、Gemma 2-2B和Qwen3-8B-Base上的实验表明，频谱会收敛，并且在Qwen3-8B-Base上实现了预测的误差指数，这表明Koop…
-
新的 NDKoop 方法利用 Koopman 算子增强时间序列预测
研究人员推出了一种名为神经分解 Koopman (NDKoop) 的新方法，用于时间序列预测。这个端到端的神经框架集成了信号分解和基于 Koopman 的网络，解决了非平稳信号建模的挑战。通过将信号分解为由 Koopman 算子控制的、与频率无关的趋势分量和与频率相关的周期分量，NDKoop 旨在提高在无法实现完美线性化的场景下的预测准确性。在各种预测基准上的实验证明了该方法的有效性。
-
新的基于Koopman的控制方法提升涡轮风扇发动机性能
研究人员开发了一种利用Koopman算子理论控制涡轮风扇发动机的新方法。该方法在一个近期论文中进行了详细介绍，利用了改进的动态模式分解来创建一个可重用的Koopman模型，该模型能够预测转子转速和发动机压比（EPR）。设计了一个自适应的基于Koopman的模型预测控制器（AKMPC），并与其他基于Koopman的控制器进行了比较，由于其处理非线性动力学、约束和模型失配的能力，在不同飞行条件下表现出优越的性能。
-
MetaKoopman: 用于鲁棒动力学建模的贝叶斯元学习
研究人员推出MetaKoopman，一个新颖的贝叶斯元学习框架，旨在利用线性潜在表示来建模非线性动力学。该方法学习Koopman算子上的矩阵正态-逆Wishart先验，从而实现闭式贝叶斯更新和考虑认知不确定性与随机不确定性的后验预测分布。在严酷冬季条件下和模拟控制任务中对自动驾驶卡车和拖车系统的评估表明，与现有方法相比，MetaKoopman在预测准确性、不确定性校准和对分布偏移的鲁棒性方面表现更优。
-
Koopman算子理论教程涵盖线性系统表示与控制
本文介绍了Koopman算子理论，一种用于线性表示复杂动力学系统的方法。它详细介绍了数据驱动技术，如扩展动态模式分解（EDMD），用于创建有限维近似。该教程还涵盖了系统与控制中的应用，包括控制器设计和带有配套GitHub代码的仿真研究。
-
新方法增强Koopman算子在长时预测中的表现
研究人员开发了一种新颖的方法来提高Koopman算子预测的鲁棒性，特别是在长时预测方面。该方法引入了一个无注意力潜在记忆（AFT）块来聚合过去的潜在状态，增强了时间上下文并减少了误差发散。此外，还提出了一种动态重新编码机制来检测潜在漂移并将预测投影回自编码器流形。这种组合方法在Duffing振子和Repressilator等基准系统上展示了持续的误差减少，在长时准确性方面优于标准的Koopman自编码器甚至基于Transformer的…
-
新方法简化了用于动力学系统和回归的核方法的字典学习
研究人员开发了一种新方法，用于简化非线性动力学系统中 Koopman 算子的核学习。该方法将字典学习扩展到核 EDMD，从而能够对核参数进行基于梯度的优化。该技术旨在生成更有效的核来逼近 Koopman 算子，并已在 Duffing 振子和 Kuramoto-Sivashinsky PDE 等系统上进行了测试。
-
关于Koopman特征函数代数及其某些无穷性
研究人员开发了一种方法，可以加速具有可逆轨迹的连续时间动力学系统的Koopman算子特征空间计算。通过从少数主特征函数构建多项式，可以生成更大的特征函数集，从而更准确地表示特定应用的观测值。该方法还解决了特征函数中局部或扩展的奇点问题，便于从碎片化数据中获得一致的全局表示，这对于多稳态系统和稀疏测量特别有用。