Koopman operator theory
PulseAugur coverage of Koopman operator theory — every cluster mentioning Koopman operator theory across labs, papers, and developer communities, ranked by signal.
3 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。
-
新型P-K-GCN模型利用物理学和库普曼理论增强时空超分辨率
研究人员开发了一种新颖的物理增强型库普曼增强图卷积网络（P-K-GCN），用于处理不规则几何形状上的时空超分辨率。该方法将基于连续样条的GCN与库普曼算子理论相结合，以在潜在空间中线性化非线性动力学。该框架通过基于物理学的损失函数得到进一步增强，以确保遵守物理定律，理论上通过降低Rademacher复杂度来减少超分辨率误差。在从稀疏测量重建心脏电动力学方面的评估表明，P-K-GCN在准确性方面优于基线模型。
-
新的 Koopman-PINN 框架增强了流行病建模与预测能力
研究人员开发了一个名为 Koopman-PINN 的新框架，该框架结合了 Koopman 算子理论与物理信息神经网络，以改进流行病建模。该方法将流行病状态映射到一个潜在空间，在该空间中动力学更具线性，从而提高了可解释性和长期预测的稳定性。该框架在合成猴痘数据以及来自德国、摩洛哥和瑞典的真实世界 SARS-CoV-2 数据上进行了测试，与现有方法相比，在参数估计和轨迹重建方面表现出更优越的性能。
-
新的强化学习算法为物理系统增加了稳定性保证
研究人员开发了一种名为LC-SAC的新型强化学习算法，旨在为安全关键型物理系统提供稳定性保证。该算法将Lyapunov稳定性理论与软Actor-Critic方法相结合，利用Koopman算子理论学习系统动力学的线性代理模型。该方法将候选控制Lyapunov函数作为惩罚项纳入Actor更新中，将约束执行重点放在罕见但严重的失稳事件上。
-
K-U-KAN 从单张 X 光片重建 3D 牙科模型
研究人员开发了 K-U-KAN，一种从单张全景 X 光图像重建 3D 牙科模型的新型三阶段流程。该方法利用了基于 Koopman 算子理论增强的 Kolmogorov-Arnold 网络 (U-KAN) 来有效恢复深度信息，在训练速度和鲁棒性方面优于现有的神经表示方法。K-U-KAN 在信号和结构指标上与 transformer 和隐式基线相当，同时提供了改进的感知质量和可解释性，使其成为临床牙科流程中更实用的工具。
-
无方程数字孪生利用库普曼理论处理结构动力学
研究人员开发了一种新的数字孪生框架，用于监测复杂的工程结构，特别是在非平稳和非线性动力学具有挑战性的环境中。该方法利用库普曼算子理论和动态模式分解，在无需预先了解刚度或质量矩阵的情况下实时重建结构状态。该框架已成功在一台漂浮式海上风力涡轮机上得到验证，展示了高保真度的重建和约1.0秒的可预测性范围。
-
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…