Koopman theory
PulseAugur coverage of Koopman theory — every cluster mentioning Koopman theory across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新AI方法解决分数阶和亚稳态动力学问题
研究人员正在开发分析复杂系统动力学的新方法。一种方法侧重于从单轨迹中学习分数阶线性时不变系统，提出了一种解耦辨识问题的网格搜索估计器，并将误差界限缩放到 O(t^-1/2)。另一项研究利用 Koopman 理论分析亚稳态，即系统在转换前被困在准稳定状态的现象，方法是在潜在空间中学习动力学的线性表示。该框架可以预测亚稳态行为，并使用 Koopman 矩阵的主特征值作为关键指标。
-
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。
-
新型神经双线性模型增强时间序列预测能力
研究人员引入了神经双线性动力学模型（NBDM），以改进非线性动力学系统的时间序列预测。NBDM 利用 Koopman 理论将非线性动力学映射到更高维度的潜在空间，然后在该空间中使用双线性模型捕捉状态演化。该模型还包含一个参数化的误差补偿项，并明确整合了控制输入，在辅助变量不可用时学习反馈信号。对于控制输入缺失的场景，一个增强记忆的控制器通过乘法交互来推断潜在控制。在五个真实世界数据集上的实验表明，NBDM 在给定控制和缺失控制设置下均…
-
新的DeepMDMD方法增强了动态系统预测
研究人员开发了深度嵌入乘法动态模式分解（DeepMDMD），这是一种将深度学习与Koopman理论相结合的新颖方法。该方法在严格执行代数约束的同时学习潜在坐标，从而能够实现更稳定的预测并更好地保留复杂动态系统中的相干结构。与现有技术相比，该方法在处理高维和噪声数据方面表现出优越的性能。
-
图学习方法增强了LEO巨型星座SDN的可扩展性
研究人员开发了一种新的软件定义网络（SDN）框架，用于管理低地球轨道（LEO）卫星巨型星座的巨大规模。该方法利用图神经网络（GNN）来模拟复杂的拓扑结构，并利用Koopman理论来线性化系统动力学。图Koopman自编码器（GKAE）预测轨道层内的行为，从而实现中央SDN控制器进行协调控制。在Starlink星座上的模拟显示，在模型占用空间较小的情况下，空间压缩和时间预测得到了显著改进。