← 返回论文列表

基于储层提升的非线性系统库普曼辨识
Koopman Identification of Nonlinear Systems via Reservoir Liftings

作者: Weibin Gu, Chen Yang, Lu Shi
arXiv: 2605.04917v1
分类: cs.LG, cs.RO
📝 论文摘要
通过Koopman算子理论学习非线性动力系统的可处理线性表示通常受到字典选择、时间记忆编码和数值病态性的阻碍。受储层计算（RC）范式的启发，本文提出RC-Koopman框架，将储层解释为一种有状态的有限维Koopman字典，其时间深度由谱半径显式控制。我们证明回声状态属性（ESP）保证了提升后的Koopman近似具有适定性和良好的数值条件。一种基于相关性的谱半径选择算法将储层记忆与主导系统时间尺度对齐。分析揭示了储层的有限记忆如何决定哪些Koopman特征函数从提升特征中保持可观测性。在合成基准测试上的评估表明，与扩展动态模态分解（EDMD）和基于Hankel的提升方法相比，RC-Koopman在基础非线性动力学的重构精度与动力学稳定性之间实现了有利的平衡。代码地址：https://github.com/NEAR-the-future/RC-Koopman.git

📊 核心分析

🎯 研究动机
- 解决非线性动力系统线性表示中的**字典选择(dictionary selection)** 困难 - 克服**时间记忆编码(temporal memory encoding)** 和**数值病态性(numerical ill-conditioning)** 问题 - 现有方法如**扩展动态模态分解(Extended Dynamic Mode Decomposition, EDMD)** 和**Hankel提升(Hankel-based lifting)** 在重构精度与动态稳定性之间难以平衡
🔧 核心方法
- 提出**RC-Koopman框架**，将**储层计算(Reservoir Computing, RC)** 解释为有状态的有限维**Koopman字典(Koopman dictionary)** - 通过**谱半径(spectral radius)** 显式控制字典的**时间深度(temporal depth)** - 利用**回声状态属性(Echo State Property, ESP)** 保证提升近似的**适定性(well-posedness)** 和良好的数值条件 - 设计**基于相关性的谱半径选择算法(correlation-based spectral radius selection)**，将储层记忆与系统的**主导时间尺度(dominant system timescales)** 对齐
💡 核心创新
- **首创性**：首次将**储层计算(Reservoir Computing)** 引入**Koopman算子理论(Koopman operator theory)**，作为动态字典 - **理论保证**：证明**回声状态属性(ESP)** 确保了**Koopman近似(Koopman approximation)** 的适定性和数值稳定性 - **记忆对齐**：提出**相关谱半径选择** 方法，自动匹配储层记忆与系统固有时间尺度 - **可观测分析**：揭示了**有限记忆(finite memory)** 如何限制**Koopman本征函数(Koopman eigenfunctions)** 从提升特征中的可观测性
🏆 总体贡献
- 为非线性动力系统的**线性表示(linear representation)** 提供了一种新颖的**RC-Koopman范式** - 在合成基准上实现了**重构精度(reconstruction accuracy)** 与**动态稳定性(dynamical stability)** 的有利平衡，优于EDMD和Hankel方法 - 开源代码促进社区复现与后续研究（[GitHub仓库](https://github.com/NEAR-the-future/RC-Koopman.git)） - 为**数据驱动建模(data-driven modeling)** 领域贡献了具有理论支撑的实用工具