BriefGPT - AI 论文速递
·
非线性动态系统的自适应元学习基于 KKL 观测器设计
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种改进的扩展动态模式分解与字典学习方法，用于预测复杂动力学特征系统的时间演化。该方法在不同系统中的性能表现显著优于传统方法，并且与状态空间方法的预测结果相当。
🎯
关键要点
- 通过数据驱动的方法预测复杂动力学系统的时间演化是一个有前景的研究方向。
- 本文介绍了一种改进的扩展动态模式分解与字典学习方法。
- 该方法确定可观测量的字典及其对应的Koopman算符的近似值。
- 通过伪逆和自动微分促进梯度下降计算。
- 与传统方法相比，本文的方法在不同系统中的性能显著优越。
- 当Koopman方法在每个时间步骤交替使用状态和可观测量时，其预测结果与状态空间方法相当。
➡️
