SafEDMD：针对数据驱动的非线性动力系统控制的认证学习架构
内容提要
该文综述了Koopman算子与动态模式分解（DMD）的研究进展，包括结合可训练字典的迭代EDMD算法、神经网络逼近Koopman算子、DMDc方法、Hankel矩阵收敛性分析、FlowDMD算法及子空间DMD，用于非线性系统低维建模与预测。
延伸解读
从固定字典到可训练字典的演进
文章梳理了Koopman算子逼近中字典选择的关键发展：早期EDMD依赖预先选定的固定字典，而2017年提出的迭代EDMD结合可训练字典，使字典能随问题自适应调整，无需人工先验。这一转变降低了应用门槛，也提升了重构精度，为后续神经网络方法奠定了基础。
神经网络与Koopman算子的融合
2017年另一项工作将神经网络引入Koopman框架，用自编码器学习Koopman不变子空间，并讨论数据表示与过拟合问题。这标志着数据驱动建模从线性字典方法向深度学习的扩展，但文章也指出过拟合风险，提示读者在应用时需关注模型泛化能力。
DMDc：面向受控系统的数据驱动建模
DMDc方法在保留传统DMD优点的同时，将外部驱动信号与系统自身动力学结合，仅需实验或历史快照数据即可提取低阶模型，无需已知系统方程。这为复杂受控系统的建模提供了实用途径，但文章未讨论其在高噪声或强非线性下的表现，实际应用时需注意数据质量。
理论深化与算法多样性
文章还涉及Hankel矩阵收敛性分析、FlowDMD、子空间DMD等进展，分别针对无限维Koopman算子逼近、可逆神经网络学习不变子空间以及带观测噪声的随机系统。这些工作从不同角度拓展了DMD的适用边界，但各自假设条件不同，读者需根据具体问题选择合适方法。
Q&A
SafEDMD 是什么？它主要解决什么问题？
SafEDMD 是一种针对数据驱动的非线性动力系统控制的认证学习架构。它利用机器学习思想，将扩展动态模式分解（EDMD）与可训练字典相结合，无需事先选择固定字典，即可适应不同问题并有效重构，从而增强 Koopman 框架的适用性。
EDMD 与可训练字典结合有什么优势？
将 EDMD 与可训练字典结合，可以在不需要事先选择固定字典的情况下，适应于不同的问题并有效地进行重构，进一步增强了 Koopman 框架的适用性。
如何用神经网络学习 Koopman 不变子空间？
可以使用结合自编码器和线性递归动力学的新型神经网络架构来学习 Koopman 不变子空间，同时需要处理数据表示问题和过拟合问题。
DMDc 方法有什么特点？
DMDc 在保留传统动态模式分解（DMD）优点的同时，能够将外部驱动信号与模型本身动力学有机结合，实现准确提取复杂系统的低阶模型。该方法不需要系统方程的知识，只需要使用实验或历史快照数据即可。
Hankel 型数据矩阵的 DMD 算法收敛性如何？
基于 Hankel 型数据矩阵的 DMD 算法在计算无限维 Koopman 算子的特征值和特征函数上具有收敛性。在刻画极限动力学系统的哈尔小波基函数上，DMD 算法的向量投影可用于近似函数投影并收敛于 Proper Orthogonal Decomposition。
FlowDMD 算法是什么？它有什么优势？
FlowDMD 算法利用 Coupling Flow Invertible Neural Network 框架中固有的可逆特性学习 Koopman 算子的不变子空间并准确重构状态变量。相对于现有的最先进的方法，数值实验证明了该算法的卓越性能。
子空间 DMD 适用于什么场景？
子空间动态模式分解（subspace DMD）是一种用于带有观测噪声的随机动力系统的 Koopman 分析的算法，并研究了其实证性能。
