BriefGPT - AI 论文速递
·
具有鲁棒稳定性和递归可行性保证的 Koopman 数据驱动预测控制
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
本文提出了一种基于数据驱动的方法，利用Koopman嵌入将原始状态空间提升到更高的线性流形，从而学习非线性系统的稳定模型。该方法在离散时间下能够学习所有非线性收缩模型，并通过直接参数化稳定线性系统来简化计算。在模拟系统上验证了该方法，并分析了与替代方案相比的优势。
🎯
关键要点
-
提出了一种基于数据驱动的方法，利用Koopman嵌入提升状态空间。
-
该方法学习非线性系统的稳定模型。
-
在离散时间下能够学习所有非线性收缩模型。
-
保证模型稳定性的同时，允许对Koopman嵌入和算子进行无约束优化。
-
通过直接参数化稳定线性系统简化计算。
-
在模拟系统上验证了该方法的有效性。
-
分析了该方法与替代方案相比的优势。
➡️
