基于 Koopman 算子的含噪流式数据动态系统在线实时学习
动力系统
2023-12-27 v2 机器学习
摘要
传感与通信的最新进展使得从电力系统、气候系统、生物网络等多种物理系统获取高频实时数据成为可能。然而,由于数据由物理传感器记录,所得数据自然会受到测量噪声的污染。本文提出一种从含噪时间序列数据中进行动态系统在线实时学习的新算法,其采用鲁棒 Koopman 算子框架来减轻测量噪声的影响。所提算法具有三个主要优势:a) 支持动态系统的在线实时监测;b) 获得底层动态系统的线性表示,从而使用户能利用线性系统理论进行分析与控制;c) 计算速度快且比流行的扩展动态模态分解(EDMD)算法计算量更小。我们将该算法应用于辨识 Van der Pol 振荡器、IEEE 68 总线系统以及 Van der Pol 振荡器环形网络,以说明其效率。
引用
@article{arxiv.2212.05259,
title = {Online Real-time Learning of Dynamical Systems from Noisy Streaming Data: A Koopman Operator Approach},
author = {S. Sinha and Sai P. Nandanoori and David Barajas-Solano},
journal= {arXiv preprint arXiv:2212.05259},
year = {2023}
}