Koopman算子理论与非线性系统线性化实践

1. Koopman算子与非线性系统线性化

Koopman算子理论为非线性动力系统分析提供了全新的视角。传统上，我们通常采用局部线性化方法处理非线性系统，但这种方法仅在小范围内有效。Koopman算子通过将系统状态提升到无限维函数空间，实现了全局线性化表示。

1.1 Koopman算子的数学基础

Koopman算子的核心思想是通过观测函数的演化来描述系统动态。给定非线性动力系统：

xₖ₊₁ = f(xₖ)

Koopman算子K作用于观测函数g: M→R，定义为：

(Kg)(x) = g(f(x))

这个定义表明，Koopman算子通过复合运算将当前时刻的观测函数映射到下一时刻。值得注意的是，尽管原系统f是非线性的，Koopman算子K却是线性的——这是该方法最具吸引力的特性。

1.2 有限维近似实现

实际操作中，我们需要构建Koopman算子的有限维近似。扩展动态模态分解(EDMD)是最常用的方法：

1. 选择一组基函数{φ₁, φ₂, ..., φ_N}，构成提升空间
2. 收集系统轨迹数据{(xₖ, yₖ)}，其中yₖ = f(xₖ)
3. 构建数据矩阵：
   Φ₊ = [φ(y₁) φ(y₂) ... φ(y_M)]
   Φ = [φ(x₁) φ(x₂) ... φ(x_M)]
4. 通过最小二乘求解Koopman矩阵近似：
   K ≈ Φ₊Φ⁺ (Φ⁺为Φ的伪逆)

在Matlab中，这一过程可以高效实现：

matlab复制% 数据矩阵构建
Phi_plus = [phi(y1) phi(y2) ... phi(yM)];
Phi = [phi(x1) phi(x2) ... phi(xM)];

% Koopman矩阵计算
K = Phi_plus * pinv(Phi);

1.3 基函数选择策略

基函数的选择直接影响模型性能。常见选项包括：

1. 多项式基：简单但可能遭遇维数灾难
2. 径向基函数(RBF)：局部性好，需选择合适带宽
3. 薄板样条：适合高维插值
4. 神经网络：自动学习最优表示，但需要更多数据

实际应用中，我们通常通过交叉验证选择最优基函数。例如在提供的代码中，比较了三种基函数：

matlab复制% 基函数性能比较
RMSE1 = sqrt(mean((