⚡ electrical engineering

Koopman-based Estimation of Lyapunov Functions: Theory on a Reproducing Kernel Hilbert Space

Deze paper presenteert een theorie voor het schatten van Lyapunov-functies op basis van de Koopman-operator in een Reproducing Kernel Hilbert Ruimte, waarbij een unieke oplossing voor een operator-algebraïsche Lyapunov-vergelijking wordt afgeleid om de stabiliteit te analyseren en de schattingsfouten te kwantificeren.

Oorspronkelijke auteurs: Wentao Tang, Xiuzhen Ye

Gepubliceerd 2026-03-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Wentao Tang, Xiuzhen Ye

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert het gedrag van een heel complexe machine te begrijpen, zoals een stormachtige oceaan of een ingewikkeld chemisch proces. Deze systemen zijn niet-lineair: als je een klein beetje meer kracht toevoegt, kan het resultaat niet gewoon evenredig groter worden; het kan plotseling uit de hand lopen of juist volledig stilvallen. Wiskundigen noemen dit "niet-lineaire systemen". Het probleem is dat deze systemen vaak zo complex zijn dat we geen exacte formule hebben om ze te beschrijven.

De auteurs van dit paper, Wentao Tang en Xiuzhen Ye, hebben een slimme manier bedacht om deze chaotische systemen toch te analyseren en te stabiliseren. Ze gebruiken een wiskundig gereedschap dat de Koopman-operator heet.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het probleem: Chaos in een rechte lijn

Stel je voor dat je een bal op een hobbelige berg probeert te rollen. De weg is kronkelig, vol gaten en hellingen. Het is moeilijk om te voorspellen waar de bal naartoe gaat.

De oude manier: Probeer elke hobbel exact te meten en een formule te maken. Vaak lukt dit niet.
De nieuwe manier (Koopman): In plaats van de bal zelf te volgen, kijken we naar een "schaduw" van de bal die op een groot, plat canvas wordt geprojecteerd. Op dat canvas beweegt de schaduw niet meer kronkelig, maar in een perfecte rechte lijn!
De Koopman-operator is die projectie. Hij neemt een chaotisch, niet-lineair systeem en "lift" het naar een hogere dimensie waar het zich gedraagt als een simpel, lineair systeem (een rechte lijn). Dit maakt het veel makkelijker om te rekenen.

2. Het grote gevaar: De "Grootte" van de schaduw

Er is echter een addertje onder het gras. Als je die schaduw (de operator) te groot maakt, kan hij onstabiel worden.

De stabiliteit: We willen weten of de bal uiteindelijk in een dal blijft liggen (stabiel) of dat hij de berg afrolt en verdwijnt (instabiel).
Het probleem: In de wiskunde van deze "schaduwen" (die leven in een ruimte genaamd Reproducing Kernel Hilbert Space of RKHS) is het soms moeilijk om te zien of de schaduw echt stabiel is. Soms lijkt de schaduw stabiel, maar is dat alleen omdat we de verkeerde "lens" (de kernfunctie) hebben gebruikt om te kijken.

De auteurs hebben in hun eerdere werk bewezen dat als je de juiste lens gebruikt (een combinatie van een lineaire lens en een radiale lens), je zeker weet: als het systeem stabiel is, dan zit de "grootte" van de schaduw binnen een veilige cirkel.

3. De oplossing: Een "Veiligheidsnet" bouwen (Lyapunov-functie)

Nu komen ze bij het echte doel van dit paper: het bouwen van een Lyapunov-functie.

Wat is dat? Stel je voor dat je een berg hebt en je wilt bewijzen dat een bal die je erop zet, altijd naar beneden rolt en niet omhoog. Een Lyapunov-functie is als een energiekaart of een veiligheidsnet. Het is een wiskundige functie die aangeeft hoe "veilig" een punt is. Hoe lager de waarde, hoe dichter je bij de veilige plek (het dal) bent. Als je kunt bewijzen dat deze waarde altijd daalt, weet je dat het systeem stabiel is.

De innovatie van dit paper:
De auteurs zeggen: "Laten we deze veiligheidskaart niet handmatig tekenen, maar laten we hem leren uit data."
Ze gebruiken de Koopman-operator (die we al hebben omgezet naar een rechte lijn) om een wiskundige vergelijking op te lossen. Deze vergelijking heet een Operator Algebraic Lyapunov Equation.

De analogie: Het is alsof je een machine hebt die de "energieverlies" (de afname van de waarde) meet. Als je weet hoeveel energie er per seconde verloren gaat (de decay rate), kun je de totale veiligheidskaart berekenen.
Ze bewijzen wiskundig dat als het systeem stabiel is, deze kaart uniek bestaat en dat je hem kunt vinden door een oneindige som van termen op te tellen (die snel klein genoeg worden om te stoppen).

4. Van theorie naar praktijk: Leren van data

In de echte wereld hebben we geen perfecte formules. We hebben alleen meetdata (bijvoorbeeld: "hier was de bal, en daar was hij een seconde later").

kEDMD: Dit is een techniek om de "schaduw-operator" te leren van die data. Het is alsof je een kunstmatige intelligentie traint om de rechte lijn te voorspellen op basis van de hobbelige bewegingen die je hebt gemeten.
Foutmarge: De auteurs berekenen hoe groot de fout is in hun veiligheidskaart als je de operator niet perfect kent. Het goede nieuws: als je genoeg data hebt, wordt de fout zo klein dat je je veiligheidskaart kunt vertrouwen.

5. Het resultaat: Een test met een Liénard-vergelijking

Ze testen hun methode op een bekend, maar lastig wiskundig probleem (de Liénard-vergelijking).

Ze verzamelden data van 50 verschillende trajecten.
Ze leerden de operator.
Ze berekenden de veiligheidskaart (Lyapunov-functie).
De uitkomst: De kaart die ze berekenden leek precies op de echte kaart (die ze via simulatie kenden). Het zag eruit als een mooi, ellipsvormig dal, net zoals bij een lineair systeem, maar met de juiste vervormingen voor de niet-lineaire chaos.

Samenvatting in één zin

De auteurs hebben een methode bedacht om voor complexe, chaotische systemen een veiligheidskaart te tekenen door eerst het systeem om te zetten in een simpel, lineair probleem (via de Koopman-operator) en dit vervolgens te leren van meetdata, zodat we zeker weten of het systeem stabiel blijft.

Waarom is dit belangrijk?
Dit is een stap in de richting van "data-gedreven controle". In plaats van dat ingenieurs jarenlang moeten zoeken naar formules voor een nieuwe robot of een nieuw chemisch proces, kunnen ze nu data verzamelen en automatisch bewijzen of het systeem veilig is en hoe ze het kunnen stabiliseren. Het maakt het bouwen van veilige, complexe systemen veel sneller en betrouwbaarder.

Probleemstelling

Niet-lineaire systemen komen veel voor in de techniek, maar vaak ontbreken er nauwkeurige modellen op basis van eerste principes. De Koopman-operator biedt een lineaire beschrijving van deze niet-lineaire systemen door de evolutie van functies van de toestand te beschouwen in plaats van de toestanden zelf. Hoewel er veel onderzoek is gedaan naar het schatten van de Koopman-operator uit data (bijvoorbeeld via Extended Dynamic Mode Decomposition, EDMD), blijft er een fundamentele uitdaging bestaan: de relatie tussen het spectrum van de Koopman-operator en de stabiliteit van een evenwichtspunt is vaak onduidelijk.

In eindig-dimensionale lineaire systemen garandeert een spectrale straal kleiner dan 1 asymptotische stabiliteit. Bij de Koopman-operator, die werkt op een oneindig-dimensionale functieruimte, hangt het spectrum echter sterk af van de keuze van de functieruimte en de kernfunctie. Bestaande methoden missen vaak een universele theorie die deze relatie garandeert, wat de constructie van een robuuste, datagedreven stabiliteitsanalyse en regeling bemoeilijkt. Specifiek is het lastig om een Lyapunov-functie te construeren die de stabiliteit bewijst, gebaseerd op een uit data geschatte Koopman-operator.

Methodologie

De auteurs lossen dit probleem op door de Koopman-operator te definiëren op een Reproducing Kernel Hilbert Space (RKHS) met een specifieke keuze voor de kernfunctie en een algebraïsche benadering voor de Lyapunov-functie.

Linear-Radial Product Kernel:
De auteurs gebruiken een kernfunctie die bestaat uit een product van een lineaire kern ( $\kappa_-(x, x') = x \cdot x'$ ) en een radiale kern (een Wendland-kern, $\kappa_=$ ).
- De lineaire component zorgt ervoor dat de ruimte gedraagt als een lineaire ruimte in de buurt van het evenwichtspunt (de oorsprong).
- De radiale component zorgt voor de benodigde gladheid (regulariteit) van de dynamica op het hele domein.
- Deze combinatie zorgt ervoor dat de RKHS functies bevat die lokaal lineair zijn rond het evenwichtspunt en globaal regulier.
Spectrum-Stabiliteit Relatie:
Met deze specifieke kernfunctie bewijzen de auteurs dat als de oorsprong een asymptotisch stabiel evenwichtspunt is, de spectrale straal van de Koopman-operator ( $r(A)$ ) strikt kleiner is dan 1. Dit herstelt de fundamentele link tussen het spectrum en stabiliteit die in eerdere RKHS-benaderingen ontbrak.
Operator Algebraic Lyapunov Equation (ALE):
In plaats van een kwadratische vorm $x^T P x$ te zoeken (zoals bij lineaire systemen), wordt de Lyapunov-functie $v(x)$ en de vervalrate-functie $w(x)$ voorgesteld als "kernel-kwadratische vormen":
$v(x) = \langle \kappa(x, \cdot), P \kappa(x, \cdot) \rangle$
$w(x) = \langle \kappa(x, \cdot), Q \kappa(x, \cdot) \rangle$
Hierbij zijn $P$ en $Q$ positieve operatoren op de RKHS. De relatie tussen deze operatoren wordt beschreven door een Operator Algebraic Lyapunov Equation (ALE):
$A P A^* - P = -Q$
Waarbij $A$ de Koopman-operator is en $A^*$ de geadjungeerde operator.
Datagedreven Schatting (kEDMD en KRR):
- De Koopman-operator $A$ wordt geschat uit data met Kernel Extended Dynamic Mode Decomposition (kEDMD).
- De operator $Q$ (die de vervalrate bepaalt) wordt geschat via Kernel Ridge Regression (KRR).
- De geschatte Lyapunov-operator $\hat{P}$ wordt vervolgens verkregen door de discrete ALE op te lossen met de geschatte operatoren $\hat{A}$ en $\hat{Q}$ .

Belangrijkste Bijdragen

Theoretische Fundamentele Relatie: Het paper levert een strikt bewijs dat de spectrale straal van de Koopman-operator op een RKHS (met een linear-radial product kernel) kleiner is dan 1 als het evenwichtspunt asymptotisch stabiel is. Dit maakt stabiliteitsanalyse mogelijk.
Unieke Oplossing voor ALE: Er wordt bewezen dat de operator ALE een unieke oplossing heeft die kan worden uitgedrukt als een convergente oneindige reeks van Hilbert-Schmidt operatoren, mits de spectrale straal kleiner is dan 1.
Foutgrenzen: De auteurs leiden foutgrenzen af voor de geschatte Lyapunov-functie. Ze tonen aan dat de fout in de Lyapunov-schatting evenredig is met de leernauwkeurigheid van de Koopman-operator en de schatting van de vervalrate-functie. Dit rechtvaardigt de gebruikte datagedreven methode.
Algoritme: Een volledig werkend algoritme wordt gepresenteerd dat data gebruikt om een Lyapunov-functie te construeren zonder dat een analytisch model van het systeem bekend hoeft te zijn.

Resultaten

De methode werd getest op een numeriek voorbeeld: een niet-polynoom niet-lineair systeem (de Liénard-vergelijking).

Dynamica: Het systeem werd omgezet naar discrete tijd en er werden 50 trajecten gegenereerd.
Spectrale Analyse: De geschatte eigenwaarden van de Koopman-operator bleken binnen de eenheidsschijf te liggen, wat de stabiliteit bevestigde.
Lyapunov-schatting: De geschatte Lyapunov-functie $\hat{v}(x)$ $\overset{v}{^} (x)$ werd vergeleken met de "ware" Lyapunov-functie (verkregen via simulatie).
- De geschatte functie ving de algemene contourvorm van de ware functie goed op.
- Er was een grotere fout op plekken ver van de oorsprong (wat logisch is gezien de cumulatieve aard van de vervalrate), maar de methode slaagde erin de niet-lineariteit te vangen (de waarde van de geschatte functie op $(1,1)$ was aanzienlijk hoger dan die van een louter lineaire benadering).

Betekenis en Conclusie

Dit paper is een belangrijke stap in de richting van een universele theorie voor Koopman-gebaseerde regeling. Door de brug te slaan tussen de spectrale eigenschappen van de operator en de stabiliteit van het systeem binnen een RKHS-framework, maken de auteurs het mogelijk om:

Stabiliteit te analyseren puur op basis van data.
Lyapunov-functies te construeren die geldig zijn voor complexe niet-lineaire systemen zonder dat een exact model nodig is.
Fouten in deze schattingen theoretisch te kwantificeren.

De auteurs wijzen erop dat dit fundament ligt voor toekomstig onderzoek naar het schatten van het domein van attractie (voor systemen die niet globaal stabiel zijn) en het toepassen van deze theorie op niet-lineaire regeling en waarneming. De combinatie van RKHS-theorie, de specifieke kernkeuze en de operator-algebraïsche aanpak biedt een krachtig en wiskundig onderbouwd kader voor datagedreven dynamische analyse.