⚡ electrical engineering

On Data-Driven Koopman Representations of Nonlinear Delay Differential Equations

本文建立了一个基于历史离散化和核函数扩展动态模态分解（kEDMD）的有限维 Koopman 近似框架，为无限维的时滞微分方程提供了具有确定性误差界和可解释性的数据驱动表示方法，并实现了状态重构与可靠预测。

原作者： Santosh Mohan Rajkumar, Dibyasri Barman, Kumar Vikram Singh, Debdipta Goswami

发布于 2026-04-06

📖 1 分钟阅读☕ 轻松阅读

原作者： Santosh Mohan Rajkumar, Dibyasri Barman, Kumar Vikram Singh, Debdipta Goswami

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文解决了一个非常棘手的问题：如何预测那些“带着记忆”的复杂系统？

想象一下，你正在开车。普通的汽车（普通微分方程）只需要看现在的速度就能预测下一秒的位置。但有些系统，比如延迟微分方程（DDEs），就像一辆装了“幽灵后视镜”的车：它现在的行为不仅取决于现在的状态，还取决于过去几分钟甚至几小时前发生了什么。

这种“记忆”让系统变得极其复杂，甚至可以说是无限维度的（因为过去的每一毫秒都算一个维度）。传统的数学方法很难处理这种“无限记忆”，而现有的机器学习方法要么算得太慢，要么给不出“我预测得有多准”的保证。

这篇论文提出了一套**“把无限记忆压缩成有限数据，并保证预测精度”**的新方法。我们可以用三个生动的比喻来理解它的核心思想：

1. 核心难题：如何给“无限长的记忆”拍照？

比喻：给一条流动的河拍照
想象一条流动的河（系统状态），它的每一滴水都带着过去的信息。如果你想描述这条河，你不能只拍一张照片，因为水在流动。对于延迟系统，你需要记录过去很长一段时间内每一刻的水流情况。这就像要拍一条无限长的电影胶片，计算机根本存不下，也处理不了。

论文的解法：切片与重建（采样与重构）
作者提出了一种聪明的办法：

切片（采样）： 我们不需要记录整条河流，只需要在固定的时间点（比如每隔 1 秒）切几片“快照”。这就把无限长的胶片变成了有限张的照片。
重建（插值）： 当我们有了这些照片，我们可以用一种数学技巧（线性插值），像拼图一样把它们连起来，大致还原出河流的样子。
关键点： 作者证明了，只要切片切得足够细，这种“拼图”还原出来的样子，和真实的河流误差非常小，而且这个误差是可以精确计算出来的。

2. 核心工具：Koopman 算子——把“乱舞”变成“直线”

比喻：把乱飞的蝴蝶变成直线飞行的鸽子
非线性系统（比如复杂的化学反应、生物种群）通常像一群乱飞的蝴蝶，轨迹弯弯曲曲，很难预测。
Koopman 算子是一个神奇的“魔法眼镜”。戴上它，你看到的不再是乱飞的蝴蝶，而是它们在另一个维度里沿着直线飞行。

在原来的世界里，预测很难（非线性）。
在 Koopman 的“魔法世界”里，预测变得像预测直线运动一样简单（线性）。

论文的创新：
以前的 Koopman 方法主要处理普通系统。对于这种“带着无限记忆”的延迟系统，作者成功地把“魔法眼镜”戴在了“切片后的河流”上，建立了一个有限维度的线性模型。这意味着，我们终于可以用简单的线性方程来预测复杂的延迟系统了。

3. 核心保障：给预测加上“误差保险”

比喻：天气预报的“置信度”
很多 AI 模型虽然能预测，但它们是“黑盒”：它们说“明天会下雨”，但你不知道它有多少把握。如果预测错了，后果可能很严重（比如控制一个有延迟的机械臂）。
这篇论文最厉害的地方在于，它不是只给预测结果，还给了一个“误差保险单”。

作者把预测的总误差拆解成了三个部分，就像检查一个产品的三个环节：

切片误差： 因为我们把河流切成了片，而不是连续的，所以有误差。切片越密，误差越小。
拼图误差： 我们用数学公式把照片拼回去时，会有细微的变形。数据点越密，拼得越准。
训练误差： 我们用数据训练模型时，模型本身可能学得不完美。

结论是： 只要你的数据足够多、切片足够细，作者就能从数学上保证，你的预测误差不会超过某个具体的数值。这让这套方法从“大概能行”变成了“科学可靠”。

总结：这有什么用？

想象一下未来的应用场景：

网络控制： 控制几千公里外的机器人，信号有延迟。这套方法能精准预测延迟带来的影响，防止机器人动作失控。
生物医学： 预测药物在体内经过代谢（有延迟）后的效果，或者预测传染病在人群中的传播（有潜伏期）。
工业制造： 控制带有机械延迟的精密机床，提高加工精度。

一句话总结：
这篇论文发明了一套**“切片 + 魔法线性化 + 误差保险”的组合拳，让我们能够用简单、快速且有数学保证**的方法，去预测那些因为“记得过去”而变得极其复杂的系统。它把原本无法计算的“无限记忆”，变成了计算机可以轻松处理的“有限数据”。

论文技术总结：基于数据驱动的延迟微分方程 Koopman 表示

1. 研究背景与问题 (Problem)

延迟微分方程 (DDEs) 广泛存在于网络控制系统、生物调节和具有延迟反馈的机械系统中。与常微分方程 (ODEs) 不同，DDEs 的状态空间是无限维的（由历史函数段组成），这给建模、预测和控制带来了根本性的挑战。

现有的数据驱动方法在处理非线性 DDEs 时面临以下局限：

神经 DDE 方法：计算成本高，且由于反向传播通过延迟轨迹导致训练不稳定。
混合物理 - 机器学习方法：虽然可处理，但通过基函数截断引入了偏差。
稀疏识别 (SINDy)：依赖库的设计，难以捕捉复杂的延迟交互。
现有的 Koopman 方法：虽然 Koopman 算子框架在 ODEs 和部分 PDEs 中取得了成功，但将其扩展到 DDEs 时，由于状态空间的无限维特性，现有方法通常依赖启发式的延迟嵌入，缺乏对近似误差的显式量化和理论保证，难以满足可靠预测和控制的需求。

核心问题：如何构建一个理论严谨、数据驱动的 Koopman 框架，将无限维的 DDE 动力学映射为有限维表示，并提供显式且可解释的误差保证？

2. 方法论 (Methodology)

本文提出了一种基于历史离散化 (History Discretization) 和重构算子 (Reconstruction Operator) 的有限维 Koopman 近似框架。

2.1 状态空间转换

采样算子 ( $Q$ )：将无限维的历史函数 $\eta \in C([-\tau_d, 0], \mathbb{R}^n)$ 在离散时间点 $\Theta_M$ 上采样，映射为有限维向量 $z \in \mathbb{R}^{nM}$ 。
重构算子 ( $R$ )：利用分段线性插值，将有限维向量 $z$ 重构回连续的历史函数空间。
投影与近似：定义离散化状态演化映射 $\tilde{F} = Q \circ F \circ R$ ，其中 $F$ 是 DDE 的流映射。由于 $R \circ Q \neq I$ ，这引入了离散化误差，但使得问题在有限维空间 $Z$ 上闭合。

2.2 数据驱动的线性代理模型 (kEDMD)

核扩展动态模态分解 (kEDMD)：利用 Wendland 径向基函数 (RBF) 核构建再生核希尔伯特空间 (RKHS)。
局部回归：对于离散状态空间中的每个点，利用局部邻域数据求解仿射回归问题，估计非线性动力学 $\tilde{F}$ 的局部行为。
Koopman 算子近似：将非线性演化提升 (Lift) 到特征空间（由核函数定义），构建线性算子 $A$ ，使得 $\Psi(z^+) \approx A\Psi(z)$ ，其中 $\Psi$ 是提升后的状态向量。

2.3 误差分解与理论保证

论文推导了学习到的预测器的确定性误差界，将总误差分解为三个独立部分：

历史离散化误差：与网格间距 $\delta(M)$ 成正比。
核插值误差：与填充距离 (fill distance) $h_X$ 和状态范数相关。
数据驱动回归误差：与局部邻域半径 $\rho$ 的平方成正比。

此外，还提出了基于核插值的状态重构机制，能够从提升的 Koopman 坐标中恢复离散化状态，并给出了状态预测误差的显式上界。

3. 主要贡献 (Key Contributions)

DDE 的 Koopman 实现：建立了无限维延迟动力学与有限维 Koopman 表示之间的严格桥梁，通过采样 - 重构框架提供了可处理的代理模型。
数据驱动的线性代理：利用基于 Wendland RBF 核的 kEDMD，构建了有限维线性代理模型，该模型在 Banach 空间的历史函数上严格近似无限维 Koopman 算子。
确定性误差保证：推导了学习到的 Koopman 预测器的显式误差界，明确分解了离散化、核插值和回归误差，为近似精度提供了理论洞察。
带保证的状态重构：开发了基于核的方法，从提升坐标恢复离散状态，并建立了状态预测误差的确定性界限，确保了仿真和控制任务的可靠性。

4. 数值结果 (Numerical Results)

论文在两个非线性 DDE 系统上验证了该方法：

标量 DDE：具有 Hill 型非线性。
肿瘤 - 免疫相互作用模型：二维系统。

实验发现：

收敛性：随着离散化分辨率 $M$ 的增加（即 $M=3$ 优于 $M=2$ ）和训练数据点数量 $p$ 的增加，预测误差 $\mu_{z_k}$ 显著降低。
参数敏感性：减小局部邻域半径 $\rho$ 进一步降低了误差。
重建精度：能够准确重构离散化状态及当前的状态值（即 $x(t)$ ），预测轨迹与真实轨迹高度吻合。
验证：结果证实了 kEDMD 代理模型在离散化状态和当前状态重构方面的有效性。

5. 意义与影响 (Significance)

理论突破：首次为基于数据驱动的 DDE Koopman 分析提供了严格的确定性误差界，解决了以往方法缺乏理论保证的痛点。
工程应用：为具有延迟的非线性系统的预测、分析和控制提供了原则性的基础。
可扩展性：该方法不仅适用于简单的标量方程，也适用于复杂的耦合系统（如生物模型），并展示了向高维网络系统扩展的潜力。
未来方向：为基于模型的延迟系统控制合成（Closed-loop control synthesis）奠定了理论基础。

总结：这项工作成功地将无限维的延迟系统动力学转化为具有严格误差保证的有限维线性问题，填补了数据驱动控制理论在延迟系统领域的重要空白。