.png){kind=icon}
返回
Kernel EDMD for data-driven nonlinear Koopman MPC with stability guarantees
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ifacol.2025.11.080.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
扩展动态模态分解（EDMD）是一种流行的数据驱动方法，用于预测Koopman算子的作用，即可观测函数沿动力系统流演化的过程。本文利用最近引入的针对控制系统的核EDMD方法，用于数据驱动的模型预测控制。基于与状态成比例的点误差界，我们严格证明了原点关于MPC闭环的实用渐近稳定性，且无需稳定的终端条件。关键创新在于避免了限制性的不变性条件。最后，我们通过数值仿真验证了我们的发现。版权所有（c）2025 作者。本文为开放获取文章，采用CC BY-NC-ND许可协议（https://creativecommons.org/licenses/by-nc-nd/4.0/）。
Keyword:
Data-based control
Error quantification
Stability of nonlinear systems
Nonlinear predictive control
Koopman operator
Cost controllability
Dynamic Mode Decomposition
期刊
I
IF:
0
论文数:
985
被引数:
0
机构
引用论文
Linear predictors for nonlinear dynamical systems: Koopman operator meets model predictive control非线性动力系统的线性预测器: Koopman算子满足模型预测控制.png)
AUTOMATICA
OAAI
AUTOMATICAIF5.9
OAAI分享收藏Bilinearization, Reachability, and Optimal Control of Control-Affine Nonlinear Systems: A Koopman Spectral Approach控制仿射非线性系统的双线性化，可达性和最优控制: Koopman谱方法
PREAI
分享收藏
Learning Deep Neural Network Representations for Koopman Operators of Nonlinear Dynamical SystemsOAAI
OAAI分享收藏
查看更多内容