論文の概要: PyKoopman: A Python Package for Data-Driven Approximation of the Koopman Operator

• arxiv url: http://arxiv.org/abs/2306.12962v1
• Date: Thu, 22 Jun 2023 16:55:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-23 14:06:41.563121
• Title: PyKoopman: A Python Package for Data-Driven Approximation of the Koopman Operator
• Title（参考訳）: PyKoopman: Koopman演算子のデータ駆動近似のためのPythonパッケージ
• Authors: Shaowu Pan, Eurika Kaiser, Brian M. de Silva, J. Nathan Kutz, Steven L. Brunton
• Abstract要約: PyKoopmanは、動的システムに関連するKoopman演算子のデータ駆動近似のためのPythonパッケージである。 特にPyKoopmanは、非力システムとアクティベートシステムのデータ駆動システム識別のためのツールを提供している。
• 参考スコア（独自算出の注目度）: 4.069849286089743
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: PyKoopman is a Python package for the data-driven approximation of the Koopman operator associated with a dynamical system. The Koopman operator is a principled linear embedding of nonlinear dynamics and facilitates the prediction, estimation, and control of strongly nonlinear dynamics using linear systems theory. In particular, PyKoopman provides tools for data-driven system identification for unforced and actuated systems that build on the equation-free dynamic mode decomposition (DMD) and its variants. In this work, we provide a brief description of the mathematical underpinnings of the Koopman operator, an overview and demonstration of the features implemented in PyKoopman (with code examples), practical advice for users, and a list of potential extensions to PyKoopman. Software is available at http://github.com/dynamicslab/pykoopman
• Abstract（参考訳）: PyKoopmanは、動的システムに関連するKoopman演算子のデータ駆動近似のためのPythonパッケージである。 クープマン作用素は非線形力学の原理的線形埋め込みであり、線形系理論を用いた強非線形力学の予測、推定、制御を促進する。 特に、PyKoopmanは、方程式のない動的モード分解(DMD)とその変種をベースに構築された非力および作動系のデータ駆動型システム識別ツールを提供している。 本稿では、クープマン演算子の数学的基盤の簡単な説明、PyKoopmanで実装された機能の概要とデモ(コード例を含む)、ユーザへの実用的なアドバイス、およびPyKoopmanの拡張の可能性のリストを提供する。 ソフトウェアはhttp://github.com/dynamicslab/pykoopmanで利用可能

関連論文リスト

• Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors [85.22004745984253]
  実世界の時系列は、深い予測モデルにとって大きな課題となる固有の非定常性によって特徴づけられる。 我々は、基礎となる時間変動力学を根本的に考慮する現代のクープマン理論を用いて、非定常時系列に取り組む。 階層的力学を学習する積み重ね可能なブロックからなる新しいクープマン予測器としてクーパを提案する。
  論文  参考訳（メタデータ） (2023-05-30T07:40:27Z)
• DLKoopman: A deep learning software package for Koopman theory [0.0]
  我々は、Koopman理論のためのソフトウェアパッケージであるDLKoopmanを紹介する。 ディープラーニングを用いて非線形力学系の線形空間への符号化を学習し、同時に線形力学を学習する。 DLKoopmanは"dlkoopman"としてPython Package Index(PyPI)で利用可能である。
  論文  参考訳（メタデータ） (2022-11-15T18:45:51Z)
• Learning Dynamical Systems via Koopman Operator Regression in Reproducing Kernel Hilbert Spaces [52.35063796758121]
  動的システムの有限データ軌跡からクープマン作用素を学ぶためのフレームワークを定式化する。 リスクとクープマン作用素のスペクトル分解の推定を関連付ける。 以上の結果から,RRRは他の広く用いられている推定値よりも有益である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-27T14:57:48Z)
• PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
  PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。 PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。 PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
  論文  参考訳（メタデータ） (2022-01-12T07:32:36Z)
• KoopmanizingFlows: Diffeomorphically Learning Stable Koopman Operators [7.447933533434023]
  本稿では,線形時間不変(LTI)モデルを構築するための新しいフレームワークを提案する。 事前に定義された関数のライブラリやスペクトルを知ることなく、クープマン作用素の特徴を学習する。 本稿では,LASA手書きデータセットにおける最先端手法と比較して,提案手法の優れた有効性を示す。
  論文  参考訳（メタデータ） (2021-12-08T02:40:40Z)
• Deep Identification of Nonlinear Systems in Koopman Form [0.0]
  本論文では,クープマンに基づく深部状態空間エンコーダを用いた非線形力学系の同定について述べる。 揚力モデル構造には入力-アフィンの定式化が考慮され, 完全状態と部分状態の両方に対処する。
  論文  参考訳（メタデータ） (2021-10-06T08:50:56Z)
• Stochastic Adversarial Koopman Model for Dynamical Systems [0.4061135251278187]
  本稿では、最近開発された逆コオプマンモデルを拡張し、コオプマンがエンコーダの潜在符号化の確率に適用する。 クープマンモデルの有効性はカオス, 流体力学, 燃焼, 反応拡散モデルにおいて異なる試験問題で示される。
  論文  参考訳（メタデータ） (2021-09-10T20:17:44Z)
• Estimating Koopman operators for nonlinear dynamical systems: a nonparametric approach [77.77696851397539]
  Koopman演算子は非線形系の線形記述を可能にする数学的ツールである。 本稿では,その核となる部分を同一フレームワークのデュアルバージョンとして捉え,それらをカーネルフレームワークに組み込む。 カーネルメソッドとKoopman演算子との強力なリンクを確立し、Kernel関数を通じて後者を推定する。
  論文  参考訳（メタデータ） (2021-03-25T11:08:26Z)
• Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
  クープマン理論に関連する新しい物理学に基づく手法が導入された。 本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。 このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
  論文  参考訳（メタデータ） (2020-03-04T18:24:30Z)
• MOGPTK: The Multi-Output Gaussian Process Toolkit [71.08576457371433]
  ガウス過程(GP)を用いたマルチチャネルデータモデリングのためのPythonパッケージMOGPTKを提案する。 このツールキットの目的は、研究者、データサイエンティスト、実践者にもMOGP(multi-output GP)モデルを利用できるようにすることである。
  論文  参考訳（メタデータ） (2020-02-09T23:34:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。