一、Koopman 算子核心概念
Koopman 算子是处理非线性动力系统的强大数学工具，其核心思想是 "绕开状态的非线性演化，转而研究状态观测函数的线性演化"，从而将非线性问题转化为线性问题求解。
1. 非线性动力系统的基本形式
假设离散时间的非线性动力系统为：xt+1=F(xt)其中 xt∈Rn 是 t 时刻的系统状态，F 是非线性映射。直接分析这类系统的演化（如预测、长期行为）通常很困难。
2. Koopman 算子的定义
定义 Koopman 算子 K，它作用于观测函数 ϕ:Rn→Rm（m 可远大于 n），满足：Kϕ(xt)=ϕ(F(xt))=ϕ(xt+1)这意味着：尽管状态 xt 的演化是非线性的，但观测函数 ϕ(xt) 的演化在 Koopman 算子作用下是线性的 ------ 这是 Koopman 算子的核心价值。
3. 核心优势
- 将非线性系统分析转化为线性代数问题（如求解特征值、特征函数）；
- 可用于非线性系统的预测、控制、模态分解等任务。
二、PyKoopman 库介绍与安装
PyKoopman 是 Python 中专门用于 Koopman 算子学习的开源库，封装了 DMD/EDMD/KDMD 等学习方法，以及多项式、傅里叶、神经网络等常用观测函数。
pykoopman · PyPI
https://pypi.org/project/pykoopman/
pykoopman.Koopman：核心模型类，用于构建和训练 Koopman 算子；pykoopman.observables：观测函数模块（映射原始状态到高维空间）；pykoopman.regression：回归模块（拟合 Koopman 算子的线性映射）。
PyKoopman 中仅通过输入（t 时刻状态 X）和输出（t+1 时刻状态 Y）获取 Koopman 算子核心系数（如 Koopman 矩阵）的纯流程化实现步骤。
PyKoopman 从输入输出提取系数的核心步骤
整个过程围绕 "将非线性状态映射到线性观测空间→拟合线性 Koopman 矩阵→（可选）映射回原始状态空间" 展开，具体步骤如下：
步骤 1：输入输出数据的基础校验与预处理
- 确认输入 X（t 时刻状态）和输出 Y（t+1 时刻状态）的格式：均为二维数组（样本数量 × 原始状态维度），且两者的样本数完全一致（比如 X 是 N×n，Y 也必须是 N×n，n 为原始状态维度，N 为样本数）。
- 预处理：剔除缺失值、异常值，必要时对 X/Y 做归一化（如标准化到 0 均值 1 方差），避免数值尺度差异导致拟合系数失真。
步骤 2：观测函数的升维映射（核心前置步骤）
- 选择并初始化观测函数（如多项式、傅里叶基等），将原始状态空间的 X、Y 分别映射到高维观测空间 ，得到 Φ(X) 和 Φ(Y)：
- Φ(X)：形状为 N×m（m 为观测空间维度，m 远大于原始状态维度 n），是原始状态 X 的高维非线性组合；
- Φ(Y)：同理，是 t+1 时刻状态 Y 对应的高维观测空间表示。
- 这一步的核心目的是将原始非线性的状态演化，转化为观测空间中可线性表示的演化关系。
步骤 3：Koopman 矩阵（核心系数）的线性拟合
- 构建核心优化目标：找到 Koopman 矩阵 K（形状为 m×m），使得 Φ(Y) ≈ K・Φ(X)（矩阵乘法），即使得观测空间的演化满足线性关系。
- 求解线性方程组：PyKoopman 默认采用最小二乘法（也可指定岭回归、稀疏回归等），最小化损失函数∣∣Φ(Y)−KΦ(X)∣∣22，求解出最优的 Koopman 矩阵 K------ 这就是观测空间下的核心系数。
步骤 4：（可选）原始状态空间的系数映射
- 若需要得到原始状态空间的预测系数（而非观测空间的 Koopman 矩阵 K），PyKoopman 会额外拟合 "解码器" 矩阵 C：
- 解码器 C 的作用是将观测空间的结果映射回原始状态空间，形状为 n×m；
- 拟合目标：原始状态 X ≈ C・Φ(X)，同样通过最小二乘法求解 C。
- 最终原始状态的预测系数可表示为：Y ≈ C・K・Φ(X)，其中 C 和 K 共同构成原始状态空间的有效预测系数。
步骤 5：系数验证与提取
- 验证系数有效性：通过拟合误差（如 R² 得分、均方误差 MSE）判断 Koopman 矩阵 K 的拟合质量，确保系数能准确反映 X 到 Y 的演化关系。
- 提取核心系数：输出 Koopman 矩阵 K（观测空间核心系数）、解码器矩阵 C（观测→原始空间系数），也可对 K 做特征分解，提取特征值 / 特征向量（反映系统动力学特性的关键系数）。
总结
- 核心前提是将原始非线性状态 X/Y 通过观测函数映射到高维线性观测空间，得到 Φ(X)/Φ(Y)；
- Koopman 矩阵 K 是通过最小二乘拟合 Φ(Y) ≈ K・Φ(X) 得到的核心系数，也是观测空间的线性演化矩阵；
- 若需原始状态空间的系数，需额外拟合解码器矩阵 C，将观测空间的系数映射回原始维度。