学习非线性动力系统的可靠自适应吸引域表示

基于摘要分析。本文研究固定闭环非线性动力系统的吸引域（region of attraction，RoA）学习，针对单一全局表示在表达能力、可构造性与可扩展性之间的权衡，提出由互补局部组件构成的混合表示框架。其目标是在不修改既有控制器的前提下，开展训练后的吸引域分析，而非重新训练控制器或联合设计控制器与稳定性证书。 机制上，方法先由闭环线性化得到二次 Lyapunov 表示，再结合非线性动力学细化，形成可信局部核心；随后从该核心出发学习收敛状态，通过局部验证的几何表示将这些状态扩展为连续区域，并使用动力学流信息引导的补片补充剩余区域。最终表示通过独立的有限样本有界性验证与到达核心验证进行评估，不要求整个吸引域服从单一全局证书。摘要称该框架不依赖控制器的具体表示形式，但动力学访问方式、采样分布及验证所需假设尚未验证。 作者报告，在 CartPole 与六维 quadrotor 系统实验中，所得区域相较可信局部核心有显著扩展，并在所用有限样本验证协议下达到 99.9% 可靠性、置信水平为 99.9%。摘要未给出扩展幅度、可靠性的具体统计定义、样本规模及对照结果，因此不能将该声明解释为对所有状态的确定性稳定保证；实验协议、消融及统计信息尚未验证。 该工作的主要对象是动力系统稳定性与吸引域分析，并非 EEG 表征学习或 BCI 解码。平台推测（待验证）：其局部证书与独立验证思路可能用于具有明确状态空间和闭环动力学模型的 BCI 控制系统安全分析，但当前材料不足以支持直接迁移到 EEG 信号任务；已有 EEG 相关工作尚未检索确认。