使用扩展动态模态分解的数据驱动模型预测控制的实用渐近稳定性

基于摘要分析。本文研究非线性受控系统中，使用扩展动态模态分解（EDMD）构建数据驱动代理模型后，模型预测控制能否保持受控平衡点的实用渐近稳定性。核心贡献是建立与状态和控制范数成比例的估计误差界，并据此分析代理模型参与控制优化时的稳定性。 EDMD 的理论基础是 Koopman 框架：通过传播状态的可观测函数，在无限维空间中获得线性表示。本文的控制优化使用数据构建的代理模型，而非直接使用原系统模型。作者报告，在底层系统满足代价可控性条件时，相关可稳定性性质能够保留，并通过数值模拟展示所证明的实用渐近稳定性。“实用渐近稳定性”不应直接等同于状态精确收敛至平衡点；其具体邻域、适用范围及误差依赖关系需核对正文。 摘要未给出可观测函数的选择、采样方式、数据规模、控制约束、预测时域或数值系统细节；定理假设、实验协议、对照、消融及统计信息尚未验证。阅读重点是误差界成立所需的数据覆盖和正则性条件，以及代价可控性如何传递到 EDMD 驱动的控制优化。 平台推测（待验证）：该理论可能为闭环神经调控中的数据驱动预测控制提供分析思路，但原文研究对象是一般非线性受控系统，并非 EEG 解码或 BCI。迁移假设要求能够从神经信号构造适合控制的状态表征，并获得覆盖状态与控制输入的数据；可考虑复用 EDMD 代理建模及稳定性分析框架，但观测噪声、部分可观测性和跨被试差异可能使原误差界失效。一个可证伪的小实验是在具有已知动力学的低维闭环仿真中逐步加入观测噪声，检验误差是否仍随状态与控制范数缩放，以及目标邻域是否保持稳定；这不构成 BCI 有效性验证。已有 EEG 相关工作尚未检索确认。