更改

<math> dx(t) = f(x(t)) dt + \sigma(x(t)) dW(t)，\quad x(0) = x_0 \in X  </math>

<math> dx(t) = f(x(t)) dt + \sigma(x(t)) dW(t)，\quad x(0) = x_0 \in X  </math>

其中 <math> W(t) </math>是[[维纳过程]]（Wiener process，白噪声），<math>  \sigma(x(t)) </math>是噪声强度矩阵。

其中 <math> W(t) </math>是[[维纳过程]]（Wiener process，白噪声），<math>  \sigma(x(t)) </math>是噪声强度矩阵，<math>\mathbf{f}</math> 描述了系统的确定性部分。

随机 Koopman 算子 <math> \mathcal{K}^t_{\text{stoch}}：\mathcal{G}(X) \to \mathcal{G}(X) </math>定义为期望算子<ref name="brunton_2022" /><ref>N. C\v  rnjaric\'-Z\v ic, S. Mac\'es\v ic\', and I. Mezi\'c, Koopman operator spectrum for random dynamical systems, J. Nonlinear Sci., 30 (2020), pp. 2007--2056, <nowiki>https://doi.org/10.1007/s00332019-09582-z</nowiki></ref>：

随机 Koopman 算子 <math> \mathcal{K}^t_{\text{stoch}}：\mathcal{G}(X) \to \mathcal{G}(X) </math>定义为期望算子<ref name="brunton_2022" /><ref>N. C\v  rnjaric\'-Z\v ic, S. Mac\'es\v ic\', and I. Mezi\'c, Koopman operator spectrum for random dynamical systems, J. Nonlinear Sci., 30 (2020), pp. 2007--2056, <nowiki>https://doi.org/10.1007/s00332019-09582-z</nowiki></ref>：

公式核心是通过期望消除噪声随机性，得到观测函数的平均演化 —— 随机 Koopman 算子作用后，输出为确定性函数（平均观测值）。

公式核心是通过期望消除噪声随机性，得到观测函数的平均演化 —— 随机 Koopman 算子作用后，输出为确定性函数（平均观测值）。

对于光滑观测函数<math> g </math>，随机 Koopman 算子的生成元 <math> \mathcal{L}_{\text{stoch}} </math>满足：<math> \mathcal{L}_{\text{stoch}} g(x) = \lim_{t \to 0} \frac{\mathcal{K}^t_{\text{stoch}} g(x) - g(x)}{t} </math>，结合伊藤公式（Ito's lemma），生成元可展开为：

对于光滑观测函数<math> g </math>，随机 Koopman 算子的生成元 <math> \mathcal{L}_{\text{stoch}} </math>满足：<math> \mathcal{L}_{\text{stoch}} g(x) = \lim_{t \to 0} \frac{\mathcal{K}^t_{\text{stoch}} g(x) - g(x)}{t} </math>，结合[[伊藤公式（Ito's lemma）]]，生成元可展开为：

<math> \mathcal{L}_{\text{stoch}} g(x) = \nabla g(x) \cdot f(x) + \frac{1}{2} \text{tr} \left( \sigma(x) \sigma(x)^T \nabla^2 g(x) \right) </math>

<math> \mathcal{L}_{\text{stoch}} g(x) = \lim_{t \to 0} \frac{\mathcal{K}^t_{\text{stoch}} g(x) - g(x)}{t} =\underbrace{\nabla g(\mathbf{x}) \cdot \mathbf{f}(\mathbf{x})}_{\text{确定性漂移项}} + \underbrace{\frac{1}{2} \text{Tr} \left( \sigma(x) \sigma(x)^T \nabla^2 g(x)  \right]}_{\text{随机扩散项}} =  \nabla g(x) \cdot f(x) + \frac{1}{2} \text{tr} \left( \sigma(x) \sigma(x)^T \nabla^2 g(x) \right) </math>

其中， <math> \nabla g \cdot f </math>为与确定性系统的生成元一致，对应无噪声时观测函数的瞬时变化率，<math> σ(x) </math>为噪声贡献项，<math> Tr(⋅) </math>是矩阵迹（对角线元素之和），<math> \nabla^2 g</math>是 <math> g </math>的[[Hessian 矩阵]]（二阶偏导数矩阵）。噪声项通过 [[Hessian 矩阵]]影响观测函数的演化，反映噪声对观测不确定性的贡献，当噪声强度<math> \sigma(x) = 0 </math>时，随机算子退化为确定性连续时间 Koopman 算子，随机 Koopman 算子的特征值可能包含衰减项（对应噪声导致的不确定性耗散），特征函数可刻画系统的 “平均线性化” 演化。

其中， <math> \nabla g \cdot f </math>为与确定性系统的生成元一致，对应无噪声时观测函数的瞬时变化率，<math> σ(x) </math>为噪声贡献项，<math> Tr(⋅) </math>是矩阵[[迹]]（对角线元素之和），<math> \nabla^2 g</math>是 <math> g </math>的[[Hessian 矩阵]]（二阶偏导数矩阵）。噪声项通过 [[Hessian 矩阵]]影响观测函数的演化，反映噪声对观测不确定性的贡献，当噪声强度<math> \sigma(x) = 0 </math>时，随机算子退化为确定性连续时间 Koopman 算子，随机 Koopman 算子的[[特征值]]可能包含衰减项（对应噪声导致的不确定性耗散），[[特征函数]]可刻画系统的 “平均线性化” 演化。

== 算子性质 ==

== 算子性质 ==