文章目录前言常微分方程（一）计算1）求微分方程的解2）由微分方程求特解形式3）由微分方程的解求微分方程的通解4）由微分方程的解求微分方程（二）微分方程综合题1）与定积分联系2）与极限联系3）与全微分联系4）与高阶导数联系（三）微分方程应用题1）与曲线相关的应用2）与物理相关的应用（难点） 前言本笔记不涉及基础知识，重点在于分析考研数学的出题角度和对应策略。笔记随着做题的增多，不定时更新。且为了提
转载
2024-01-11 10:37:56
87阅读
用微分方程的视角来看待和理解神经网络是一种新的视角，该观点最早出现在2016年鄂维南院士的一篇proposal里：A Proposal on Machine Learning via Dynamical Systems.MotivationThe core idea is that certain types of neural networks are analogous to a disc
转载
2023-11-07 01:33:28
1105阅读
最近才入门深度学习不久，在看了arxiv.org上1902这篇文章使用神经网络在不需要已知解析解情况下就能求解常微分方程及偏微分方程的数值解，精度也很不错，自己也尝试了下，最终成功复现论文作者的结果，将代码展示一下，供需要的同学使用，才疏学浅，其中可能存在的谬误还请及时评论。 论文作者采用了一个很简单的网络结构，即只有一个单隐层的前馈神经网络（NN）且只有10个神经元，其数学表达式 m是输出的个数
转载
2023-12-07 00:57:55
225阅读
Artificial Neural networks for Solving Ordinary and Partial Differential Equations文章目录 系列文章目录前言
一、背景介绍二、方法描述
1.梯度计算三、方法说明1单元常微分方程与多元常微分方程2 Solution of single PDEs四、例子4.1 ODEs and syste
转载
2023-12-24 08:04:41
212阅读
本文主要介绍神经常微分方程背后的细想与直观理解，很多延伸的概念并没有详细解释，例如大大降低计算复杂度的连续型流模型和官方 PyTorch 代码实现等。这一篇文章重点对比了神经常微分方程（ODEnet）与残差网络，我们不仅能通过这一部分了解如何从熟悉的 ResNet 演化到 ODEnet，同时还能还有新模型的前向传播过程和特点。 其次文章比较关注 ODEnet 的反
转载
2024-05-28 18:20:00
90阅读
背景神经网络快速发展，且其具有自动微分的天然功能特性，可以用其来近似逼近待求解函数，利用自动微分来逼近一阶微分，利用自动微分的微分来逼近二阶微分，代入原等式中计算loss，优化后即可得到结果。（以下参考博客）微分方程是由函数以及其导数组成的等式，一般而言，可以分为常微分方程(ODE)和偏微分方程(PDE)，常微分方程按照最高阶导数的阶数可以分为一阶，二阶甚至更高阶，按照函数及其导数的次数又可分为线
转载
2023-09-13 23:40:18
470阅读
下面我将介绍内嵌物理知识神经网络（PINN）求解微分方程。首先介绍PINN基本方法，并基于Pytorch的PINN求解框架实现求解含时间项的一维burger方程。内嵌物理知识神经网络（PINN）入门及相关论文深度学习求解微分方程系列一：PINN求解框架（Poisson 1d）深度学习求解微分方程系列二：PINN求解burger方程正问题深度学习求解微分方程系列三：PINN求解burger方程逆问题
转载
2023-12-24 11:17:15
442阅读
神经网络解常微分方程(ODE)
原创
2023-01-07 16:44:05
1434阅读
两种新的方法使用深度神经网络求解一整类（entire family）偏微分方程，它们使得复杂系统建模更加容易，并且快了几个数量级。众所周知，偏微分方程PDE，例如控制流体运动行为的方程，很难求解。神经网络也许可以解决。在高中物理中，我们通过作用在一个具有一定质量的物体上的外力（比如说，重力）这样简单的例子学习牛顿第二运动定律，即作用力等于质量乘以加速度。在时间是唯一自变量的理想情况下，第二定律实际
转载
2023-08-08 14:26:32
402阅读
谈用Matlab求解微分方程 - 知乎 https://jingyan.baidu.com/article/ce09321b88152b2bff858fee.html
原创
2022-06-10 01:25:35
630阅读
1：问题
常微分方程的初值问题的标准数学表述为：y'=f(t,y),a<=t<=b,y(a)=y(0) ；我们要求解的任何高阶常微分方程都可以用替换法化为上式所示的一阶形式，其中y为向量，yo为初始值。2：Matlab中解决以上问题的步骤 （1）：化方程组为标准形式。 &
转载
2024-04-22 21:32:30
71阅读
第二次作业TEASOFT-DOP文档所在云端目录 ➤01 第一题1.题目描述建立起一个竞争网络，有输入层和竞争层组组成，如下图所示，初始权向量为已经归一化为： 训练集合有五个样本向量 ，均位于单位圆上，各自所对应的角度分别为：2.求解要求使用胜者为王的算法对权系数 进行调整，写出经过一轮训练之后的权系数调整结果。假设学习速率。3.参考答案Python版本参考答案： 2020年人工神经网
转载
2023-12-14 23:19:55
82阅读
作者：seven_本文的重点研究对象是在视觉领域占据统治地位的残差神经网络（ResNets），ResNets以其精巧的残差结构可以胜任绝大多数视觉任务。本文假设Neural ODE可以模拟ResNets的连续变换，作者首先量化ResNets的隐藏层状态轨迹与其对应的Neural ODE的解之间的距离，随后发现使用梯度下降算法优化ResNets得到的平滑性，可以以一定的速率对Neural ODE进
转载
2024-01-29 08:45:13
187阅读
Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs1.摘要：多元时间序列预测在能源消耗和交通预测等实际应用中一直受到了广泛的关注。虽然最近的方法显示出良好的预测能力，但它们有三个基本的限制。(i).离散的神经结构：交错使用单独参数化的空间和时间块来编码丰富的潜在模式，会导致不连续的潜在状态轨迹和更高的预测数值误差(
转载
2024-01-12 07:56:51
247阅读
本文内容：1、学习神经微分方程的笔记，主要锻炼自己学习新知识的能力和看有很多数学原理的论文能力；2、神经微分方程可以用于时序数据建模、动力学建模等，但是本文专注于分类问题-resnet变体<比较容易理解>； 个人理解:联合灵敏度的代码实现比较复杂，代码逻辑和算法步骤是一样的，对照看就很容易明白，其实本质上就是把梯度计算归结为求解微分的问题：工程上实现OdeintAdjointMetho
转载
2024-01-20 21:56:42
232阅读
1.PINN简介神经网络作为一种强大的信息处理工具在计算机视觉、生物医学、 油气工程领域得到广泛应用, 引发多领域技术变革.。深度学习网络具有非常强的学习能力, 不仅能发现物理规律, 还能求解偏微分方程.。近年来，基于深度学习的偏微分方程求解已是研究新热点。内嵌物理知识神经网络（PINN）是一种科学机器在传统数值领域的应用方法，能够用于解决与偏微分方程 （PDE） 相关的各种问题，包括方程求解、参
转载
2023-12-24 07:51:42
223阅读
基于python的常微分方程组数值解预备知识四阶R-K四阶Adams预估-校正公式实战演练理论推导python实现创建求解常微分方程组的简单类之后将各种条件代入即可用指定算法进行运算：附录 预备知识包括最常用的四阶Ronge-Kutta数值方法以及四阶Adams预估-校正格式四阶R-K之所以是四阶R-K，是因为三阶精度太低，在步长略大时无法满足正常求解精度要求，而五阶以上虽然精度很高，但算法耗时
转载
2024-02-29 09:12:51
132阅读
表1 解常微分方程主要MATLAB指令
主题词意义主题词意义ode454、5阶Runge-kutta法ode23s刚性方程组二阶Rosenbrock法ode232、3阶Runge-kutta法ode23tb刚性方程组低精度算法ode113多步Adams算法bvpinit边值问题预估计odeset解ode选项设置bvp4c边值问题解法ode23t适度刚性问题梯形算法deval微分方程解的求
本文主要介绍matlab中求解常微分方程（组）的dsolve和ode系列函数，并通过例子加深读者的理解。一、符号介绍 D: 微分符号；D2表示二阶微分，D3表示三阶微分，以此类推。二、函数功能介绍及例程1、dsolve 函数dsolve函数用于求常微分方程组的精确解，也称为常微分方程的符号解。如果没有初始条件或边界条件，则求出通解；如果有，则求出特解。1)函数格式 
转载
2023-10-31 17:01:31
102阅读
scipy1.1.0版本的接口有很大，变化，也新增了函数。使用scipy求解微分方程主要使用scipy.integrate模块，函数是odeint,solve_ivp（初值问题），可以求解一阶、二阶以及高阶方程或方程组。20201112更新 一阶方程组增加torchdiffeq库求解的实例下面直接上代码，已有详细注释"""
使用scipy求解微分方程，包括一阶、二阶和高阶微分方程
转载
2023-09-21 10:51:35
676阅读
