- 博客(5)
- 收藏
- 关注
RSS订阅原创 PINN学习（三）—— 发现方程问题的解决
本文介绍了基于物理信息神经网络(PINN)的微分方程发现方法。以一维热传导方程为例，通过构建包含各阶微分项的候选库，结合稀疏正则化约束，实现了从观测数据中自动识别方程结构并求解系数的功能。实验结果显示，该方法能有效识别出主导项u_xx，其系数0.008118接近真实值0.01。文章还指出了当前方法的局限性：超参数敏感性问题和稀疏约束优化问题，为后续改进研究指明了方向。
2025-12-13 21:58:30
571
原创 PINN学习（二）-- 逆问题求解
本文介绍了基于物理信息神经网络(PINN)求解一维热传导方程逆问题的方法。通过搭建全连接网络，将热扩散率作为可学习参数，结合观测数据和PDE约束构建损失函数进行训练。实验结果表明，该方法能够从带噪声的观测数据中反演热扩散率参数，但存在约22.75%的相对误差。文中详细展示了网络结构、损失函数设计和参数优化过程，并讨论了影响反演精度的可能因素，如采样点分布、数据噪声和损失权重等。该研究为利用PINN求解偏微分方程逆问题提供了实践参考。
2025-12-10 07:16:15
478
原创 读《线性代数的几何意义》有感，施密特正交变换讲解。
摘要：本文基于对《线性代数的几何意义》中施密特正交变换的理解，阐述其核心思想：通过将向量分解到正交坐标系中实现正交化。具体而言，三维向量可分解为三个正交轴的分量，通过减去其在两个轴上的投影得到与这两个轴垂直的第三个向量。这一过程展现了施密特正交化的基本原理，文章旨在分享这一理解，并作为个人学习笔记。
2025-12-09 15:27:26
277
原创 PINN 学习 (一) —— 介绍及正问题求解
物理信息神经网络(PINNs)通过将物理方程约束融入神经网络损失函数，提升模型对实际问题的建模能力。以热传导方程为例，展示了网络构建、自动微分计算残差及多约束损失函数设计的方法，并验证了其相比传统数值方法的无网格优势。关键实现需注意激活函数可导性等问题。
2025-12-09 07:45:47
1172
原创 Win11下载奥比中光Gemini2的pyorbbecsdk功能包中的问题解决
本文提供了pyorbbecsdk库的完整安装指南。主要内容包括：1)下载并解压源码包；2)安装Python环境及依赖项；3)配置CMake和Visual Studio；4)解决"pybind11 NotFound"错误的方法；5)生成并编译项目；6)安装OrbbecViewer及驱动程序；7)在PyCharm中运行示例程序的注意事项。特别针对常见问题给出了解决方案，如手动添加pybind11路径、正确配置生成选项等。最后通过将编译生成的库文件复制到Python的site-packages
2025-07-26 12:39:45
612
2
空空如也
想通过vscode html文件生成地图 ，但是不知道这是什么意思，元组对象不可调用？
2023-08-09
TA创建的收藏夹 TA关注的收藏夹
TA关注的人