- 博客(218)
- 收藏
- 关注
RSS订阅原创 从豆瓣电影抓取评论：一份完整的 Python 爬虫实现
直接上源码，如果觉得可以点个关注再走。本文基于，使用requestsSQLiteSelenium（可选）完成对单个电影页面下评论的批量抓取。
2025-11-25 11:22:42
17
原创 【图神经网络：原理与实战】第十三章13.1 推荐系统：动态图与自监督实践
本节作为书中算法原理与工程实践的正式章节，系统给出动态图异构图建模与特征流水线、基于异构图的时序模型的严密推导、训练流程与在线A/B测试设计的统计学推导，以及评估指标与冷启动策略的理论与实践要点。章节内所有推导以严密性为首要目标，逐步展开；代码实现置于章节末尾，作为可执行的工程示例（单文件完整实现，注释详尽，代码部分不含理论讲解）。
2025-11-21 08:51:35
21
原创 YOLOv12 原理详解（纯文字背诵版）
YOLOv12：Area Attention 分四区降复杂度，R-ELAN 残差聚合稳大模型，FlashAttention+去位置编码+大核7×7+MLP1.2 四刀优化，继承 v11 Anchor-Free 解耦头+TaskAlignedAssigner+VFL+DFL+CIoU，注意力终于跑出 CNN 速度，精度起飞速度不跪，2025 年真正的神。
2025-11-20 22:29:23
538
原创 YOLOv5 原理详解（纯文字背诵版·极致详细）
YOLOv5：Focus 开头 + C3 模块 + SPPF，Anchor-Based 耦合头，三尺度 3 个锚框，BCE + BCE + CIoU 三大损失，Mosaic 全程开，自动锚框聚类，PAN 颈部 + CSPDarknet 主干，易用性天花板，工业界永远的神。
2025-11-20 22:23:40
766
原创 YOLOv8 原理详解（纯文字背诵版·极致详细）
最后 10 个 epoch 自动关闭 Mosaic 数据增强 Mosaic 是把四张图拼成一张，极大提升小物体检测能力。但训练末期关闭 Mosaic，可以让模型更好地适应真实单张图片分布，避免过拟合到拼接图，提升最终精度。自动混合精度训练、自动 anchor 关闭（因为本来就无锚框）、自动学习率余弦退火等，全程无脑训练也能出极致效果。
2025-11-20 22:21:15
61
原创 【图神经网络：原理与实战】第十二章 大规模 GNN 系统设计
本章系统阐述大规模图神经网络系统的数据处理、训练优化与工程实现。在数据预处理部分，提出包含一致性校验、去重等步骤的规范化流程，并给出特征工程的设计准则与防信息泄露的切分策略。分布式训练部分推导了数据/模型并行范式，证明了图分区的最优性条件，并给出检查点间隔的解析解。实现优化方面，分析了稀疏算子性能上界，提出GPU内存布局调整方案，建立量化训练误差模型，并设计动态批处理策略。工程保障环节构建了包含CI/CD流水线、漂移检测和差分隐私合规的完整运维体系，所有推导均以数学形式呈现，可直接作为系统实现的规范标准。
2025-11-20 21:27:59
28
原创 【图神经网络：原理与实战】第十一章 图生成与编辑
图生成的应用对应不同约束集与验证指标：分子设计关注化学规则与有效性，合成数据追求统计相似性与隐私保护，隐私修复需在保留数据效用的同时去除敏感子结构。
2025-11-20 20:20:40
689
原创 【图神经网络：原理与实战】第十章 可解释性与可证实性
法规/审计层：解释需满足可证据化和可追溯性（例如展示证据链、决策日志）。工程调试层：解释用于定位错误、发现偏差、指导特征工程。对实时性和可操作性要求高。用户交互层：解释需可被最终用户理解并驱动决策（易读性、最小信息量原则）。不同层的量化指标与方法优先级不同：审计层侧重可证实性与保存性；工程层侧重精度、局部性与可视化；用户层侧重可读性与交互性。输入: 模型 f, 输入 x, 初始掩码 m0 in [0,1]^d, 正则参数 λ1, λ2, 学习率 η, 迭代次数 T输出: 掩码 mm ← m0。
2025-11-20 19:57:37
11
原创 【图神经网络：原理与实战】第十章 可解释性与可证实性
本文介绍了一个Python实现的可解释性机器学习工具箱，包含多种解释方法及评估指标。代码实现了5种核心方法：1)可微掩码优化，通过梯度下降学习稀疏特征掩码；2)梯度归因，计算输入梯度作为特征重要性；3)线性代理模型，在输入邻域拟合可解释模型；4)反事实生成，通过优化改变预测结果；5)5种评估指标（充分性、必要性、稳健性等）。该工具箱使用PyTorch实现，支持对神经网络模型的解释分析，包含中文注释和可视化功能。演示案例展示了在合成数据上训练分类模型，并应用各种解释方法的过程，最后通过指标评估解释质量。
2025-11-19 22:29:34
35
原创 【无线电控制与数据链探测系统】书籍配套源码-python 版本 第二章至第六章
【代码】【无线电控制与数据链探测系统】书籍配套源码-python 版本 第二章至第六章。
2025-11-19 19:23:22
70
原创 【图神经网络：原理与实战】第九章 异构图神经网络
定义 9.1（异构图）一个异构图（heterogeneous graph）是五元组异构图的核心在于不仅节点特征不同，而且不同类型节点之间的连边在语义上常是不对称或多样的，例如在知识图谱中“作者—写作—论文”与“论文—发表—会议”属于不同边类型。为便于后续代数表达，我们常把异构图拆分为按类型索引的子集合与子图。按类型分割的表示异构图上的任务常比同构图更复杂，因应不同层面的问题要用不同的目标函数与评价指标。下面以统一符号形式把主要任务类型形式化，并指出异构性带来的特殊性。
2025-11-19 15:05:35
843
原创 【图神经网络：原理与实战】第八章 Transformer–GNN 混合与长距离依赖
直觉：先对输入做局部低通滤波（去噪、平滑）能减少 Transformer 所需的建模复杂度（例如降低注意力需要恢复的高频量），并能减小注意力输入的噪声敏感性，从而改善数值稳定性。评估指标应既量化预测性能，也量化模型处理长程依赖的能力与资源开销。下列指标及其数学定义适用于绝大多数长距评测。可视化建议本节提供了一套从数据、指标、实验设计、统计检验、剖析诊断到可解释性验证的完整方法论，旨在对“长距离依赖”方法做出严谨、可重复与可证实的比较。分层指标（总体与远程子集）是区分模型是否真正掌握长程依赖的基础；
2025-11-19 12:47:29
1170
原创 【PINN系列】PSO-PINN：粒子群优化训练物理信息神经网络的原理与推导
本章从数学与算法角度系统推导把粒子群优化（Particle Swarm Optimization，PSO）用于训练物理信息神经网络（PINN）的理论基础与收敛性质。给出 PINN 的损失函数形式化、PSO 的离散动力学与统计动力学刻画，证明在合理假设下 PSO 动态的有界性与稳定性，并给出 PSO-PINN 联合训练的误差分解与收敛路线图。对每一步推导提供必要的定理、引理与证明要点，保证逻辑严密可供教材或论文方法章节直接采用。
2025-11-19 11:39:21
584
原创 傅里叶基础混合物理信息神经网络（FMPINN）：原理、完整推导与一致性证明
本文提出了一种基于傅里叶特征的混合物理信息神经网络（FMPINN）方法，用于求解多尺度椭圆型偏微分方程。该方法采用混合（flux）变分形式，通过双网络结构分别预测位势和通量。理论分析证明了该方法在能量范数下的连续一致性，并给出了误差分解框架（近似误差、优化误差和数值积分误差）。针对多尺度问题特点，设计了包含傅里叶特征映射和多尺度网络结构的复合网络架构。完整的PyTorch实现支持自动微分、边界条件处理和混合采样策略，实验验证了该方法对高频振荡和多尺度粗糙系数的鲁棒性。代码实现了从数据生成、网络训练到评估的全
2025-11-19 01:38:50
482
原创 物理信息神经算子（PINO）：算法原理、推导与一致性证明、代码复现
摘要：物理信息神经算子（PINO）是一种结合数据驱动学习与PDE物理约束的新型神经网络方法。本文系统阐述了PINO的算法原理，包括：1）将算子学习问题形式化为参数函数到解函数的映射；2）构建联合损失函数，其中数据项保证低频拟合，高分辨率谱残差项控制高频误差；3）通过谱域分析证明了该方法在泛化性和一致性上的优势。实现上，PINO使用Fourier神经算子结构，通过在更细网格上计算PDE残差来增强物理约束。实验表明，该方法能有效平衡数据拟合与物理规律保持，在处理Burgers方程等PDE问题时展现出优越性能。
2025-11-19 01:26:15
193
原创 全局–局部傅里叶神经算子（GL-FNO）：原理、严格推导与 PINN 混合策略
本文提出了一种全局-局部傅里叶神经算子(GL-FNO)及其与物理信息神经网络(PINN)的结合方法。主要内容包括： 架构设计：GL-FNO包含两个分支 - 全局分支处理低频结构，使用下采样输入；局部分支处理高频细节，使用全分辨率输入。两分支通过自适应门控机制融合。 理论分析：证明了GL-FNO在"低频全局+高频局部"任务上的优势，给出了误差分解和复杂度分析，并推导了与PINN结合时的渐进一致性条件。 实现方法：采用频谱微分计算物理残差，推导了完整的训练流程，包括数据损失与物理损失的联合优
2025-11-19 01:12:56
877
原创 基于傅里叶特征PINN的地震多频波场模拟算法原理
本文提出一种基于傅里叶特征嵌入的物理信息神经网络(PINN)方法，用于高效求解频率域地震波场模拟问题。该方法通过将输入坐标映射到高维傅里叶特征空间，有效解决了传统PINN在高频波场模拟中的"谱偏差"问题。理论分析表明，该方法能重构神经正切核的频谱特性，提升高频成分的学习能力。数值实验显示，在Sigsbee2A复杂模型测试中，该方法的计算效率比传统有限差分频域法提升150倍以上，同时保持高精度。文章详细推导了复数域损失函数和散射场处理公式，并提供了基于PyTorch的高效实现方案，为下一代
2025-11-19 00:38:57
731
原创 深度解析 SRS-Net：基于物理信息神经网络的非线性光纤光学求解框架
SRS-Net 的核心思想是利用深度神经网络作为上述物理方程解的通用逼近器，并通过物理残差约束网络的训练。SRS-Net 并非简单的黑盒模型，而是一个物理可解释的计算框架。它通过严格推导的耦合功率方程（CPEs）定义了假设空间，利用自动微分消除了数值离散误差，并通过多任务损失函数实现了从稀疏数据到全域物理场的高精度重构。这一算法原理为非线性光纤光学中的复杂系统建模、参数辨识及逆向设计提供了统一且严密的数学解法。7.PyTorch 实现骨架（含注释与关键细节）
2025-11-19 00:00:25
703
原创 物理信息神经网络在实验室地震预测中的应用原理
本节推导一种结合物理约束的深度学习框架——物理信息神经网络（Physics-Informed Neural Network, PINN）。该框架不仅拟合观测数据，还将控制断层滑动的物理定律（速率-状态摩擦定律，Rate-and-State Friction, RSF）以及声学监测数据与物理状态之间的本构关系作为正则化项嵌入损失函数，从而在小样本条件下实现高精度的状态预测与参数反演。
2025-11-18 22:59:02
247
原创 PINNACLE：PINN自适应配点与实验点选择算法
PINNACLE算法通过引入动态权重机制，实现了PINN训练点选择的自适应优化。该算法基于对训练过程中不同区域学习需求变化的深入理解，设计了平滑过渡的权重函数，确保了模型在不同训练阶段能够优先学习最需要的区域。理论分析和实验结果均表明，PINNACLE不仅能够保证收敛性，而且能够显著提高PINN的性能。这一算法为物理信息神经网络的应用提供了重要支持，尤其适用于复杂PDE问题的求解。
2025-11-18 20:13:40
874
原创 PirateNets: Physics-Informed Deep Learning with Residual Adaptive Networks
在你的编辑器中新建文件。把下面与之间的全部内容完整粘贴到该文件。。。BLOG.md（博客文章）、（预测图）、（损失曲线）。
2025-11-18 19:48:44
14
原创 贝叶斯物理约束极限学习机（BPIELM）：原理与推导、复现
本文推导了贝叶斯物理约束极限学习机（BPIELM）的数学原理与实现方法。首先基于极限学习机（ELM）结构，通过线性化处理将物理约束整合到模型中（PIELM）。然后在输出层引入高斯先验，推导出输出权重的解析高斯后验分布、预测分布及边缘似然函数。针对非线性PDE问题，采用Gauss-Newton迭代策略进行线性化处理，实现了参数估计与不确定性量化。通过Burgers方程的数值实验验证了方法有效性，展示了参数估计、解预测及残差分析结果。该方法在线性化框架下提供了高效的解析解，适用于带有观测噪声的PDE正反问题求解
2025-11-18 17:51:19
24
原创 AdaI-PINNs：高效求解界面问题的自适应物理信息神经网络框架
例如：圆椭圆不规则曲线任意几何形状主干网络与自适应激活模块完全可以复用。如果你需要，我可以提供：可直接运行的可直接运行的完整工程项目（含训练脚本、绘图脚本、误差评估）AdaI-PINNs 的优势极具工程应用价值：自适应激活使 PINNs 的表达能力随子域变化更快的训练速度（实验中提升 2–6 倍）更高的精度（提升 1–2 个数量级）对激活函数选择不敏感在界面附近不再振荡、不再失真完全保留 PINNs 的物理一致性与灵活性。
2025-11-18 13:32:17
694
原创 【图神经网络：原理与实战】第七章 图对比学习（Graph Contrastive Learning）
目录第七章 图对比学习（Graph Contrastive Learning）7.1 对比学习框架形式化7.1.1 形式化设定与目标7.1.2 视图构造策略的分类（概念与数学）7.1.3 正负样本的选择与采样偏差（重要性采样与无偏估计）7.1.4 Loss 函数的可微形式与梯度推导（InfoNCE / NT-Xent）7.1.5 对比学习的理论界与泛化界（信息下界与泛化误差）InfoNCE 与互信息下界（精确推导）泛化界（经验风险与真实风险的集中）7.2 视图构造方法（Graph-specific）7.2.
2025-11-12 22:14:20
331
原创 【图神经网络：原理与实战】第六章 自监督学习与特征解耦
目录第六章 自监督学习与特征解耦6.1 自监督任务的结构化分类6.1.1 对比类任务：正负样本与视图构造6.1.2 重构类任务：邻接、属性与子图重建6.1.3 预测类任务：未来链接与属性预测6.1.4 混合型任务与多目标训练框架6.2 特征解耦的理论基础6.2.1 表示解耦的目标函数刻画6.2.2 子空间正交化与因子分离技术线性因子模型与 PCA（主成分分析）ICA（独立成分分析）与可识别性（线性情形）子空间正交化与正交化惩罚的推导6.2.3 因果视角下的解耦动力学6.2.4 解耦表示的可识别性条件线性情形
2025-11-12 21:52:31
165
原创 【图神经网络：原理与实战】第五章 动态图学习（时序图）
目录5.1 问题形式化与分类5.1.1 离散时间演化图的定义与记号5.1.2 连续时间事件图（CTDG）的数学刻画与对数似然推导5.1.3 静态—动态混合问题的界定5.1.4 评价指标与时间敏感性量化5.2 时间编码与时序嵌入5.2.1 绝对时间编码与相对时间编码的数学比较5.2.2 周期性与非平稳时间信号建模5.2.3 时间编码在消息传递中的注入方式 — 数学效果分析5.2.4 时间卷积与时序注意力的数学性质5.3 流式更新与增量学习策略5.3.1 事件驱动的在线更新流程（形式化与正确性）5.3.2 缓存
2025-11-12 21:36:18
177
原创 【图神经网络：原理与实战】4 训练技巧与大图方法 第一节 采样方法与训练批次框架
目录4 训练技巧与大图方法4.1 采样方法与批训练框架4.1.1 邻居采样：随机采样、重要性采样纯随机（均匀）采样与无偏估计重要性采样与方差最小化方差对多层采样的传播（递推界）4.1.2 子图采样与层次化采样策略子图采样的概率模型与无偏估计分层（层次化）采样（two-stage / multi-stage sampling）子图采样的优势与代价4.1.3 采样偏差校正与无偏估计Horvitz–Thompson（HT）估计的精确性归一化重要性权重（self-normalized IS）与偏差控制变量（cont
2025-11-12 20:26:46
212
原创 【图神经网络：原理与实战】3 消息传递框架（MPNN）
图上的卷积/滤波可从两个视角构造：空间域（基于邻居聚合的局部操作）与谱域（基于图拉普拉斯的特征分解的频域滤波）。下面推导在一定条件下两者的等价和近似关系，并给出常用的多项式近似与实践化简（例如 GCN 的一阶近似）。在可解释性条件下（滤波器平滑、谱函数可多项式近似、图大小与谱分布合理），空间域基于邻域聚合的 MPNN 与谱域多项式滤波在表达上等价或近似等价。该等价性为将频域设计的滤波器移植为可并行、稀疏的局部消息传递结构提供了理论依据。
2025-11-12 16:54:21
1173
原创 【图神经网络：原理与实战】2 深度学习与表示学习预备
链式法则保证正确性：以上每一步仅依赖函数可微与链式法则，故数学上严格正确。并行与稀疏性利用：通过邻接矩阵稀疏乘法与局部 vjp，可并行计算各节点梯度。内存与反向传播深度问题：多层 GNN 的反向会在图上引入大范围依赖，造成内存增长；常用技巧包括邻居采样（GraphSAGE）、分层存储或逐层检查点（checkpointing）。自动微分实现：实践中利用反向模式自动微分（reverse-mode AD）高效计算向量—雅可比积，避免显式构造 Jacobian。
2025-11-12 15:34:39
707
原创 【图神经网络：原理与实战】第一章 图与矩阵表示 代码仓库
它取决于节点 $i$ 的特征和节点 $j$ 的特征。这意味着模型可以学会“当我在对这篇‘机器学习’论文（节点 $i$）进行分类时，我应该更多地关注引用的‘概率论’论文（节点 $j$），而较少关注引用的‘数据库’论文（节点 $k$）。（图中任意两点间的最长最短路径）是 10，那么在一个 10 层的 GCN 之后，节点 $i$ 的特征在某种程度上是。在 1 层 GCN 后，节点 $i$ 的特征是其 1 跳邻居的平均值。在 2 层 GCN 后，节点 $i$ 的特征是其 2 跳邻居的平均值。
2025-11-12 14:44:32
346
原创 【图神经网络：原理与实战】 1 图与矩阵表示
本章系统构建了图的数学表示与分析框架。首先严格定义了无向/有向图、带权图及相关矩阵表示（邻接矩阵、拉普拉斯矩阵），并推导了拉普拉斯算子的谱性质，建立图傅里叶变换与谱域滤波的理论基础。然后通过随机游走模型和经典随机图模型（ER、BA、WS）揭示图结构的统计特性，推导了基于随机过程的结构相似性度量。最后对图学习中的评价指标（分类、排序、生成任务）进行了严格数学推导，包括统计显著性检验、负采样策略等关键问题。全章采用教材式严谨推导，为图神经网络提供了坚实的理论基础。
2025-11-12 00:14:57
1701
原创 机器人技术与智能系统的工程化与应用 第十一章 Sim-to-Real 系统化迁移策略
域随机化与对抗扰动的目标在于通过构造仿真域内的多样性和极端情形，使学习到的策略在现实中保持鲁棒性。理论上可将迁移问题表述为对参数不确定集和观测变换下性能的最小化风险问题，并通过随机化采样与最坏情形优化（min–max）两类方法分别降低偏差与提升极端稳健性。以下首先给出形式化的优化目标，然后逐项推导视觉、动力学与控制噪声注入的设计要点，最后推导对抗场景生成的数学框架与试验床构建准则。
2025-11-10 21:39:43
611
原创 机器人技术与智能系统的工程化与应用 第九章 双手与复杂对象操控，第十章 高吞吐仿真与并行训练架构
为保证评测的一致性，指标应有严格的数学定义与计算流程。以下列出常用指标并给出计算式或优化定义。基线场景定义为用于长期比较、回归测试与对照实验的参考场景。基线必须满足稳定性条件（在相同配置下复现误差在给定容忍度内）。对基线采用语义版本控制（semantic versioning）规则：主版本MAJOR：当仿真引擎、物理模型、接触求解器或数学公式发生不可向后兼容变更时递增；次版本MINOR：当加入新的参数化选项或额外变体但仍兼容旧基线时递增；修订PATCH。
2025-11-10 21:11:17
943
原创 机器人技术与智能系统的工程化与应用 第七章 动作重定向与跨主体映射技术，第八章 触觉传感与接触推理
为证明阻抗控制的稳定性与安全性，采用能量函数（储能函数）方法。
2025-11-10 11:43:20
1187
原创 机器人技术与智能系统的工程化与应用 第六章 视频示范采集与自动标注体系
本节提供的视频采集、去标识化与自动标注流水线模板以工业工程化要求为出发点，覆盖从采集许可管理、元数据化、转码和去标识化、抽帧采样、到自动标注与人工复核的闭环。交付文件应包含：采集许可档、每个视频对应的 sidecar 元数据、去标识化审计报告、自动标注的模型版本与置信度分布、人工复核记录、导出训练集与许可清单。以上要素构成工程化的数据治理与合规证明链，满足审计要求并支持后续模型训练与迭代。
2025-11-09 22:03:07
933
原创 机器人技术与智能系统的工程化与应用 第四章 生成式轨迹模型概论，第五章 扩散与概率运动规划
本文系统介绍了生成式轨迹模型在机器人运动规划中的应用，重点探讨了条件采样与约束注入技术、模型与控制器的融合模式，以及扩散模型与概率运动规划方法。通过条件生成对抗网络、变分自编码器等模型实现多模态轨迹生成，并详细阐述了状态约束、碰撞约束的嵌入方法。在模型与控制器融合方面，提出了生成模块作为建议器的工程模式及异常恢复机制。最后讨论了扩散模型的损失设计、多目标优化策略，以及数据增强和评测方法，为复杂环境下的机器人轨迹规划提供了系统的理论框架和实用方案。
2025-11-09 20:07:33
953
原创 机器人技术与智能系统的工程化与应用 第三章 视觉—语言—动作（VLA）模型专题
共享基线（Shared Baseline）指的是一组共同认可的技术标准和接口协议，它们定义了不同模块和子系统之间的数据交换格式、通信协议和功能接口。共享基线的制定可以确保不同模块和子系统在不同开发环境和任务需求下能够顺利协作。
2025-11-09 19:17:29
971
原创 机器人技术与智能系统的工程化与应用 第一章、第二章
本文系统阐述了机器人技术变革期的核心范式转变与工程化实现方法。文章首先分析了当前机器人技术的三大支柱：基础模型与多模态策略框架、生成式轨迹与动作分布建模、以及大数据训练管线。通过严谨的形式化推导，详细阐述了从传统模块化框架到联合概率建模的理论演进，包括自注意力机制、扩散策略等重要技术原理。在工程实现层面，提供了"问题-证据-方案-配方"的标准化开发流程，涵盖数据治理、模型压缩、边缘部署等关键技术环节，并强调可复现性与工程落地性。文章还针对不同背景读者提供了差异化的学习路径建议，为机器人领
2025-11-09 18:41:41
771
原创 【无线电控制与数据链探测系统】第16章 总结、工程清单与落地路线图，以及本书附录
低预算（Research / Proof-of-Concept）：资源有限、主要目标为快速原型与迭代，预算量级为少量台式机到单台 GPU/FPGA 节点。中等预算（Pilot / 小规模生产）：需稳定推理服务与边缘设备部署，预算支持若干服务器与若干边缘设备。高预算（Production / 大规模部署）：需要高吞吐、低延迟与高可用集群，支持多副本、负载均衡与专业硬件（定制 ASIC / 高端 GPU 群集）。
2025-11-09 14:51:58
976
原创 【无线电控制与数据链探测系统】第15章 未来趋势与研究前沿
本文系统探讨了6G/超宽带与ISAC技术、自主学习系统和异构传感器融合三大前沿方向。首先分析了6G/ISAC在数据链和感知方面带来的技术挑战，包括采样速率、时钟同步等问题，并提出边缘预处理策略。其次研究了在线自适应学习系统的理论与应用，重点讨论了收敛性、安全性和灾难性遗忘等问题。最后建立了异构传感器融合的统一框架，比较了集中式与分布式融合方案的优劣，并探讨深度学习在其中的作用。各方向均从第一性原理出发，给出严格的数学建模和理论证明，同时指出工程实现中的取舍与开放性问题，为研究提供理论基础和实践指导。
2025-11-09 13:25:07
1031
图神经网络示例代码-第一至6章
2025-11-19
AdaI-PINNs：高效求解界面问题的自适应物理信息神经网络框架
2025-11-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人