- 博客(13)
- 收藏
- 关注
RSS订阅原创 用一个具体例子讲透物理信息神经网络（PINN）：从方程到代码，再到结果分析
本文通过一个一维边值问题详细讲解了物理信息神经网络(PINN)的原理与实现。PINN通过神经网络逼近未知函数，利用微分方程残差和边界条件构造损失函数，使网络输出既满足物理规律又符合边界约束。文章以二阶常微分方程u''(x)+u(x)=0为例，展示了如何将微分方程转化为神经网络的训练目标，包括网络结构设计、自动微分求残差、损失函数构建等关键步骤。通过PyTorch代码实现了一个最小PINN模型，并分析了训练过程中需要注意的技术细节，如激活函数选择、计算图保留等。最后指出验证PINN效果时，不仅要看损失值，还需
2026-03-27 16:35:31
430
原创 神经网络 + 物理方程 = PINN，这篇文章带你快速了解
物理信息神经网络(PINN)是一种将物理定律融入神经网络训练的新方法。它通过将偏微分方程等物理约束作为损失函数的一部分，使网络在拟合数据的同时满足物理规律。相比传统数据驱动方法，PINN在小样本、无网格计算和正反问题求解方面具有优势，特别适用于热传导、流体力学等科学计算问题。核心实现依赖自动微分技术，通过采样训练点、构造包含物理残差和边界条件的损失函数进行优化。虽然PINN在训练难度和复杂问题处理上仍存在挑战，但它为科学计算提供了物理一致性更强的新思路，代表了深度学习与科学建模的交叉创新。
2026-03-27 16:19:36
617
原创 K-means 聚类实例
本文针对41天传感器数据（每天288个采样点）的日模式分析问题，提出基于K-means的聚类方法。通过对比欧几里得距离和曼哈顿距离两种度量方式，结合轮廓系数、CH系数和DB指数三类评估指标，系统分析了K=3和K=4时的聚类效果。实验结果表明：在K=3时，欧几里得距离在各项指标上全面优于曼哈顿距离；当K=4时，两种距离度量性能相近但整体质量下降，表明可能存在过度细分问题。该研究为日周期数据的模式识别提供了一套可复用的分析框架，特别适用于识别稳定的使用模式、异常天和季节性变化等场景。
2026-01-30 15:00:53
910
原创 数电组合逻辑电路-表决器、密码锁Multisim仿真
通过基本门电路进行组合逻辑电路设计，本文通过Multisim设计了三人、四人表决器和密码锁。
2025-04-16 16:41:56
1492
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人