随机微分方程的黑盒变分推断 Lotka-Volterra示例的Tensorflow实现在 ， ， 和 （ICML，2018）中进行了。 示例：Lotka-volterra 在这里，我们在本文的第5.1节中演示示例“具有未知参数的多个观察时间”的实现。 也就是说，在已知测量误差方差的情况下，二维Lotka-Volterra SDE的全参数推断观察到的离散时间步长为10。 系统要求 以下示例已使用tensorflow 1.5，numpy 1.14和python 3进行了测试。尚未在任何依赖项的更新和/或更高版本上进行严格测试。 如有任何相关问题，请参阅联系部分。 此示例还使用张量板（1.5）可视化训练。 这样，您应该在lotka_volterra_data.py中为张量板输出指定路径。 例如： PATH_TO_TENSORBOARD_OUTPUT = "~/Documents/my_

讨论了用径向基muhiquadric（MQ）函数φ（r）=√r2+c2作为基函数解一类偏微分方程，给出方法步骤，并通过一个数值算例，说明这个方法是可行的。针对数值算例，比较了在相同步长时，用径向基函数在不同的形状参数时绝对误差的差异，说明微分方程数值解的精确程度与径向基函数形状参数的取值密切相关，得出节点越密时，数值解的精度不一定越高。同时也论证了在插值过程中所得到的矩阵方程解的存在唯一性。

神经控制微分方程用于不规则时间序列[ ， ] 基于对受控微分方程的深入理解的数学理论，我们演示了如何构建以下模型： 直接作用于不规则采样的部分观测的多元时间序列。 可能会进行记忆有效的伴随反向传播训练-即使是跨观测也是如此。 展示最先进的性能。 使用现有工具（尤其是PyTorch和库）可以轻松实现和评估它们。 图书馆 参见 。 例子 我们鼓励您看一下 ，它演示了如何使用该库来训练Neural CDE模型来预测螺旋的手征性。 有关如何处理可变长度输入，不规则采样或丢失数据的演示，另请参见 ，所有这些都可以在不更改模型的情况下轻松处理。 一个自包含的简短示例： import torch import torchcde # Create some data batch , length , input_channels = 1 , 10 , 2 hidden_channels = 3 t

这是一个用BDF法解分数阶微分方程的matlab代码，可以运行

plotdf-用以绘制2D微分方程相图 的 Python 模块

matlab使用有限元方法求解偏微分方程

四阶Runge-Kutta法解常微分方程组 四阶Runge-Kutta法解常微分方程组

伍卓群老师的讲义， 纯手稿版，老师写得很认真，可以作为非线性偏微分方程学习的重要参考，严重支持！！！

求解双曲型方程的例子

高分辨率格式 特征线与差分格式 向前和向后差分格式 加权隐式格式 三层显式格式 三层隐式格式 跳点格式