我试图为这个问题寻找一个简单的答案，但所有的解释都是针对能理解数值方法和偏微分方程的人。我有计算机科学背景，所有论文都像是行话。我已经了解并使用机器学习算法解决与图像或正常表格数据（具有输入特征和目标类）相关的分类和回归问题。我也使用过神经网络，但只是作为一个黑匣子，用于在给定一些输入的情况下产生所需的输出，并调整参数以获得最佳精度。
我不明白，给定一个PDE解决，什么是输入这个神经网络时，网络与一些例子培训？在机器学习的语言中，示例是什么，输入特征是什么？参数是什么？
任何帮助理解这一点将不胜感激。
这当然取决于 PDE 的类型。许多 PDE 描述了空间分布式系统随时间的演变。这种系统的状态由值v ( x , t )定义，该值取决于空间变量x，该变量通常是向量和时间t。值本身也可以是向量。
学习样本可以由初始条件的离散值v _i_0( x _i,0)和稍后的值v _i_j( x _i,t_j) 组成。初始值作为输入呈现给网络。然后将（循环）网络在稍后时间t_j的输出与样本值进行比较以计算误差。
由于 PDE 通常在空间上是均匀的，因此在这里使用循环卷积网络是有意义的。这与图像处理中经常使用的类型相同。
卷积核的大小取决于 PDE 中空间导数的程度：
对于值v 的每个组件，网络需要至少有一层。可能需要额外的隐藏层，尤其是当 PDE 具有更高的时间导数时。
这是对复杂问题的一个非常简短的回答，但我希望它为您指明正确的方向。我也知道我使用了一些 PDE 行话，但我试图将其减少到绝对最小值。
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句