具有完全GPU支持和O（1） - 内存反向传播的可区分ODE求解器

可微分ODE解算器的PyTorch实现该库提供了在PyTorch中实现的常微分方程（ODE）解算器。 使用adjoint方法支持所有求解器的反向传播。 对于使用，可微分ODE解算器的PyTorch实现此库提供了在PyTorch中实现的常微分方程（ODE）解算器。 使用adjoint方法支持所有求解器的反向传播。 有关在深度学习应用程序中使用ODE求解器的信息，请参见[1]。 由于求解器是在PyTorch中实现的，因此完全支持该存储库中的算法以在GPU上运行。 安装pip install torchdiffeq示例示例被放置在示例目录中。

MATLAB解ODE.docx

该程序会显示一个进度条，指示 ode 积分器在指定的时间范围内的位置。 该程序允许在不丢失数据的情况下提前终止集成。 已用时间和预计完成时间显示在积分栏下方。 添加到现有代码中非常简单。 只需将以下内容添加到您的 ode 选项中： ('OutputFcn',@odeprog,'Events',@odeabort) 并将这两个文件与正在运行的程序放在同一目录中。 进度条将显示在屏幕的最左侧。 按下“ABORT”按钮会提前退出积分，同时保留数据直至终止点。 程序 (main.m) 中包含一个示例实现 杰西诺里斯为这项工作做出了贡献。

RLC 电路状态空间模型和使用 ODE45 求解。 阅读帮助文件。

该项目包含一个实时脚本和两个应用程序，它们模拟了一个众所周知的尖峰神经元模型，该模型已发布并得到认可。 Live Script 旨在作为神经科学受众的演示，展示不同的 Live Script 功能，例如实时控件、实时任务、将代码转换为本地函数等。 Live Script 演示了具有某些膜特性的神经元对外部电流脉冲注入的响应。 用户可以修改参数。 第一组参数处理膜参数，而第二组改变电流脉冲的幅度和宽度。 定义 Izhikevich 模型的微分方程通过两种方法求解1）使用正向Euler方法，使用for循环2) 使用内置的 MATLAB ode 求解器（需要 Symbolic Math Toolbox） 而正向 Euler 是最简单的积分方法，它也是最不准确和最稳定的。 用户可以使用实时控制（下拉菜单）在两者之间进行选择 Live Script 附带两个 App，一个使用前向 Euler

% 函数像 ode45 一样求解常微分方程。 % dydt = 一阶微分方程组% trange = 自变量的范围% yinit = 初始条件％tol =误差绝对公差，默认值= 1e-6; ％ 例子： % [t,y] = RK45(@(t,y)[y(2); (1-y(1)^2)*y(2)-y(1)],[0 20],[2 ; 0]); % 子图 (1,2,2); % plot(t,y,'-o') % title('van der Pol 方程 (\mu = 1) with RK45'); % xlabel('时间 t'); % ylabel('解决方案 y'); ％图例（'y_1'，'y_2'）; % ％[t2，y2] = ode45（@（t，y）[y（2）;（1-y（1）^ 2）* y（2）-y（1）]，[0 20]，[2 ; 0]）; % 子图 (1,2,1); % plot(t2,y2,

利用Eclipse3.4+Axis2+ODE1.0+BPEL2.0实现： 根据用户输入操作类型进行相应加减运算，也就是通过条件判断，调用不同的Web服务进行计算，并将结果返回给用户。 附：使用说明。

KoSIT验证器 介绍 验证器是XML验证引擎，用于验证和处理各种格式的XML文件。 它基本上按顺序执行以下操作： 识别实际的xml格式 验证xml文件（使用架构和schematron规则） 生成定制报告/从xml文件提取定制数据 计算接受状态（根据提供的方案和规则） 验证器取决于用于完全配置过程的自定义。 它始终创建。 其实际内容由方案控制。 有关实际验证过程的信息，请参见。 验证配置 验证器只是一个引擎，对XML文档一无所知，也没有自己的验证规则。 验证规则和详细信息在中定义，这些用于完全配置验证过程。 所有配置都是独立的模块，可以自行部署和开发。 第三方验证配置 当前，有两种公共

[APPROX,EXAC,ERR] = ODEGALERKIN(POLY,BC,N) 通过插入特征多项式矩阵“POLY”、边界条件“BC”和有限数量的近似基函数，通过伽辽金方法求解常微分方程（ODE） “N”。 程序的输出是近似解“APPROX”、分析解“EXAC”和百分比误差“ERR”（%）。 还显示了近似解和分析解的图。