本书《常微分方程与微分代数方程数值方法》由乌里·M·阿舍尔和琳达·R·佩茨奥德编写，旨在为读者提供微分方程数值解法的实用知识。它适用于数学、计算机科学及工程科学的学生和研究人员，尤其适合那些希望深入了解数值方法及其应用的人群。书中不仅涵盖了初值问题和边界值问题，还包括微分代数方程（DAEs），并且强调了这些不同问题类型之间的异同。作者通过避免冗长的定理证明，力求快速引导读者进入当前的研究热点和软件工具。此外，书中还讨论了数值动力系统的相关问题，并提供了大量的练习和参考文献，帮助读者更好地理解和应用所学知识。

在Matlab环境中，"汽车三自由度非线性状态微分方程S函数"是一个用于模拟和分析汽车动态行为的模型。这个模型基于数学的非线性状态微分方程来描述车辆在行驶过程中的三个关键自由度：横向、纵向和侧倾。S函数（Simulink Function）是Matlab Simulink中的一个重要组件，它允许用户自定义系统的行为，特别是在处理复杂动态系统时非常有用。 我们需要理解三自由度模型的基本概念。在车辆动力学中，汽车通常被简化为具有三个自由度的系统：横向（yaw），纵向（longitudinal）和侧倾（lateral）。横向运动涉及车辆的转向，纵向运动关乎车辆的加速和减速，而侧倾运动则关乎车辆在转弯时的倾斜程度。非线性状态微分方程用于描述这些自由度之间的相互作用，考虑到轮胎的摩擦力、车辆质量分布、空气阻力等多种因素，这些因素在实际驾驶中并非线性关系。 接下来，S函数的使用是该模型的关键部分。S函数是Simulink模型中的一个黑盒，它可以被编写成M文件（如提供的"汽车三自由度 非线性状态微分方程 S函数.m"），并可以集成到更复杂的系统模型中。S函数的输入和输出可以根据需求定义，例如，输入可能包括驾驶者的操作（如方向盘角度、油门深度），输出可能包含车辆的速度和姿态信息。 在创建S函数时，我们需要定义以下几个主要部分： 1. **初始化函数**：设置系统的初始条件，如车辆的位置、速度和角度等。 2. **仿真函数**：实现非线性状态微分方程的解算，这通常使用诸如欧拉法或龙格-库塔方法的数值解法。 3. **输出函数**：根据当前状态计算输出，如车辆的位置和速度。 4. **更新函数**：处理时间步长内的状态变化。 5. **终止函数**：在仿真结束时进行清理工作，如释放内存资源。 在实际应用中，我们可以利用Matlab的Simulink环境，通过S函数来搭建可视化模型，直观地观察和分析汽车在不同工况下的动态响应。此外，我们还可以通过调整模型参数，如轮胎特性、车辆质量等，来研究其对车辆性能的影响，这对于车辆设计和控制策略的优化至关重要。 "Matlab-汽车三自由度 非线性状态微分方程 S函数"是一个强大的工具，它结合了数学建模、数值求解和实时仿真，帮助工程师深入理解汽车的动态行为，并进行有效的控制策略设计和性能评估。在汽车工程、交通安全和自动驾驶技术等领域有着广泛的应用。通过深入学习和掌握这一技术，我们可以更好地理解和改进车辆的动态性能，从而提升驾驶安全性和舒适性。

基准相空间中顶夸克对产生的微分截面的测量结果是中心质子-质子碰撞中顶夸克和tt $ t \ overline {t} $$系统运动学观测值的函数 的质量能量s = 13 $$ \ sqrt {s} = 13 $$ TeV。 该数据集对应于2015年在CERN大型强子对撞机上使用ATLAS探测器记录的3.2 fb-1的综合光度。 在最终状态下，仅具有一个电子或介子且至少有两个射流的事件用于测量。 应用了两个单独的选择，每个选择关注于不同的上夸克动量区域，称为tt $ t \ overline {t} $$最终状态的已分解和增强拓扑。 对测得的光谱进行校正以改善检测器的影响，并通过计算出的χ2和p值与几种蒙特卡洛模拟进行比较。

在质子-质子碰撞的质心能量为13 TeV的质子-质子碰撞中，在双峰（e + e-，μ+μ-和μ∓e±）衰减通道中测量了用于产生顶夸克对的归一化微分截面。 使用LHC上的CMS检测器，以对应于2.1 fb-1的综合亮度的数据执行测量。 根据轻子的运动学特性，从底夸克强子化，顶夸克和顶夸克对的运动学特性对颗粒和帕顿水平的差异进行截面测量。 将该结果与多个Monte Carlo生成器进行比较，这些生成器在与parton淋浴相连接的微扰量子色动力学中实现了至上至领先的计算，并与从上至下至上一个夸克生成的固定阶理论计算进行了比较。 领先订单。

使用CMS检测器在CERN LHC的质子中心能量为8 TeV的pp碰撞中，以pp碰撞测量了上夸克对（tt）的归一化差分截面，该数据对应的积分光度为19.7 fb-1 。 在轻子+射流（e /μ+射流）和双核子（e + e-，μ+μ-和e±μl）衰减通道中进行测量。 tt截面的测量是荷电轻子的运动学特性，与b夸克，顶夸克和tté系统相关的射流的函数。 将数据与微扰量子色动力学的几个预测结果进行比较，以近似到下一个-领先的精度。 相对于标准模型预测，没有观察到明显的偏差。

传染病模型SEIR、SIR的常微分方程组MATLAB ode45求解及最小二乘法参数估计.pdf

【例程演示】 使用MATLAB打开Demo_PolePlace.m文件，可根据需要修改*...*注释行之间的参数，点击运行即可。 具体内容参见文件内详细注释。 【资源内容】 包含5个.m文件： 1. dynamic_fun.m 非线性倒立摆精确数学模型的状态空间方程函数。 输入：当前倒立摆状态向量，当前控制作用量 输出：状态向量导数 #注意：使用了global全局变量 2. dynamic_rk4.m 使用四阶龙格-库塔法进行微分方程数值递推计算的函数。 输入：当前时刻的状态向量、当前控制作用量 输出：下一时刻的状态向量 3. place_poles.m 使用极点配置法生成状态反馈增益矩阵的函数。 输入：倒立摆系统中的若干个常数参量 输出：状态反馈矩阵 4. render.m 根据记录数据生成演示动画的函数 输入：时间记录表、状态向量记录表 输出：无 5. Demo_PolePlace.m 演示示例（主程序）

基于扩张状态观测器的永磁同步电机(PMSM) 自抗扰控制ADRC仿真模型 MATLAB Simulink ①跟踪微分器TD：为系统输入安排过渡过程，得到光滑的输入信号以及输入信号的微分信号。 ②非线性状态误差反馈律NLSEF：把跟踪微分器产生的跟踪信号和微分信号与扩张状态观测器得到的系统的状态计通过非线性函数进行适当组合，作为被控对象的控制量 ③扩张状态观测器ESO：作用是得到系统状态变量的估计值及扩张状态的实时作用量。 在现代电气工程和自动化控制领域，永磁同步电机（PMSM）因其高效率、高精度和优良的动态性能而得到广泛应用。电机控制系统的设计与优化一直是电气工程研究的热点，其中包括自抗扰控制（Active Disturbance Rejection Control, ADRC）的研究。ADRC是一种新型的控制策略，它通过对系统内外扰动的在线估计与补偿，达到提高系统控制性能的目的。 自抗扰控制的关键在于扩张状态观测器（Extended State Observer, ESO），它能够估计系统状态变量以及系统内外扰动的实时作用量。ESO通过构造一个虚拟的扩张状态，将系统的不确定性和外部干扰归纳其中，使得系统控制设计仅需考虑这个虚拟状态的观测问题。而跟踪微分器（Tracking Differentiator, TD）的作用是为系统输入安排一个平滑的过渡过程，并能够得到光滑的输入信号及其微分信号。这样设计的好处是，在系统的控制输入和状态变化剧烈时，能够有效避免由于突变引起的控制性能下降。 非线性状态误差反馈律（Nonlinear State Error Feedback, NLSEF）则是将TD产生的跟踪信号和微分信号与ESO获得的系统状态估计通过非线性函数进行组合，形成被控对象的控制量。这个反馈机制是ADRC的核心，其设计的合理性直接关系到控制系统的性能。 MATLAB Simulink作为一款强大的仿真工具，为复杂系统的模型构建、仿真分析和控制设计提供了便利。通过在Simulink环境中搭建基于扩张状态观测器的永磁同步电机自抗扰控制模型，研究人员可以直观地观察和分析系统的响应特性，对控制策略进行优化调整，进而达到提高电机控制精度和稳定性的目的。 仿真模型的构建过程涉及多个环节，包括电机模型的建立、控制器的设计、扰动的模拟与补偿等。在具体实施中，首先需要对PMSM进行精确建模，包括电机的基本参数、电磁特性以及机械特性等。然后根据ADRC的原理，设计出相应的ESO和NLSEF算法，并通过Simulink中的各种模块进行搭建和仿真。仿真过程中，研究人员可以根据需要对模型参数进行调整，观察控制效果，以达到最佳的控制性能。 通过仿真模型，可以对永磁同步电机在不同的工作条件下的性能进行分析，包括起动、负载变化、速度控制等。此外，还可以模拟各种扰动因素，如负载突变、电网波动等，检验ADRC的抗扰动能力。这种仿真分析方法对于预测系统的实际表现、优化控制策略、降低研发成本等方面具有重要意义。 在现代电机控制领域，通过模型仿真进行控制策略的预研和验证已成为一种普遍的做法。基于扩张状态观测器的永磁同步电机自抗扰控制ADRC仿真模型的研究，不仅推动了电机控制理论的发展，也为实际应用提供了有效的技术支持。随着电气工程领域技术的不断进步，类似的研究还将继续深化，对提高电机控制系统的性能、拓展其应用范围具有重要的理论和实际价值。

# 基于Python和PyTorch的PINN求解偏微分方程 ## 项目简介 本项目使用Python和PyTorch实现PINN（PhysicsInformed Neural Network，物理信息神经网络）来求解偏微分方程。PINN是一种结合物理规律与神经网络的方法，能够利用物理先验知识辅助神经网络的训练，从而得到更好的模型性能。本项目通过PINN求解了薛定谔方程和Burgers方程，展示了PINN在求解偏微分方程方面的应用。 ## 项目的主要特性和功能 1. PINN求解薛定谔方程通过PINN网络逼近薛定谔方程的解，使用PyTorch的自动微分功能计算网络输出的梯度，结合薛定谔方程的残差项构建损失函数进行训练。 2. PINN求解Burgers方程利用PINN网络逼近Burgers方程的解，采用与薛定谔方程相似的训练策略，结合Burgers方程的残差项构建损失函数进行训练。

数字微分器设计算例7.6.1 分别用矩形窗和哈明窗设计N=6的数字微分器。 解：此题的MATLAB程序hc761非常简单： N=6; tau=(N-1)/2; n=[0:N-1]+eps; % 微分器长度 hd =-sin((n-tau).*pi)./(pi.*(n-tau).^2); % 脉冲响应 hh=hd.*hamming(N)‘; % 加哈明窗后的系数 [Hd,wd]=freqz(hd,1); %矩形窗微分器频率响应 [Hh,wh]=freqz(hh,1); % 哈明窗微分器频率响应 运行程序所得的微分器系数分别为hd及hh。其符幅特性见下图，对三种情况进行了比较》