朱莉娅ForwardDiff是否适用于涉及ODE集成和嵌套自动微分的非常全面的函数？
朱莉娅ForwardDiff是否适用于涉及ODE集成和嵌套自动微分的非常全面的函数？
提问于 2018-03-15 05:12:58
利用卡尔曼滤波技术对连续离散非线性随机动力系统的参数进行估计.
我将使用ODE中的Julia ()，自己实现扩展卡尔曼滤波器来计算逻辑似然。ODE是用Julia编写的，ForwardDiff支持本地Julia函数的区分，包括嵌套的区分，这也是我需要的，因为我想在EKF实现中使用ForwardDiff。
ForwardDiff会像我描述的逻辑似然那样处理这样一个综合性函数的微分吗？
回答 1
Stack Overflow用户
回答已采纳
发布于 2018-03-15 06:21:48
ODE.jl处于维护模式，因此我建议使用DifferentialEquations.jl。在DiffEq常见问题中，有一个关于通过ODE求解器使用ForwardDiff的解释。它可以工作，但在常见问题中，我建议使用灵敏度分析，因为这是一个更好的方法，以计算衍生品(它将花费更少的编译时间)。但是是的，DiffEqParamEstim.jl是一个用于ODE/SDE/DAE/DAEs参数估计的完整存储库，它通过求解器使用ForwardDiff.jl。
(顺便说一句，你想做的事听起来很有趣。在JuliaDiffEq信道中可以随时与我们联系，讨论参数估计工具的开发！)
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/49292024
复制相关文章
相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号