当前位置：首页 > news >正文

基于傅里叶特征（Fourier Feature）的物理信息神经网络（PINN）求解一维Burgers方程MATLAB代码

news 2026/3/27 7:42:44

该代码实现了一个基于傅里叶特征（Fourier Feature）的物理信息神经网络（PINN），用于求解一维Burgers方程。

研究背景

物理信息神经网络（PINN）通过将偏微分方程（PDE）的残差作为损失项，能够在少量或无标签数据下近似PDE的解。然而，标准PINN在处理高频或多尺度问题时可能收敛缓慢或精度不足。傅里叶特征映射通过随机高频特征将输入提升至高维空间，能显著提升网络对高频分量的逼近能力。本代码将此方法应用于Burgers方程，验证其有效性。

主要功能

生成参考解：使用MATLAB内置的pdepe求解器计算Burgers方程的数值解作为真值。
构建并训练Fourier特征PINN：自动生成训练数据（边界/初始点、配点），定义网络结构与损失函数，通过Adam优化器训练网络。
误差分析与可视化：计算多种误差指标（MSE、RMSE、MAE、相对L2误差），并绘制损失曲线、3D对比图、时间切片、误差分布等。
结果保存：将训练好的模型、误差指标、图表及数据保存至时间戳命名的文件夹中。

算法步骤

初始化：设置超参数（层数、神经元数、学习率、训练轮数、傅里叶特征尺度及维度）。
计算参考解：在细网格上通过pdepe获得高精度参考解。
生成训练数据：
- 边界/初始点：包括初始时刻（t=0）的u=-sin(πx)及边界（x=±1）的u=0。
- 配点：在空间-时间域内随机采样10000个点用于计算PDE残差。
构建网络：生成随机傅里叶特征矩阵B，初始化全连接网络的权重和偏置。
训练循环：
- 在每个epoch，通过自动微分计算总损失（数据损失 + PDE损失）及梯度。
- 使用Adam优化器更新网络参数。
- 记录并实时绘制损失曲线。
预测与评估：在测试网格上预测解，计算与参考解的误差。
可视化与保存：生成对比图、误差图并保存所有结果。

技术路线

深度学习框架：MATLAB Deep Learning Toolbox，利用dlarray和自动微分（dlgradient,dlfeval）。
网络结构：输入为(x, t)，首先通过傅里叶特征层（γ(v)=[cos(Bv), sin(Bv)]），然后输入一个4层全连接网络（每层50个神经元），最后输出u(x,t)。
损失函数：由两部分组成——边界/初始条件的均方误差（MSE_data）和PDE残差的均方误差（MSE_PDE）。
优化器：Adam（通过adamupdate实现）。

公式原理

Burgers方程：
ut+uux−νuxx=0,ν=0.01/π,x∈[−1,1], t∈[0,1] u_t + u u_x - \nu u_{xx} = 0, \quad \nu = 0.01/\pi, \quad x \in [-1,1], \; t \in [0,1]ut+uux−νuxx=0,ν=0.01/π,x∈[−1,1],t∈[0,1]
初始条件：u(x,0)=−sin⁡(πx)u(x,0) = -\sin(\pi x)u(x,0)=−sin(πx)；边界条件：u(−1,t)=u(1,t)=0u(-1,t)=u(1,t)=0u(−1,t)=u(1,t)=0。
傅里叶特征映射：
γ(v)=[cos⁡(Bv),sin⁡(Bv)]⊤,B∼N(0,σ2I) \gamma(v) = [\cos(B v), \sin(B v)]^\top, \quad B \sim \mathcal{N}(0, \sigma^2 I)γ(v)=[cos(Bv),sin(Bv)]⊤,B∼N(0,σ2I)
其中v=(x,t)v = (x, t)v=(x,t)，BBB为随机矩阵，σ\sigmaσ控制频率范围。
损失函数：
L=1Nu∑i=1Nu∣unet(xui,tui)−ui∣2+1Nf∑j=1Nf∣r(xfj,tfj)∣2 \mathcal{L} = \frac{1}{N_u}\sum_{i=1}^{N_u} |u_{\text{net}}(x_u^i,t_u^i) - u^i|^2 + \frac{1}{N_f}\sum_{j=1}^{N_f} |r(x_f^j,t_f^j)|^2L=Nu1i=1∑Nu∣unet(xui,tui)−ui∣2+Nf1j=1∑Nf∣r(xfj,tfj)∣2
其中r=ut+uux−νuxxr = u_t + u u_x - \nu u_{xx}r=ut+uux−νuxx，所有导数由自动微分计算。