一种稀疏数据下的偏微分方程逆问题求解方法

本发明提供了一种稀疏数据下的偏微分方程逆问题求解方法，涉及计算数学与人工智能技术领域，本发明通过补偿数据点集合和多个观测数据点的数据，基于深度神经网络，对实际工业过程的偏微分方程和初始条件方程进行处理，采用多种损失方式计算最终的损失，并采用多次迭代的方式求解偏微分方程和初始条件方程中的未知参数，由此，本发明在观测数据点较少的情况下，仍能够实现高精度的参数辨识，即使在观测数据中存在噪声干扰，参数辨识精度仍然具有较强的鲁棒性，本发明还适用于多种偏微分方程模型，尤其是复杂的物理场景和多尺度问题，通过动态调整权重、求解域内部采样点补偿及渐进式冻结参数等策略，提高了模型的稳定性和效率。