Julia ForwardDiff 是否适用于涉及 ODE 积分和嵌套自动微分的非常全面的功能？
Is Julia ForwardDiff applicable to very comprehensive function involving ODE integration and nested automatic differentiation?
我需要使用卡尔曼滤波技术估计连续离散非线性随机动态系统的参数。
我将使用 ODE 中的 Julia ode45() 并自行实现扩展卡尔曼滤波器来计算对数似然。 ODE 完全用 Julia 编写，ForwardDiff 支持本地 Julia 函数的微分，包括嵌套微分，这也是我需要的，因为我想在我的 EKF 实现中使用 ForwardDiff。
ForwardDiff 会像我描述的对数似然那样处理如此综合的函数的微分吗？
ODE.jl 处于维护模式，所以我建议使用 DifferentialEquations.jl instead. In the DiffEq FAQ there is an explanation about using ForwardDiff through the ODE solvers. It works, but as in the FAQ I would recommend using sensitivity analysis since that's a better way of calculating the derivatives (it will take a lot less compilation time). But yes, DiffEqParamEstim.jl 是一个用于 ODEs/SDEs/DAEs/DDEs 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，你想做的事情听起来很有趣。欢迎在 JuliaDiffEq channel 中与我们联系，讨论参数估计工具的开发！）
我需要使用卡尔曼滤波技术估计连续离散非线性随机动态系统的参数。
我将使用 ODE 中的 Julia ode45() 并自行实现扩展卡尔曼滤波器来计算对数似然。 ODE 完全用 Julia 编写，ForwardDiff 支持本地 Julia 函数的微分，包括嵌套微分，这也是我需要的，因为我想在我的 EKF 实现中使用 ForwardDiff。
ForwardDiff 会像我描述的对数似然那样处理如此综合的函数的微分吗？
ODE.jl 处于维护模式，所以我建议使用 DifferentialEquations.jl instead. In the DiffEq FAQ there is an explanation about using ForwardDiff through the ODE solvers. It works, but as in the FAQ I would recommend using sensitivity analysis since that's a better way of calculating the derivatives (it will take a lot less compilation time). But yes, DiffEqParamEstim.jl 是一个用于 ODEs/SDEs/DAEs/DDEs 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，你想做的事情听起来很有趣。欢迎在 JuliaDiffEq channel 中与我们联系，讨论参数估计工具的开发！）