Modellierung mit reduzierter Ordnung
Verwenden Sie Deep Learning Toolbox™ für Aufgaben im Bereich der Modellierung mit reduzierter Ordnung (ROM).
Die Modellierung mit reduzierter Ordnung (ROM) ist eine Technik, die komplexe und detailgetreue Modelle und Simulationen vereinfachen kann, indem unter Bewahrung des Modellverhaltens und der Präzision die rechnerische Komplexitität reduziert wird. Beispielsweise können Sie rechnerisch intensive Subsysteme eines Simulink-Modells durch ein trainiertes neuronales Netz ersetzen, das realistische Vorhersagen trifft.
Funktionen
exportNetworkToSimulink | Generate Simulink model that contains deep learning layer blocks and subsystems that correspond to deep learning layer objects (Seit R2024b) |
Blöcke
| Predict | Vorhersagen von Antworten mithilfe eines trainierten neuronalen Netzes für Deep Learning |
| Stateful Predict | Predict responses using a trained recurrent neural network (Seit R2021a) |
Themen
- Physical System Modeling Using LSTM Network in Simulink
This example shows how to create a reduced order model (ROM) that acts as a virtual sensor in a Simulink® model using a long short-term memory (LSTM) neural network.
- Reduced Order Modeling Using Continuous-Time Echo State Network
This example shows how to train a continuous-time echo state network (CTESN) model to solve Robertson's equation.
- Generate Deep Learning SI Engine Model (Powertrain Blockset)
Generate a deep learning SI engine model from measured transient engine data.
- Implement Unsupported Deep Learning Layer Blocks
This example shows how to implement layers using Simulink blocks or MATLAB code in a MATLAB Function block.
Verwandte Informationen
Enthaltene Beispiele
Reduced Order Modeling of Electric Vehicle Battery System Using Neural State-Space Model
A reduced order modeling (ROM) workflow, where you use deep learning to obtain a low-order nonlinear state-space model that serves as a surrogate for a high-fidelity battery model. The low-order model takes the current (charge or discharge) and state of charge (SOC) as inputs and predicts voltage and temperature of an electric vehicle (EV) battery module while the battery is being cooled by an edge-cooled plate with a coolant at a constant flow rate. You train the low-order model and deploy it in Simulink® to compare it against the high-fidelity model.
