Modellierung mit reduzierter Ordnung
Verwenden Sie Deep Learning Toolbox™ für Aufgaben im Bereich der Modellierung mit reduzierter Ordnung.
Die Modellierung mit reduzierter Ordnung ist eine Technik zur Reduzierung der rechnerischen Komplexität oder der Speicheranforderungen eines Modells unter Bewahrung dessen Genauigkeit innerhalb eines akzeptablen Fehlerbereichs. Die Arbeit mit einem Modell reduzierter Ordnung kann die Steuerungsentwicklung und -Analyse vereinfachen. Beispielsweise können Sie rechnerisch intensive Subsysteme eines Simulink®-Modells durch ein trainiertes neuronales Netz ersetzen, das realistische Vorhersagen trifft.
Sie können Modelle reduzierter Ordnung (ROMs) von in Simulink modellierten Subsystemen erstellen, darunter hochgenauen Simulationsmodellen vollständiger Ordnung von Drittanbietern. Zudem können Sie ROMs mithilfe bestehender Zeitdomänendaten erstellen.
Die App Reduced Order Modeler bietet einen UI-Workflow zur Erstellung von ROMs. Um die App zu verwenden, installieren Sie das Supportpaket Reduced Order Modeler for MATLAB® gemäß der Anleitung unter Abrufen und Verwalten von Add-Ons.
Apps
| Reduced Order Modeler | Create reduced order models based on Simulink models, subsystems within models, or simulation data (Seit R2025b) |
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 |
Themen
- Reduced Order Model of a Jet Engine Turbine Blade (System Identification Toolbox)
Create a ROM of a jet engine turbine blade, using the long short-term memory (LSTM) and NSS model types.
- 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
Learn how to implement unsupported deep learning layer blocks.
Verwandte Informationen
- Modellierung mit reduzierter Ordnung (Simulink)
- Modellierung mit reduzierter Ordnung (System Identification Toolbox)
- Modellierung mit reduzierter Ordnung mit MATLAB und Simulink
Enthaltene Beispiele
Reduced Order Model of a Jet Engine Turbine Blade
Create a ROM of a jet engine turbine blade, using the long short-term memory (LSTM) and NSS model types.
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.
