低次元化モデリング
低次元化モデリング (ROM) タスクに Deep Learning Toolbox™ を使用します。
低次元化モデリング (ROM) は、モデルの動作と精度を維持しながら計算量を軽減することで、複雑で忠実度の高いモデルとシミュレーションを単純化できる手法です。たとえば、Simulink モデル内の計算量が多いサブシステムを、現実的な予測を行う学習済みニューラル ネットワークに置き換えることができます。
関数
exportNetworkToSimulink | Generate Simulink model that contains deep learning layer blocks and subsystems that correspond to deep learning layer objects (R2024b 以降) |
ブロック
| Predict | 学習済み深層学習ニューラル ネットワークを使用した応答の予測 |
| Stateful Predict | 学習済み再帰型ニューラル ネットワークを使用した応答の予測 (R2021a 以降) |
トピック
- Simulink における LSTM ネットワークを使用した物理システムのモデリング
この例では、長短期記憶 (LSTM) ニューラル ネットワークを使用して、Simulink® モデルでバーチャル センサーとして機能する低次元化モデル (ROM) を作成する方法を示します。
- 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.
注目の例
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.
