多尺度仿真软件：Simulink_（12）.Simulink中的AI与机器学习应用

数据预处理：在Simulink中，可以使用内置的数据预处理模块对输入数据进行清洗、归一化和特征提取。模型构建：Simulink支持多种机器学习模型的构建，包括神经网络、支持向量机、决策树等。模型训练：可以使用MATLAB的机器学习工具箱在Simulink中训练模型。模型验证：通过Simulink的仿真功能，可以对训练好的模型进行验证和测试。模型部署：训练好的模型可以部署到嵌入式系统、实时仿真系统等

kkchenjj

799人浏览 · 2025-11-29 21:45:59

kkchenjj · 2025-11-29 21:45:59 发布

Simulink中的AI与机器学习应用

在现代工程和科学领域中，AI和机器学习技术的应用越来越广泛。Simulink作为MATLAB的图形化仿真工具，提供了强大的功能来集成和应用这些技术。本节将详细介绍如何在Simulink中应用AI和机器学习，包括模型的构建、训练、验证和部署。

1. Simulink中的AI与机器学习概述

Simulink中的AI与机器学习主要通过以下几个方面进行应用：

数据预处理：在Simulink中，可以使用内置的数据预处理模块对输入数据进行清洗、归一化和特征提取。
模型构建：Simulink支持多种机器学习模型的构建，包括神经网络、支持向量机、决策树等。
模型训练：可以使用MATLAB的机器学习工具箱在Simulink中训练模型。
模型验证：通过Simulink的仿真功能，可以对训练好的模型进行验证和测试。
模型部署：训练好的模型可以部署到嵌入式系统、实时仿真系统等环境中。

1.1 数据预处理

数据预处理是机器学习中的重要步骤，可以显著提高模型的性能。Simulink提供了多种数据预处理模块，如数据归一化、滤波、特征选择等。

1.1.1 数据归一化

数据归一化是将数据缩放到特定区间（如[0, 1]）的过程，可以提高模型的收敛速度和稳定性。在Simulink中，可以使用Data Normalization模块来实现这一功能。

例子：数据归一化

假设我们有一个输入数据信号，需要将其归一化到[0, 1]区间。我们可以在Simulink中构建以下模型：


% 创建一个新的Simulink模型

new_system('DataNormalizationExample');



% 添加输入信号发生器

add_block('simulink/Sources/Sine Wave', 'DataNormalizationExample/SineWave1', [150, 50]);



% 添加数据归一化模块

add_block('simulink/Signal Routing/Manual Switch', 'DataNormalizationExample/ManualSwitch1', [100, 50]);

add_block('simulink/Math Operations/MinMax', 'DataNormalizationExample/MinMax1', [150, 100]);

add_block('simulink/Math Operations/Gain', 'DataNormalizationExample/Gain1', [150, 150]);

add_block('simulink/Math Operations/Gain', 'DataNormalizationExample/Gain2', [150, 200]);

add_block('simulink/Math Operations/Sum', 'DataNormalizationExample/Sum1', [200, 150]);



% 设置参数

set_param('DataNormalizationExample/SineWave1', 'Amplitude', '5', 'Frequency', '2');

set_param('DataNormalizationExample/MinMax1', 'Value', '[0; 10]', 'Operator', 'minmax');

set_param('DataNormalizationExample/Gain1', 'Gain', '1/10');

set_param('DataNormalizationExample/Gain2', 'Gain', '1/10');

set_param('DataNormalizationExample/Sum1', 'Inputs', '|++-|', 'IconShape', 'round');



% 连接模块

add_line('DataNormalizationExample', 'SineWave1/1', 'ManualSwitch1/1');

add_line('DataNormalizationExample', 'ManualSwitch1/1', 'MinMax1/1');

add_line('DataNormalizationExample', 'ManualSwitch1/2', 'MinMax1/2');

add_line('DataNormalizationExample', 'MinMax1/1', 'Gain1/1');

add_line('DataNormalizationExample', 'MinMax1/2', 'Gain2/1');

add_line('DataNormalizationExample', 'Gain1/1', 'Sum1/1');

add_line('DataNormalizationExample', 'Gain2/1', 'Sum1/2');



% 添加输出模块

add_block('simulink/Sinks/Scope', 'DataNormalizationExample/Scope1', [250, 150]);

add_line('DataNormalizationExample', 'Sum1/1', 'Scope1/1');



% 运行仿真

set_param('DataNormalizationExample', 'SimulationCommand', 'start');

上述代码创建了一个Simulink模型，用于将正弦波信号归一化到[0, 1]区间。MinMax模块用于找出数据的最大值和最小值，Gain和Sum模块用于将数据缩放到指定区间。

1.2 模型构建

Simulink支持多种机器学习模型的构建。这些模型可以通过MATLAB的机器学习工具箱进行训练，然后在Simulink中进行仿真。

1.2.1 神经网络模型

神经网络是最常用的机器学习模型之一。在Simulink中，可以使用Neural Network Blockset来构建和仿真神经网络模型。

例子：构建一个简单的神经网络

假设我们需要构建一个简单的前馈神经网络来分类两个类别的数据。我们可以在Simulink中构建以下模型：


% 创建一个新的Simulink模型

new_system('NeuralNetworkExample');



% 添加输入信号

add_block('simulink/Sources/From Workspace', 'NeuralNetworkExample/FromWorkspace1', [150, 50]);

set_param('NeuralNetworkExample/FromWorkspace1', 'Variable', 'inputData');



% 添加神经网络模块

add_block('deeplearning/Deep Neural Networks/Feedforward Neural Network', 'NeuralNetworkExample/FeedforwardNN', [200, 100]);



% 添加输出信号

add_block('simulink/Sinks/To Workspace', 'NeuralNetworkExample/ToWorkspace1', [250, 150]);

set_param('NeuralNetworkExample/ToWorkspace1', 'Variable', 'outputData');



% 连接模块

add_line('NeuralNetworkExample', 'FromWorkspace1/1', 'FeedforwardNN/1');

add_line('NeuralNetworkExample', 'FeedforwardNN/1', 'ToWorkspace1/1');



% 定义输入数据

inputData = rand(2, 1000);



% 定义神经网络结构

net = feedforwardnet(10);

net = train(net, inputData, targetData);



% 保存神经网络模型

save('neuralNetworkModel.mat', 'net');



% 加载神经网络模型

load('neuralNetworkModel.mat');



% 运行仿真

set_param('NeuralNetworkExample', 'SimulationCommand', 'start');

上述代码创建了一个简单的前馈神经网络模型，并将其用于分类任务。From Workspace模块用于从MATLAB工作区加载输入数据，Feedforward Neural Network模块用于构建和仿真神经网络，To Workspace模块用于将输出数据保存到MATLAB工作区。

1.3 模型训练

模型训练是机器学习的核心步骤，Simulink可以通过MATLAB的机器学习工具箱来实现模型的训练。

1.3.1 使用MATLAB进行模型训练

在Simulink中，可以使用MATLAB脚本来训练模型，并将训练好的模型加载到Simulink中进行仿真。

例子：训练一个简单的神经网络

假设我们需要训练一个简单的神经网络来拟合一个非线性函数。我们可以在MATLAB中编写以下训练脚本：


% 定义输入数据

inputData = -1:0.01:1;

inputData = inputData';



% 定义目标数据

targetData = sin(5 * inputData) + 0.1 * randn(size(inputData));



% 定义神经网络结构

net = fitnet(10);



% 训练模型

net = train(net, inputData, targetData);



% 保存训练好的模型

save('trainedNeuralNetwork.mat', 'net');

训练好的模型可以保存为.mat文件，然后在Simulink中加载并使用。

1.4 模型验证

模型验证是确保模型性能的重要步骤。Simulink提供了丰富的仿真功能，可以方便地对训练好的模型进行验证。

1.4.1 使用Simulink进行模型验证

假设我们已经训练好了一个神经网络模型，并将其保存为trainedNeuralNetwork.mat文件。我们可以在Simulink中构建以下模型来验证模型的性能：


% 创建一个新的Simulink模型

new_system('ModelValidationExample');



% 添加输入信号

add_block('simulink/Sources/From Workspace', 'ModelValidationExample/FromWorkspace1', [150, 50]);

set_param('ModelValidationExample/FromWorkspace1', 'Variable', 'inputData');



% 添加神经网络模块

add_block('deeplearning/Deep Neural Networks/Feedforward Neural Network', 'ModelValidationExample/FeedforwardNN', [200, 100]);



% 添加输出信号

add_block('simulink/Sinks/Scope', 'ModelValidationExample/Scope1', [250, 150]);

add_block('simulink/Sinks/To Workspace', 'ModelValidationExample/ToWorkspace1', [300, 150]);

set_param('ModelValidationExample/ToWorkspace1', 'Variable', 'outputData');



% 连接模块

add_line('ModelValidationExample', 'FromWorkspace1/1', 'FeedforwardNN/1');

add_line('ModelValidationExample', 'FeedforwardNN/1', 'Scope1/1');

add_line('ModelValidationExample', 'FeedforwardNN/1', 'ToWorkspace1/1');



% 加载训练好的神经网络模型

load('trainedNeuralNetwork.mat');



% 运行仿真

set_param('ModelValidationExample', 'SimulationCommand', 'start');

上述代码创建了一个Simulink模型，用于验证训练好的神经网络模型。From Workspace模块用于加载输入数据，Feedforward Neural Network模块用于仿真神经网络，Scope模块用于可视化输出数据，To Workspace模块用于将输出数据保存到MATLAB工作区。

1.5 模型部署

训练好的模型可以部署到嵌入式系统、实时仿真系统等环境中。Simulink提供了多种部署方式，包括代码生成、硬件支持等。

1.5.1 代码生成

Simulink支持将模型生成为C代码，以便在嵌入式系统中运行。以下是一个简单的例子：

例子：生成C代码

假设我们已经构建并验证了一个神经网络模型。我们可以在Simulink中生成C代码，并将其部署到嵌入式系统中。


% 创建一个新的Simulink模型

new_system('CodeGenerationExample');



% 添加输入信号

add_block('simulink/Sources/From Workspace', 'CodeGenerationExample/FromWorkspace1', [150, 50]);

set_param('CodeGenerationExample/FromWorkspace1', 'Variable', 'inputData');



% 添加神经网络模块

add_block('deeplearning/Deep Neural Networks/Feedforward Neural Network', 'CodeGenerationExample/FeedforwardNN', [200, 100]);



% 添加输出信号

add_block('simulink/Sinks/To Workspace', 'CodeGenerationExample/ToWorkspace1', [250, 150]);

set_param('CodeGenerationExample/ToWorkspace1', 'Variable', 'outputData');



% 连接模块

add_line('CodeGenerationExample', 'FromWorkspace1/1', 'FeedforwardNN/1');

add_line('CodeGenerationExample', 'FeedforwardNN/1', 'ToWorkspace1/1');



% 加载训练好的神经网络模型

load('trainedNeuralNetwork.mat');



% 生成C代码

set_param('CodeGenerationExample', 'SimulationCommand', 'start');

set_param('CodeGenerationExample', 'SimulationCommand', 'pause');

set_param('CodeGenerationExample', 'SimulationCommand', 'continue');

set_param('CodeGenerationExample', 'TargetLanguage', 'C');

set_param('CodeGenerationExample', 'GenerateCode', 'on');

set_param('CodeGenerationExample', 'CodeGenerationReport', 'on');

set_param('CodeGenerationExample', 'GenerateMakefile', 'on');

set_param('CodeGenerationExample', 'GenerateReport', 'on');

set_param('CodeGenerationExample', 'System', 'CodeGenerationExample');

set_param('CodeGenerationExample', 'ConfigSet', 'CodeGenerationExample');

set_param('CodeGenerationExample', 'SystemTargetFile', 'ert.tlc');

set_param('CodeGenerationExample', 'TemplateMakefile', 'ert.mk');

set_param('CodeGenerationExample', 'CodeCoverage', 'off');

set_param('CodeGenerationExample', 'CodeProfiling', 'off');

set_param('CodeGenerationExample', 'GenerateCodeOnly', 'off');

set_param('CodeGenerationExample', 'CodeWithcomments', 'on');

set_param('CodeGenerationExample', 'CodeWithudu', 'off');

set_param('CodeGenerationExample', 'CodeWithhtml', 'on');

set_param('CodeGenerationExample', 'CodeWithmex', 'off');

set_param('CodeGenerationExample', 'GenerateCode', 'on');



% 生成代码

slbuild('CodeGenerationExample');

上述代码生成了一个C代码文件，可以用于嵌入式系统的开发。通过设置SystemTargetFile和TemplateMakefile，可以指定生成代码的目标文件和模板文件。

1.6 实时仿真

实时仿真是将模型部署到实时系统中进行仿真和测试的过程。Simulink提供了丰富的实时仿真工具，可以方便地进行实时仿真。

1.6.1 使用Simulink Real-Time进行实时仿真

Simulink Real-Time是Simulink的一个扩展工具箱，用于在实时目标机上进行仿真。以下是一个简单的例子：

例子：实时仿真

假设我们已经构建并验证了一个神经网络模型。我们可以在Simulink Real-Time中进行实时仿真。


% 创建一个新的Simulink模型

new_system('RealTimeSimulationExample');



% 添加输入信号

add_block('simulink/Sources/From Workspace', 'RealTimeSimulationExample/FromWorkspace1', [150, 50]);

set_param('RealTimeSimulationExample/FromWorkspace1', 'Variable', 'inputData');



% 添加神经网络模块

add_block('deeplearning/Deep Neural Networks/Feedforward Neural Network', 'RealTimeSimulationExample/FeedforwardNN', [200, 100]);



% 添加输出信号

add_block('simulink/Sinks/To Workspace', 'RealTimeSimulationExample/ToWorkspace1', [250, 150]);

set_param('RealTimeSimulationExample/ToWorkspace1', 'Variable', 'outputData');



% 连接模块

add_line('RealTimeSimulationExample', 'FromWorkspace1/1', 'FeedforwardNN/1');

add_line('RealTimeSimulationExample', 'FeedforwardNN/1', 'ToWorkspace1/1');



% 加载训练好的神经网络模型

load('trainedNeuralNetwork.mat');



% 配置实时仿真

set_param('RealTimeSimulationExample', 'SimulationCommand', 'start');

set_param('RealTimeSimulationExample', 'SimulationCommand', 'pause');

set_param('RealTimeSimulationExample', 'SimulationCommand', 'continue');

set_param('RealTimeSimulationExample', 'TargetLanguage', 'C');

set_param('RealTimeSimulationExample', 'GenerateCode', 'on');

set_param('RealTimeSimulationExample', 'CodeGenerationReport', 'on');

set_param('RealTimeSimulationExample', 'GenerateMakefile', 'on');

set_param('RealTimeSimulationExample', 'GenerateReport', 'on');

set_param('RealTimeSimulationExample', 'System', 'RealTimeSimulationExample');

set_param('RealTimeSimulationExample', 'ConfigSet', 'RealTimeSimulationExample');

set_param('RealTimeSimulationExample', 'SystemTargetFile', 'ert.tlc');

set_param('RealTimeSimulationExample', 'TemplateMakefile', 'ert.mk');

set_param('RealTimeSimulationExample', 'CodeCoverage', 'off');

set_param('RealTimeSimulationExample', 'CodeProfiling', 'off');

set_param('RealTimeSimulationExample', 'GenerateCodeOnly', 'off');

set_param('RealTimeSimulationExample', 'CodeWithcomments', 'on');

set_param('RealTimeSimulationExample', 'CodeWithudu', 'off');

set_param('RealTimeSimulationExample', 'CodeWithhtml', 'on');

set_param('RealTimeSimulationExample', 'CodeWithmex', 'off');

set_param('RealTimeSimulationExample', 'GenerateCode', 'on');



% 生成代码

slbuild('RealTimeSimulationExample');



% 配置实时目标机

rtt = slrealtime('RealTimeSimulationExample');

rtt.connect;



% 运行实时仿真

rtt.start;



% 停止实时仿真

rtt.stop;



% 断开连接

rtt.disconnect;

上述代码配置了Simulink Real-Time，并在实时目标机上运行了仿真。通过slrealtime函数，可以连接和控制实时目标机。

1.7 AI与机器学习的高级应用

除了基本的数据预处理、模型构建、训练、验证和部署，Simulink还支持更高级的AI和机器学习应用，如深度学习、强化学习等。

1.7.1 深度学习

深度学习是机器学习的一个重要分支，Simulink支持深度学习模型的构建和仿真。以下是一个简单的深度学习例子：

例子：构建一个简单的卷积神经网络

假设我们需要构建一个简单的卷积神经网络（CNN）来分类图像数据。我们可以在Simulink中构建以下模型：


% 创建一个新的Simulink模型

new_system('DeepLearningExample');



% 添加输入信号

add_block('simulink/Sources/From Workspace', 'DeepLearningExample/FromWorkspace1', [150, 50]);

set_param('DeepLearningExample/FromWorkspace1', 'Variable', 'inputData');



% 添加卷积神经网络模块

add_block('deeplearning/Deep Neural Networks/Convolutional Neural Network', 'DeepLearningExample/CNN', [200, 100]);



% 添加输出信号

add_block('simulink/Sinks/To Workspace', 'DeepLearningExample/ToWorkspace1', [250, 150]);

set_param('DeepLearningExample/ToWorkspace1', 'Variable', 'outputData');



% 连接模块

add_line('DeepLearningExample', 'FromWorkspace1/1', 'CNN/1');

add_line('DeepLearningExample', 'CNN/1', 'ToWorkspace1/1');



% 定义输入数据

inputData = rand(28, 28, 1, 1000); % 1000张28x28的灰度图像



% 定义卷积神经网络结构

layers = [

    imageInputLayer([28 28 1])

    convolution2dLayer(5, 20)

    reluLayer

    maxPooling2dLayer(2, 'Stride', 2)

    fullyConnectedLayer(10)

    softmaxLayer

    classificationLayer];



% 训练卷积神经网络

options = trainingOptions('sgdm', 'MaxEpochs', 10, 'MiniBatchSize', 128, 'Plots', 'training-progress');

net = trainNetwork(inputData, targetData, layers, options);



% 保存训练好的模型

save('cnnModel.mat', 'net');



% 加载训练好的模型

load('cnnModel.mat');



% 运行仿真

set_param('DeepLearningExample', 'SimulationCommand', 'start');

上述代码创建了一个简单的卷积神经网络模型，并将其用于图像分类任务。From Workspace模块用于从MATLAB工作区加载输入数据，Convolutional Neural Network模块用于构建和仿真卷积神经网络，To Workspace模块用于将输出数据保存到MATLAB工作区。

1.7.2 强化学习

强化学习是另一种重要的机器学习方法，通过与环境的交互来学习最优策略。Simulink支持强化学习模型的构建和仿真。

例子：构建一个简单的强化学习模型

假设我们需要构建一个简单的强化学习模型来控制一个简单的环境。我们可以在Simulink中构建以下模型：


% 创建一个新的Simulink模型

new_system('ReinforcementLearningExample');



% 添加环境模块

add_block('reinforcementlearning/Environments/Custom Environment', 'ReinforcementLearningExample/CustomEnv', [150, 50]);



% 添加强化学习代理模块

add_block('reinforcementlearning/Agents/DQN Agent', 'ReinforcementLearningExample/DQNAgent', [200, 100]);



% 添加输出信号

add_block('simulink/Sinks/Scope', 'ReinforcementLearningExample/Scope1', [250, 150]);

add_block('simulink/Sinks/To Workspace', 'ReinforcementLearningExample/ToWorkspace1', [300, 150]);

set_param('ReinforcementLearningExample/ToWorkspace1', 'Variable', 'outputData');



% 连接模块

add_line('ReinforcementLearningExample', 'CustomEnv/1', 'DQNAgent/1');

add_line('ReinforcementLearningExample', 'DQNAgent/1', 'Scope1/1');

add_line('ReinforcementLearningExample', 'DQNAgent/1', 'ToWorkspace1/1');



% 定义环境

env = rlPredefinedEnv('CartPole');



% 定义DQN代理

agent = rlDQNAgent(getActionInfo(env), getObservationInfo(env));



% 训练代理

trainOpts = rlTrainingOptions('MaxEpisodes', 1000, 'MaxStepsPerEpisode', 500, 'Verbose', false, 'Plots', 'training-progress');

trainStats = train(agent, env, trainOpts);



% 保存训练好的代理

save('dqnAgent.mat', 'agent');



% 加载训练好的代理

load('dqnAgent.mat');



% 运行仿真

set_param('ReinforcementLearningExample', 'SimulationCommand', 'start');

上述代码创建了一个简单的DQN（Deep Q-Network）代理，并将其用于控制一个预定义的CartPole环境。Custom Environment模块用于定义环境，DQN Agent模块用于构建和仿真代理，Scope模块用于可视化输出数据，To Workspace模块用于将输出数据保存到MATLAB工作区。

1.8 Simulink与其他工具的集成

Simulink不仅可以单独使用，还可以与其他工具和平台集成，以实现更复杂的应用。例如，可以与MATLAB、Python、C++等编程语言和工具结合使用，以扩展其功能和应用范围。

1.8.1 与MATLAB结合

Simulink与MATLAB的结合非常紧密，可以方便地调用MATLAB函数和脚本。以下是一个简单的例子：

例子：调用MATLAB函数

假设我们需要在Simulink中调用一个MATLAB函数来处理数据。我们可以在Simulink中使用MATLAB Function模块来实现这一功能。


% 创建一个新的Simulink模型

new_system('MATLABFunctionExample');



% 添加输入信号

add_block('simulink/Sources/From Workspace', 'MATLABFunctionExample/FromWorkspace1', [150, 50]);

set_param('MATLABFunctionExample/FromWorkspace1', 'Variable', 'inputData');



% 添加MATLAB函数模块

add_block('simulink/User-Defined Functions/MATLAB Function', 'MATLABFunctionExample/MATLABFunction1', [200, 100]);

set_param('MATLABFunctionExample/MATLABFunction1', 'Function', 'function y = fcn(u) y = sin(u); end');



% 添加输出信号

add_block('simulink/Sinks/Scope', 'MATLABFunctionExample/Scope1', [250, 150]);

add_block('simulink/Sinks/To Workspace', 'MATLABFunctionExample/ToWorkspace1', [300, 150]);

set_param('MATLABFunctionExample/ToWorkspace1', 'Variable', 'outputData');



% 连接模块

add_line('MATLABFunctionExample', 'FromWorkspace1/1', 'MATLABFunction1/1');

add_line('MATLABFunctionExample', 'MATLABFunction1/1', 'Scope1/1');

add_line('MATLABFunctionExample', 'MATLABFunction1/1', 'ToWorkspace1/1');



% 定义输入数据

inputData = -1:0.01:1;

inputData = inputData';



% 运行仿真

set_param('MATLABFunctionExample', 'SimulationCommand', 'start');

上述代码创建了一个Simulink模型，其中使用了MATLAB Function模块来调用一个简单的MATLAB函数，将输入数据进行正弦变换。

1.8.2 与Python结合

Simulink还可以与Python结合，利用Python的丰富库来处理数据和构建模型。以下是一个简单的例子：

例子：调用Python脚本

假设我们需要在Simulink中调用一个Python脚本来处理数据。我们可以在Simulink中使用Python Function模块来实现这一功能。


% 创建一个新的Simulink模型

new_system('PythonFunctionExample');



% 添加输入信号

add_block('simulink/Sources/From Workspace', 'PythonFunctionExample/FromWorkspace1', [150, 50]);

set_param('PythonFunctionExample/FromWorkspace1', 'Variable', 'inputData');



% 添加Python函数模块

add_block('simulink/User-Defined Functions/Python Function', 'PythonFunctionExample/PythonFunction1', [200, 100]);

set_param('PythonFunctionExample/PythonFunction1', 'Function', 'def my_function(u): return np.sin(u)');



% 添加输出信号

add_block('simulink/Sinks/Scope', 'PythonFunctionExample/Scope1', [250, 150]);

add_block('simulink/Sinks/To Workspace', 'PythonFunctionExample/ToWorkspace1', [300, 150]);

set_param('PythonFunctionExample/ToWorkspace1', 'Variable', 'outputData');



% 连接模块

add_line('PythonFunctionExample', 'FromWorkspace1/1', 'PythonFunction1/1');

add_line('PythonFunctionExample', 'PythonFunction1/1', 'Scope1/1');

add_line('PythonFunctionExample', 'PythonFunction1/1', 'ToWorkspace1/1');



% 定义输入数据

inputData = -1:0.01:1;

inputData = inputData';



% 运行仿真

set_param('PythonFunctionExample', 'SimulationCommand', 'start');

上述代码创建了一个Simulink模型，其中使用了Python Function模块来调用一个简单的Python函数，将输入数据进行正弦变换。

1.9 总结

通过Simulink，工程师和科学家可以方便地集成和应用AI和机器学习技术。Simulink提供了丰富的数据预处理、模型构建、训练、验证和部署功能，支持多种机器学习模型，包括神经网络、支持向量机、决策树等。此外，Simulink还支持深度学习和强化学习等高级应用，并可以与其他工具和平台结合使用，以扩展其功能和应用范围。

在这里插入图片描述

2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

LangGraph源码阅读：引言+langchain-core（上）

随着AI应用落地的需求越来越广，很多导师都在催同学们学习一下LangGraph，但是阅读过程中发现基本上都是教大家怎么调用接口的，没有完整成体系的讲解其源码相关的文章。这样就会导致很多人对多智能体架构本身并没有什么理解，应用过程中会采取一些重复造轮子或者低效的实现方法，所以准备阅读过程中出个系列和大家一起读。