Simulink والذكاء الاصطناعي
دمج نماذج الذكاء الاصطناعي والشبكات العصبية في Simulink
Integrating AI Models and Neural Networks in Simulink
طرق إدخال نموذج مدرب إلى Simulink: كتل Predict وStateful Predict، وكتل التنبؤ لنماذج Statistics Toolbox، وكتلة MATLAB Function، ونماذج الرتبة المختزلة (ROM).
ستتعلم في هذا الدرس
- اختيار طريقة الدمج المناسبة للنموذج
- كتابة دالة متوافقة مع توليد الكود لاستخدامها في MATLAB Function
- فهم النماذج البديلة (Surrogate / ROM)
- الانتباه لتوحيد المعالجة المسبقة بين التدريب وSimulink
طرق الدمج
| الطريقة | متى | متطلبات |
|---|---|---|
| كتلة Predict | شبكة dlnetwork محفوظة في ملف MAT | Deep Learning Toolbox (R2020b+) |
| كتلة Stateful Predict | شبكات LSTM التي تحتفظ بالحالة بين الخطوات | Deep Learning Toolbox |
| كتل Statistics Toolbox | SVM أو أشجار أو انحدار من fitc*/fitr* | saveLearnerForCoder ثم الكتلة |
| MATLAB Function | نموذج صغير أو منطق مخصص | كود متوافق مع التوليد |
| تصدير الشبكة كطبقات Simulink | رؤية بنية الشبكة كتلاً | إصدارات حديثة من Deep Learning Toolbox؛ تحقق من وجود exportNetworkToSimulink في إصدارك |
دالة جاهزة لكتلة MATLAB Function
function y = nnPredict(x) %#codegen
% شبكة صغيرة بأوزان ثابتة مدربة مسبقاً (2 -> 3 -> 1)
W1 = [0.8 -0.5; 0.3 0.9; -0.7 0.4]; b1 = [0.1; -0.2; 0.05];
W2 = [1.2 -0.8 0.6]; b2 = -0.1;
h = max(W1 * x(:) + b1, 0); % ReLU
y = W2 * h + b2;
endinputs = [0 0; 1 0; 0 1; 1 1; 2 -1];
for k = 1:size(inputs, 1)
fprintf('x = [%g %g] -> y = %.4f\n', inputs(k,1), inputs(k,2), nnPredict(inputs(k,:)));
endx = [0 0] -> y = 0.0500 x = [1 0] -> y = 0.9000 x = [0 1] -> y = -0.3900 x = [1 1] -> y = -0.4200 x = [2 -1] -> y = 2.5400
اختبر الدالة في MATLAB قبل وضعها في الكتلة؛ التعليق %#codegen يجعل محلل الكود ينبهك لأي بنية غير قابلة للتوليد.
كتلة Predict لشبكة مدربة
% في MATLAB: احفظ الشبكة
save('trainedNet.mat', 'net');
% في Simulink: من Library Browser > Deep Learning Toolbox > Deep Neural Networks
% أضف كتلة Predict واضبط Network = Network from MAT-file و File path = trainedNet.mat
% ولنماذج Statistics Toolbox:
mdl = fitcsvm(X, y);
saveLearnerForCoder(compact(mdl), 'svmModel'); % ثم كتلة ClassificationSVM Predictيتطلب هذا الكود: Simulink، Deep Learning Toolbox، Statistics and Machine Learning Toolbox. لم يُشغَّل في بيئة إعداد الدرس لعدم توفر الـ Toolbox، لذلك لا نعرض أرقاماً من عندنا؛ شغّله في MATLAB لديك وقارن النتائج.
Simulink منتج منفصل عن MATLAB ولم يتوفر في بيئة إعداد الدرس، لذلك لم يُشغّل هذا المقطع؛ الأوامر من توثيق Simulink الرسمي.
النماذج البديلة (Reduced Order Models)
عندما يكون مكوّن فيزيائي مفصل بطيئاً جداً في المحاكاة (محرك، بطارية)، نولّد بيانات منه ونجري تدريب شبكة صغيرة (LSTM أو NARX) تقلده، ثم نستبدله بها لتسريع اختبار المتحكم وتجارب التصميم. تأكد أن نطاق المدخلات في الاستخدام داخل نطاق بيانات التدريب.
خلاصة الدرس
- مكتبة Deep Neural Networks في Deep Learning Toolbox تقدم كتلتي Predict وStateful Predict.
- مكتبة Statistics and Machine Learning Toolbox في Simulink تقدم كتل تنبؤ مثل ClassificationSVM Predict.
- MATLAB Function block تقبل كوداً متوافقاً مع التوليد (%#codegen).
- النموذج البديل شبكة تتعلم سلوك مكوّن فيزيائي بطيء لتسريع المحاكاة.
- أي تطبيع طُبق في التدريب يجب تطبيقه داخل النموذج بالقيم نفسها.
شُغّل test_nnPredict.m مع nnPredict.m في GNU Octave 8.4. أمثلة الكتل تحتاج Simulink ولم تُشغّل.
المتطلبات البرمجية
- MATLAB
- Simulink
- Deep Learning Toolbox
- Statistics and Machine Learning Toolbox
بعض هذه الأدوات (Toolboxes) تُرخَّص منفصلة عن MATLAB. تحقق من توفرها بالأمر ver في Command Window.
