部分演讲内容简述

拯救地球——加速气候科学研究，推进万物电气化

13:35–14:00

气候危机近在咫尺，工程师和科学家都致力于贡献自己的力量。工程师快速创新以实现能源生产脱碳，让一切电气化，并设计可持续产品。科学家借助云计算和人工智能的进步加速研究，以告知气候变化并增进理解。教育工作者培养下一代，进一步推动气候科学发展。在本次演讲中，您将了解科学家和工程师如何使用MATLAB^®和Simulink^®解决这一重大挑战——拯救地球，建设一个更洁净的电气化未来！

MATLAB and Simulink R2022a版本新特性

14:00–14:30

了解MATLAB^®和Simulink^®的新功能，以支持您的研究、设计和开发工作流程。本讲座重点介绍提高生产力的新工具，如MATLAB中用于自动执行任务和计算而无需编写代码的交互式应用程序和Live Editor任务，以及Simulink中用于并行运行仿真的新功能。您还将看到涉及其他工具、语言和技术的工作流程的新功能，包括在MATLAB中使用Python^®，以及将Simulink中的内容导出为独立功能样机单元（FMU）。此外，还将展示共享MATLAB代码和Simulink模型的新功能，包括将MATLAB功能发布为基于Docker容器的微服务，以及从Simulink模型生成可配置的MATLAB UI。

基于Simulink和 NVIDIA Jetson 开展机器学习

14:30–15:00

深度学习和机器学习技术已展现出解决复杂问题的能力，尤其是针对传统方法无法有效建模的问题，例如检测图像中的物体，或基于测定的电压和电流准确估计电池荷电状态。尽管前景广阔，但是AI模型通常仅代表完整系统中的一个环节。边缘和嵌入式系统开发中，需要使用越来越多性能和带宽日益增强的传感器，这一现状反过来要求系统算力提高，同时要求开发软件的功能能够实现更易用且快捷的部署。

本次演讲中，您将了解如何通过NVIDIA^® Jetson™平台和Simulink^®对AI和基于模型设计的功能支持，更好地实现复杂系统开发。您将了解如何通过仿真进行有效测试，并轻松实现跨设备部署。

MATLAB/Simulink为绿色氢能产业赋能

15:15–15:45

绿色氢的生产依赖于光电(太阳)和/或风能(风)的能量通过电解转化为氢气。 这带来了多学科的挑战(概念设计、规划、运营、维护)，以保证满意的投资回报。 在本节中，您将从多领域仿真如何增强与电网和/或储能、电力电子设计和技术经济研究的集成中得到启发。  

氢一旦生产出来，必须被压缩并从燃料箱输送到燃料电池，然后再将产生的电力用于船舶、卡车或公共汽车的电力推进。 但是，氢这种极其敏感的气体，如何在各个阶段都得到安全处理呢? 基于模型的设计为这一点打下了坚实的基础。 演讲中将展示使用Simulink^®进行安全阀和冷却控制的实例。 

另外，您的公司可能在负责系统集成。 得到基于氢的燃料电池后，要集成在一个复杂的多领域系统中，并与其他能源实体(电池、柴油发电机……)共存。如何做出资产收益最大化的最优方案?  在开发早期使用的桌面模型能够启用测试吗? 请加入我们，了解MathWorks工具链是如何解决这些问题的。  

为什么模型对跨学科数字化工程至关重要

15:45–16:15

数字化工程是一个趋势行业流行语，这是组织努力拥抱且工具供应商声称要实施的东西。 但流行语背后的实际现实是什么？ 真正提供价值的工程生态系统的一些基本组成是什么？ 在本次演讲中，将准确讨论这些问题，并展示模型如何成为 数字化工程的核心和基本要素。

从线性模型到深度学习：和MATLAB共同见证股票收益预测的进化

13:35–14:05

收益预测是股票投资过程中最重要的步骤。

传统做法是使用线性思维下的多因子模型。即通过分析因子历史选股能力，预测因子收益，并得到股票的预期收益率。其中，股票预期收益与实际收益的相关系数IC及相关系数的信息比率IC-IR，是评价收益预测模型的重要指标。市场的不断进化使线性模型遭遇很大的挑战。于是，深度学习模型，如RNN/LSTM，成为当前一类主流的收益预测方法。即，通过神经网络提取数据信息，再经过非线性的合成与加工，得到股票的预期收益率。

以上两种重要方法，从初始的数据处理到最终的结果输出，均可在MATLAB^®内形成一站式的解决方案。

框架互操作：MATLAB与TensorFlow/PyTorch

14:05–14:35

通过与深度学习框架的互操作，例如TensorFlow™和PyTorch，MATLAB^®和Simulink^®用户可以在充分利用MATLAB生态工具链的同时，灵活使用开源社区的资源。
本演讲将通过实例介绍MATLAB中提供的多种互操作方式和优点：

• 在MATLAB中导入和导出TensorFlow/PyTorch/ONNX模型
• MATLAB 与 TensorFlow/PyTorch 的协同执行

MATLAB深度学习在智能地震反演中的应用

14:35–15:05

地震反演是石油勘探开发中油气藏勘探、储层预测的重要手段，其目的是由地震资料通过计算分析得到地下介质模型，从而有效做出预测，提高生产工作效率。随着勘探、开发程度的提高，对地震反演的精度要求也越来越高。

地质模型驱动的地震反演对于噪声较为敏感，因此反演结果的分辨率往往较低。本次演讲从数据驱动的角度出发，介绍一种地震频相特征与深度学习相结合的地震反演新方法（频相智能反演）。通过MATLAB^®实现虚拟井的随机模拟、地震子波的提取、高分辨率时频分析、海量的数据标签对创建、深度网络的优选与训练，最终得到高分辨率的波阻抗反演结果。模型和实际应用表明，频相智能反演可以在没有地质模型参与的情况下有效提高波阻抗反演的分辨率和稳定性，益于进一步推广应用。

基于高端工程装备工况大数据的数字孪生模型研究 

15:15–15:45

MATLAB^®和Simulink^®作为领先的数据分析和模型仿真工具得了各个行业的认可和广泛应用。本次分享将向大家介绍，如何将MATLAB和Simulink相结合，开发起重机性能研发实践过程中基于工况识别技术的能量管理策略。结合工况识别技术，分析起重机工况，对能耗采取优化策略，以及利用仿真方式设计能量回收策略等。

应用MATLAB实现数据可视化，数据处理，以及统计分析，构建起重机工况划分与识别流程。基于Simulink搭建电机与电池能力回收模型。经过团队持续攻关，算法工程师、数仓工程师、电气工程师、大数据工程师、仿真工程师鼎力合作，构建起重机工况识别方法，并基于实际作业工况数据，应用于起重机卷扬电机能量回收，以优化能量系统设计。从而设计出能耗更低、续航更久、用户粘性更高的起重机电动化产品，以质量改变世界，打造三一标杆产品。

在团队持续攻关过程中，MATLAB界面友好，函数丰富，以及技术团队的不断支持，显著提升了研发效率，尤其在利用Simulink搭建能量回收模型时，MathWorks支持和社区提供了很多帮助。

以数据为中心的人工智能在信号处理中的应用

15:45–16:15

对于自动驾驶、语音识别或机器翻译等一些应用，人工智能的应用可以依赖于大型数据集和丰富的研究成果。在这些领域，通常将投入集中在通过设计更复杂的机器学习和深度学习模型来提高系统性能。另一方面，在大多数工业信号处理应用中，数据往往稀缺且嘈杂，量身定制的模型非常罕见，也很难找到现成的研究成果。

在本次演讲中，我们将展示如何使用通过特定领域的专业知识来驱动以数据为中心的工作流，从而显着提高模型性能并实现人工智能的实际应用。我们专注于信号数据，讨论与提高数据和标签质量、减少方差和维度，以及选择优化的特征空间表示和信号转换变换的具体方法。我们还会回顾一些流行的基于仿真的数据生成和增强方法，并以介绍如何选择合适的 AI 模型作为起点。

培养AI时代的工程师

16:15–16:45

AI正在为工程师、科学家以及程序员开发和改进产品和服务的方式带来巨大的变革。 当今所有工程领域都以某种方式使用 AI，而当今的许多业界遇到的挑战都需要工程师将 AI 纳入其工作流程。 我们将在这个演讲中了解 MathWorks 工具如何帮助工程师（包括那些具有极少 AI 经验的工程师）开发使用 AI 工作流更好的系统。 此外，我们还将讨论如何加快AI在工程课程中的整合。

通过这个演讲，您将更好地了解如何通过工业界和学术界之间的持续对话，让工程师为 AI 大趋势做好准备。

人工智能与基于模型设计在电池状态评估中的应用

13:35–14:05

电池荷电状态(SOC)是电池管理系统(BMS)的关键信号。然而，它不能被直接测量。当目标信号无法被测量，或者物理传感器给设计增加了太多的成本和复杂性时，虚拟传感器建模可以在这样的情况下提供帮助。深度学习和机器学习技术可以作为卡尔曼滤波器和其他著名的虚拟传感技术的替代或补充。这些基于人工智能的虚拟传感器模型必须与嵌入式系统的其他部分集成。在BMS的情况下，基于AI的SOC虚拟传感器必须与功率限制、故障检测和电池单元平衡算法相结合。开发如此庞大而复杂的系统需要对不同的组件进行集成、实现和测试，同时尽量减少昂贵和耗时的实际硬件原型。基于模型的设计是一种经过验证的实现方法。

在本次演讲中，将介绍如何使用机器学习和深度学习算法开发虚拟传感器模型，以及如何将AI模型集成到基于模型的设计中，可以通过模型仿真对设计进行测试，并使用自动代码生成在嵌入式设备上实现部署。

电力系统中电力电子设备的线性化分析方法

14:05–14:35

随着新能源，分布式发电，电动汽车等技术的飞速发展，大量电力电子设备在电网中得到了应用。

不同于传统同步机电源，电力电子电源单体容量小，数目多。又由于使用半导体开关器件斩波和高速数字控制器，电力电子电源的谐波含量丰富，响应速度快，容易引起系统的振荡和失稳。

因此如何对包含大量电力电子设备的系统进行快速建模，完成稳定性分析，给出优化方案，是目前亟需解决的问题之一。

本次演讲将展示，如何在MATLAB^®/Simulink^®模型的基础上，叠加使用MATLAB/linearize功能，对含有大规模电力电子设备的系统进行快速且准确的建模。从而方便工程师能够对不同控制算法进行快速的迭代，完成对该系统稳定性的分析和优化，提高工作效率。

基于模型设计赋能洗衣机控制算法设计和软件实现

14:35–15:05

在本主题中，您将了解在如今家电行业激烈的市场竞争环境下，研发团队如何采用基于模型的设计，规避传统手写代码研发流程的弊端。以洗衣机电驱控制算法开发和部署为例，我们讲向您展示如何通过对控制相关系统进行建模，利用模型的仿真测试及代码生成功能，模拟控制工况，实现快速部署，从而提升开发效率，主要包括：

• 电机驱动系统物理对象建模
• 电机FOC算法建模与闭环参数调节
• 电机顶层调度控制算法建模与测试
• 控制算法的自动代码生成与部署

基于模型的设计在加速空调嵌入式系统开发中的实践

15:15–15:45

随着国家低碳战略、楼宇的智慧化、产品的多场景深入，也伴随美的产品的越来越完善，行业对于空调软件开发活动，在效率上、质量上、可迭代性、可验证性提出了更高的要求。然而相对传统嵌入式软件，则规模越来越大，复杂度越来越高，衍生机种定制化需求越来越多样，所带来的测试代价越来越高，人员花费越来越大，质量和花费的平衡越来越难把握。如何提高开发效率，一直是我们的电控部门课题。基于模型的设计(Model-Based Design)在汽车、航天行业应用越来越成熟，那么在家电行业实践是否可行？是否能解决我们开发的痛点，是否能提升产品的质量，我们将利用这个平台共享一下我们实践，也和行业大拿们讨论。

双电机控制算法开发与双核嵌入式处理器实现

15:45–16:15

使用SiC和GaN等新型功率半导体可以提高电机控制应用的采样率。在多核微控制器或片上系统（SoC）上实现电机控制算法需要了解外围设备、传感器和设备驱动的执行时间和延迟。使用仿真可以帮助深入了解算法将如何执行、并确保实现正确的时序。

本次演讲将介绍如何通过Simulink^®和基于模型设计进行：

• 使用 Motor Control Blockset™ 和 SoC Blockset™ 对FOC进行建模和仿真
• 模拟设备驱动程序和外设对部署的影响
• 分区控制算法的多核执行
• 在多个分区之间调度FOC算法的执行
• 从Simulink 模型生成代码在TI C2000™ 多核处理器上部署
• 在设备上分析任务流和CPU使用情况

电气化、人工智能与工程教育的未来

16:15–16:45

电气化大趋势正在推动低效率技术的替代，并帮助我们实现更可持续的未来。随着电力电子设备、电池和各种尺寸的电机的发展，部署越来越多的嵌入式设备来控制它们已成为普遍现象。

与此同时，随着对数据的获取和计算能力的增强，机器学习为我们提供了开发算法的新方法。当与越来越多的电子和可编程机器相结合时，我们正面临着构建自主系统的机遇和挑战。

工程师如何构建如此复杂的系统，快速迭代并验证他们的设计？对于许多跨行业的公司，从可再生能源到机电一体化或运输，答案是基于模型的设计。在本演讲中，我们将了解他们如何利用 MATLAB^® 和特定领域的工具，将 Simulink^® 作为集成平台来对多领域系统进行建模、验证其行为并为其部署代码。

随着机械、电子和软件的融合，如何培养与发展未来工程师的技能？使用专业工具进行主动的学习、以培养他们学生获得跨学科技能和系统思维。

基于 SIL 和 HIL 工作流仿真并部署无人机应用

13:35–14:05

作为安全关键系统，无人驾驶飞行器 （UAV）的仿真和测试对于在其试飞之前验证控制性能至关重要。 MathWorks 工具的最新进展让您可以将 UAV 机载计算机、地面控制站和自动驾驶仪，与 Simulink^® 中的对象模型以及在 Unreal Engine^® 中的各种自主飞行应用的仿真场景集成在一起。
在本主题中，您将了解到：

• 部署 UAV 航路点跟踪应用到机载计算机 （NVIDIA^® Jetson^TM）并通过 PX4 SIL 仿真进行测试的软件在环（SIL）工作流
• 基于 PX4 硬件支持包和机载计算机 （NVIDIA Jetson）的硬件在环（HIL）工作流
• 将无人机动力学 Simulink 对象模型 与 HIL 仿真相集成，并使用来自 Unreal Engine 的深度图像来测试飞行控制器的避障能力
• 以 HIL 模式运行部署在 Pixhawk^® 的应用
• 使用 Unreal Engine 进行高精度 UAV 场景仿真
• 新的 UAV Scenario Designer App 允许您根据 OSM 城市地图设计和回放无人机轨迹

MATLAB在智能与仿生流体力学中的应用

14:05–14:35

流体力学由于其独特的非线性、非定常、多尺度、多变量等特点，相较于其他的经典力学来说，我们对流体的研究和控制一直处于相对落后的阶段。近年来随着人工智能与仿生科技的迅速发展，越来越多的流体力学研究者开始着力于人工智能与仿生科技和流体力学相结合的研究。这类跨学科的研究常常需要多技术联合运用，如何选定合适的开发平台是此类研究的关键之一。本演讲将围绕MATLAB^®在自动化智能拖拽水池的开发与基于暴风海雀水面弹跳的深度强化学习的研究进行讨论。突出MATLAB平台在智能与仿生流体方面研究的优势。

为自动驾驶应用设计仿真场景

14:35–15:05

仿真是开发高级辅助驾驶（ADAS）和无人驾驶功能的常用方法，可以减少实车测试的工作量。汽车工业一直在寻找类似OpenSCENARIO的标准，以描述驾驶环境的动态仿真过程。

本演讲将介绍如何使用RoadRunner编辑真实道路路网，你可以用内置的交通参与者构建场景，也可以从外部的MATLAB^®、Simulink^®或CARLA等工具创建和集成自定义参与者。如果有需要，这些场景还可以导出为OpenSCENARIO，用于外部工具的仿真和分析。按照这个工作流程，你可以快速创建和仿真交通场景，探索系统方案和测试系统设计。

ADAS前方静止物感知功能的控制单元开发以及持续集成实践

15:15–15:45

随着自动驾驶的飞速发展，自动泊车，自动紧急制动等智能辅助功能被广泛应用。

不同于应用软件，车载软件与驾驶员的生命安全紧密相关，又由于受现实中复杂应用场景的影响，使得人们对车载软件的健壮性，可测性提出了高标准的要求。

面对不同车企的众多车型，以及短周期的研发要求，如何早期验证产品是否满足各自的需求，以便能在短周期内交付高质量产品，成为了亟待解决的问题之一。

本次演讲将展示：利用MATLAB^®，在既有算法的基础上开发符合建模规范(MAAB、JMAAB)的模型；在品质保证阶段，结合Simulink Check™/Simulink Design Verifier™/ Polyspace Code Prover™等工具，确保软件的高质量；通过持续集成的方式，缩短开发周期，创建一个高可靠且可复用的研发环境。

模型预测控制在自动驾驶中的应用

15:45–16:15

模型预测控制 (MPC) 是一种流行的技术，用于实现各种自动驾驶场景的算法。本演讲将演示如何使用预构建的自动驾驶模块和参考示例，快速开发这些算法。您将了解如何自定义参考示例，以便设计和部署 MPC 控制器，或从头开始设计 MPC 算法。您将了解使用 MPC 开发和实施各种自动驾驶算法的公司的经验；还将学习如何设计、仿真和实现线性和非线性 MPC 控制器，并将它们与感知和路径规划算法集成。

利用虚拟实验室推进工程教育

16:15–16:45

随着各行各业数字化进程的转变，教育行业也面临着巨大的挑战，传统的硬件实验室方式越来越难满足当代教育的实际需求，如何以更加直观生动且高效的方式教授课程，成为老师面临的新的挑战与机遇。

通过MATLAB^®/Simulink^®提供的多种工具，包括App 部署、硬件数据流式传输、移动设备的运用等， 我们可以结合学科特色，打造丰富多样的虚拟仿真实验室，丰富教学模式，加快教育信息化进程。

我们将在本次演讲中，介绍MathWorks如何帮助老师开发虚拟或远程实验室，您可以在可视化环境中创建实验设备或实验过程的表示模型，摆脱物理硬件的限制，通过建模和仿真的融入，来激发学生兴趣，更好地培养适应未来发展的工程师。

无线标准 + 人工智能：实现未来无线连接

13:35–14:05

无线标准支持全球无线连接和访问。5G、Wi-Fi、卫星通信和蓝牙等现代标准促进了该行业的研发，推动了创新。优化这些系统的人工智能（AI）技术应用也变得越来越普遍。我们将展示MATLAB^®在无线系统设计和AI应用方面的新功能，以应对设计挑战。通过案例研究和参考示例，您将了解：

• 5G、Wi-Fi、卫星通信和蓝牙的新功能
• 存在干扰信号时的共存建模和性能评估
• 人工智能在无线设计中的应用（频谱感知、DPD、波束管理）
• 基于标准的定位和测距应用。

将MATLAB连接到NI PXI/USRP加速无线系统设计创新

14:05–14:35

在本次演讲中，您将了解NI和MathWorks如何通过连接MATLAB^®和软件定义无线电（SDR）来加速无线系统设计创新。

将向您介绍Wireless Testbench™, 最新的MATLAB工具箱，帮助工程师在SDR硬件上实时探索和测试无线应用。您将看到MATLAB和受支持的SDR硬件如何在最大采样率（250MSPS）下用于空中无线测试。通过利用USRP设备上的FPGA处理，您可以对基于标准和自定义信号执行频谱监控和信号检测。

您还将了解如何在MATLAB的5G Toolbox™和Satellite Communications Toolbox中实现卫星通信协议的设计、并根据项目的通信带宽等性能指标要求，选取软件无线电USRP或更高实时带宽、更高性能的PXI硬件实现半实物的快速原型系统。基于MATLAB与NI硬件的紧密连接，充分发挥二者的优势，帮助工程师实现在诸多通信前沿领域的从设计、仿真到半实物原型系统的全过程。包括卫星通信DVB体制、卫星通信与5G融合的新型通信体制以及适用于非地面网络通信的信道仿真等细分领域，加速工程师在新兴技术领域的探索过程。

利用Xilinx RFSoC进行安全、自动化以及基于IP的毫米波测试和测量

14:35–15:05

毫米波频率的无线系统设计是一项非常复杂的工作，牵扯到射频系统设计、数字信号处理、嵌入式软件开发和各种无线通信协议开发。有时候，它需要分散在不同地理位置和不同办公室的多学科工程团队相互配合。

Avnet和Rohde & Schwarz 的工程师一起开发了一套远程、自动、安全的毫米波超宽带软件无线电开发与测试解决方案。该方案整合了Avnet的Xilinx Zynq^® UltraScale+™ +RFSoC Gen-3硬件平台，Rohde & Schwarz的安全应用网关，MATLAB^®和 Rohde & Schwarz的5G信号产生和分析仪表、自动测量技术等。现在欢迎各位工程师莅临见证该套系统。

该套系统可以让客户快速评估从比特流到毫米波空口射频信号的完整信号链的指标性能，包括频谱响应，频谱规划。可以大大缩短客户的开发周期，方便工程师优化基于5G协议或者其他无线协议的各种无线指标，包括ACLR和EVM等。

SerDes 和信号完整性工具包的USB4.0 IBIS-AMI 建模分析

15:15–15:45

本次演讲主要聚焦使用SerDes 工具包进行USB4.0 IBIS-AMI的建模，同时涵盖运用信号完整性工具包进行IBIS-AMI模型信道仿真与后仿真精度数据比对，以及运用自行开发的Python^®脚本对MATLAB^®编译器生成的C++代码工程进行后处理的运用。

参会者通过本次演讲将会了解到运用SerDes和信号完整性工具箱进行定制化的IBIS-AMI模型开发和验证的全流程。在上述流程中会使用SerDes架构，IBIS-AMI，信号处理和C++代码开发等技术。我们的目标是为公司多种接口IP产品进行高效与准确的IBIS-AMI建模。SerDes和信号完整性工具包有助于我们把已有的SerDes架构设计整合到IBIS-AMI建模标准流程中。

迄今为止，我们已建立了多种多协议接口IP IBIS-AMI建模的标准流程，实现了IBIS-AMI模型基于后仿真精度的比对校准，完成了部分IP项目的IBIS-AMI的信道仿真与硬件测量比对校准。在使用上述工具包进行IBIS-AMI建模的过程中，我们也遇到了诸如SerDes工具包版本兼容以及AMI参数配置灵活度的问题。我们期待与我们MathWorks的同仁一道来解决这些问题。

5G全光承载网高速数据链路——从设计到实现

15:45–16:15

5G全光承载网高速数据链路设计技术复杂，挑战性大，涉及编码、均衡、信道特性提取和分析、系统链路信号完整性分析等丰富内容，需要跨部门团队协作共同完成系统设计目标。

中兴通讯股份有限公司的算法工程师利用 MATLAB^®和Simulink^®的SerDes工具箱及相关信号处理工具箱，有效进行了高速串行收发器算法设计和仿真验证，实现了SerDes系统均衡器设计，从Simulink模型快速生成IBIS-AMI模型，提交给硬件设计工程师。

硬件设计工程师将IBIS-AMI模型导入到MATLAB 的Signal Integrity Toolbox™，添加带串扰的实测信道S参数进行信号完整性分析，验证SerDes收发器性能。

中兴通讯股份有限公司的工程师利用MATLAB和Simulink提供的系列工具箱快速完成了5G全光承载网高速数据通信链路设计和实现，助力全光网通信设备快速上市，提升了产品竞争力。

形式化方法赋能车规级芯片底层软件开发

16:15–16:45

汽车IC制造商须随产品提供高可靠性和高性能的嵌入式软件，如AUTOSAR MCAL、设备驱动程序、CPU自检软件及固件，并符合功能安全(ISO 26262)和信息安全(ISO/SAE 21434)标准。对于其客户来说，要充分发挥半导体硬件和软件堆栈，高效开发高质量产品，这些嵌入式软件至关重要。

本次演讲将介绍，如何将形式化方法应用于源代码，分析和验证软件重要属性，包括穷举分析运行时错误。然后，我们将演示如何使用Polyspace^®分析代码，评估并促进低内存占用、高性能的代码编写，而无需折衷代码健壮性。最后，我们将介绍，在软件开发生命周期的不同阶段，如何使用Polyspace来分析考量软件的性能。

低代码AI: 让每个人都可以使用AI

9:00-12:00

在本次上机实践中，我们将展示无需广泛的编程知识的每个人都可以使用 AI。此实践课程包括对 AI 基础知识的快速回顾和 3 个练习，您将在其中学习如何使用 MATLAB^® 的交互式工具和应用程序对人类活动进行分类。我们将首先访问和预处理从移动设备获取的数据。然后，我们将使用数据聚类实时任务将聚类应用于未标记的数据。接下来，我们将使用 2 个不同的应用程序对已标注的数据进行分类：分类学习器和深度网络设计器。分类学习器用于选择和训练不同的机器学习模型。 深度网络设计器用于设计和训练深度学习模型。最后，我们将根据新的、模型没有见过的数据评估我们的模型。

在实践结束时，您将能够设计和训练不同的机器学习和深度学习模型，而无需具备广泛的编程知识。您还将学习如何从交互式工作流中自动生成代码。这不仅可以帮助您重复使用模型而无需手动完成所有步骤，还可以帮助您学习编程或提高您的编码技能。

使用Simscape Electrical进行电气系统建模的最佳实践

9:00–12:00

在本次上机实践中，我们将探讨使用Simscape Electrical™进行电力系统仿真的建模。通过一个交流/直流混合系统的工作实例，主要内容包括：

• 介绍Simscape Electrical
• 为特定的工程任务选择适当的模型保真度
• 选择适当的求解器来有效地仿真给定保真度的模型
• 确保在一系列模型保真度下的行为一致性
• 对不同的物理网络使用不同的采样时间来提高仿真性能
• 准备在多个CPU上进行实时仿真所需的模型
• 在网络上部署独立的模型

MATLAB与Python

13:30–16:30

你需要同时使用MATLAB^®和Python^®吗? MATLAB提供了灵活的、与其它第三方语言双向集成的功能，包括Python。在这次实践中，您将同时实例学习如何使用MATLAB和Python的混合编程。具体来说，你将学习如何:

• 在MATLAB中调用 Python库
• 在MATLAB中调用用户自定义的Python脚本和模块
• MATLAB和Python的数据类型转换    
• 打包MATLAB代码并在Python中调用

使用MATLAB进行SerDes设计和信号完整性仿真

13:30–16:30

在本次上机实践中，我们将展示利用 CTLE、DFE、FFE 和 CDR 等基于 MATLAB^® 的构建模块，来搭建您选择的SerDes架构，运用统计分析和时域仿真您可以快速地评估设计效果。您可以使用MATLAB自动生成 IBIS-AMI 模型。

在获得IBIS-AMI模型以后，我们会利用MATLAB信号完整性工具箱提供的串行链路App搭建一个高速背板的通道模型（包含走线，过孔和连接器的S参数），并且会将LineCard的走线长度和连接器的S参数作为参数扫描的变量进行扫描，得到不同条件下的通道指标。最后还会演示如何通过调整Tx和Rx的EQ等参数改善眼图质量。