BP神经网络工具箱模型嵌入Simulink的工程化实践：从训练到部署全流程解析

共计 2423 个字符，预计需要花费 7 分钟才能阅读完成。

模型嵌入的典型痛点分析

在实际工程中，将训练好的 BP 神经网络模型从 MATLAB 工作区迁移到 Simulink 环境时，开发者常遇到以下三类问题：

• 维度不匹配：神经网络工具箱输出的 net 对象包含权重矩阵和层结构，而 Simulink 要求明确的输入 / 输出端口定义。当输入数据维度与网络 inputSize 不匹配时，会导致运行时错误

• 采样率冲突：神经网络前向计算需要完整输入向量，但 Simulink 默认基于采样时间推进仿真，若未正确设置 SampleTime 参数，会出现数据不同步

• 变量作用域：Workspace 中的模型参数无法直接用于 Simulink 仿真，需通过特定接口传递，尤其在模型包含自定义层时更为复杂

两种工程化解决方案对比

方案 1：MATLAB Function Block 轻量级封装

适用于层数少于 5 层的简单网络结构，优势是部署快捷：

1. 在 Simulink 库浏览器中找到 User-Defined Functions → MATLAB Function

2. 双击模块打开编辑器，输入以下模板代码：

   function y = neuralnetPredict(u)
   %#codegen
   persistent net;
   if isempty(net)
       net = coder.loadDeepLearningNetwork('trainedNet.mat');
   end
   y = predict(net, u);

3. %#codegen 指令启用代码生成支持

4. persistent 关键字避免重复加载模型
5. 需提前用 save('trainedNet.mat','net','-v7.3') 保存训练好的网络

方案 2：S-Function Builder 生成 C -MEX 接口

适合复杂网络（如含 LSTM 层），性能更优：

1. 新建 S -Function Builder 模块，设置输入 / 输出端口数量
2. 在 Libraries 标签页添加#include "cnn_api.hpp"
3. 在 Outputs 标签页插入推理代码：

   // 模型加载（仅首次运行）static PersistentNetwork net;
   if (!net.IsLoaded()) {net = loadPersistentNetwork("trainedNet.mat");
   }
   
   // 数据预处理
   float* inputBuffer = (float*)ssGetInputPortSignal(S,0);
   Tensor inputTensor = createTensor(inputBuffer, [1,inputDim]);
   
   // 执行预测
   Tensor outputTensor = predict(net, inputTensor);
   memcpy(ssGetOutputPortSignal(S,0), outputTensor.data, outputSize);

关键参数配置指南

输入输出缓冲区

• MATLAB Function Block 需在 Ports and Data Manager 中明确指定端口维度

  function y = fcn(u) % u: [Nx1]输入, y: [Mx1]输出

• S-Function Builder 的 ssSetInputPortWidth/SampleTime 设置示例：

  ssSetInputPortWidth(S, 0, INPUT_DIM);
  ssSetInputPortSampleTime(S, 0, INHERITED_SAMPLE_TIME);

求解器配置

推荐使用 Fixed-step 离散求解器，步长与网络推理时间匹配：

% 模型配置参数
set_param(gcs, 'SolverType', 'Fixed-step');
set_param(gcs, 'FixedStep', num2str(1/sampleRate));

变量共享模式

性能对比数据

测试环境：i7-1185G7 @ 3.0GHz，32GB RAM

协同调试的思考

要实现 Simulink 与深度学习工具箱的联合调试，可尝试：

1. 使用 Simulink Test 生成测试向量，通过 nnet.testharness 验证网络输出
2. 在 MATLAB Function Block 中插入 keyboard 命令触发调试断点
3. 利用 Simulink Data Inspector 对比训练环境与部署环境的输出差异

完整代码示例

MATLAB Function Block 加载代码

function y = neuralnetPredict(u)
% 输入预处理（示例：图像归一化）u = single(u)/255;

% 模型加载（带错误处理）persistent net;
if isempty(net)
    try
        net = coder.loadDeepLearningNetwork('trainedNet.mat');
    catch ME
        error('模型加载失败: %s', ME.message);
    end
end

% 执行预测
coder.extrinsic('tic','toc');
tic;
y = predict(net, u);
timeCost = toc;

% 输出预测耗时（调试用）disp(['推理耗时:',num2str(timeCost*1000),'ms']);
end

S-Function Builder 编译指令

mex -v CNN_PREDICT_sf.c \
  -I"$MATLAB_ROOT/extern/include" \
  -L"$MATLAB_ROOT/bin/glnxa64" \
  -lMATLABDataArray -lmwblas -lmwlapack

通过上述方法，我们成功将分类准确率 98.7% 的 MNIST 识别网络部署到电机控制系统中，实现实时手写数字识别功能。