国外把基于模型的系统工程（Model-BasedSystems Engineering，MBSE）视为系统工程的“革命”、“系统工程的未来[1]”、“系统工程的转型”[2]等。国内中航工业集团也开展了相关研究和应用。本文首先对“系统工程是组织管理的技术”这一定义进行分析，从根子上探究系统工程的本质是什么，进而从系统建模的角度认识系统工程与系统建模技术的关系。系统工程包括技术过程和管理过程两个层面，技术过程遵循分解－集成的系统论思路和渐进有序的开发步骤，即V型图所示。管理过程包括技术管理过程和项目管理过程。工程系统的研制，实质是建立工

航空，汽车行业，simulink基于模型开发的确认和验证过程培训资料，内容详实，过程满足航空适航过程和汽车相关安全规定。

5.2 基于特征迁移 基于特征的迁移方法 (Feature based Transfer Learning) 是指将通过特征变换的方 式互相迁移 [Liu et al., 2011, Zheng et al., 2008, Hu and Yang, 2011]，来减少源域和目标 域之间的差距；或者将源域和目标域的数据特征变换到统一特征空间中 [Pan et al., 2011, Long et al., 2014b, Duan et al., 2012]，然后利用传统的机器学习方法进行分类识别。根据 特征的同构和异构性，又可以分为同构和异构迁移学习。图 15很形象地表示了两种基于特 征的迁移学习方法。 图 15: 基于特征的迁移学习方法示意图 基于特征的迁移学习方法是迁移学习领域中最热门的研究方法，这类方法通常假设源 域和目标域间有一些交叉的特征。香港科技大学的 Pan 等人 [Pan et al., 2011] 提出的迁移 成分分析方法 (Transfer Component Analysis, TCA)是其中较为典型的一个方法。该方法的 核心内容是以最大均值差异 (Maximum Mean Discrepancy, MMD) [Borgwardt et al., 2006] 作为度量准则，将不同数据领域中的分布差异最小化。加州大学伯克利分校的 Blitzer 等 人 [Blitzer et al., 2006] 提出了一种基于结构对应的学习方法 (Structural Corresponding Learning, SCL)，该算法可以通过映射将一个空间中独有的一些特征变换到其他所有空间 中的轴特征上，然后在该特征上使用机器学习的算法进行分类预测。清华大学龙明盛等 人 [Long et al., 2014b]提出在最小化分布距离的同时，加入实例选择的迁移联合匹配 (Tran- fer Joint Matching, TJM) 方法，将实例和特征迁移学习方法进行了有机的结合。澳大利亚 卧龙岗大学的 Jing Zhang 等人 [Zhang et al., 2017a] 提出对于源域和目标域各自训练不同 的变换矩阵，从而达到迁移学习的目标。 近年来，基于特征的迁移学习方法大多与神经网络进行结合 [Long et al., 2015a, Long et al., 2016, Long et al., 2017, Sener et al., 2016]，在神经网络的训练中进行学习特征和模型的迁移。由 于本文的研究重点即是基于特征的迁移学习方法，因此，我们在本小节对这类方法不作过多 介绍。在下一小节中，我们将从不同的研究层面，系统地介绍这类工作。 5.3 基于模型迁移 基于模型的迁移方法 (Parameter/Model based Transfer Learning) 是指从源域和目 标域中找到他们之间共享的参数信息，以实现迁移的方法。这种迁移方式要求的假设条 件是：源域中的数据与目标域中的数据可以共享一些模型的参数。其中的代表性工作主要 19

通过从YELP中获取数据，实现基于内存的CF模型和基于模型的CF模型的简单推荐系统。

预算matlab代码国际劳工大会 gILC是用于非线性系统迭代学习控制（ILC）通用方法的开源软件。 迭代学习控制是对需要重复执行给定任务的动态系统进行开环控制的策略。 其目的是通过使用有关先前试验的跟踪性能的信息来拒绝重复干扰并改善跟踪控制。 gILC允许用户以最小的编码工作量在各种设置中调整算法。 即使对于长控制任务，它也具有出色的计算效率，因此减少了两次试验之间所需的计算时间。 gILC最初由Marnix Volckaert于2012年开发。目前由Armin Steinhauser对其进行维护和修改，以适应新的研究课题。 在这种适应过程中，包括了gILC的Matlab翻译。 笔记 使用gILC之前，请确保获得（至少v3.0）。 可以找到原始发行的软件（v1.3）。 如果无法访问此网站，其内容将打包在doc文件夹中。 版本历史 v1.4，09/2016 更改为CasADi v3.0语法 期望单独的CasADi安装并放弃安装模式 包括Matlab版本 移至Github仓库 v1.3，2012年5月 更新了手册文件 v1.2 包含的选项可提供其他状态的数量（不会设置为等于初始状态值）

人工智能-机器学习-软件工程中基于模型驱动架构的模型转换技术研究.pdf

Simulink培训类：基于模型的设计基础。恒润的培训资料，便于初学者参考学习。介绍了面向DSP和FPGA自动代码生成技术。

基于模型的控制系统故障诊断技术的最新进展

内容：基于双轮差速运动学模型，建立预测模型并离散化，线性化，通过模型预测控制（mpc)实现双轮差速小车对给定轨迹的跟踪。 实现方式：matlab脚本函数（注意：非simulink方式）

为了解决微电网自身分布式能源就地消纳及参与上层电网需求响应的功率调度问题，提出一种微电网多时间尺度需求响应资源优化调度方法。建立了微电网多时间尺度需求响应调度框架，结合微电网的运行成本和需求响应补偿收益建立了日前最优经济调度模型；为了校正可再生能源和负荷的预测偏差，基于模型预测控制(MPC)方法建立了以联络线功率偏差和储能荷电状态(SOC)偏差最小为目标的日内滚动优化调度模型，通过引入可调容量比例因子考虑了微电网联络线功率的调节能力，保证微电网在消纳可再生能源的同时具备一定的可调容量；以实际微电网示范工程为例分析验证了所提方法的有效性和可行性，实验结果表明所提框架可使微电网有效地参与短时需求响应市场。