Breve riepilogo su R2022a

Famiglia di prodotti MATLAB

MATLAB

• 3 nuove App: Data Cleaner, Hardware Manager, Code Compatibility Analyzer
• pcode: utilizzo del nuovo formato di file pcode con maggiore offuscamento
• Python: utilizzo di keyword passing semplificato con sintassi name=value e supporto dell’editor per il codice Python
• Grafica: creazione di file GIF animati; passaggio delle tabelle direttamente a plot, plot3, polarplot e altre funzioni di line plotting
• Creazione di applicazioni: creazione di componenti personalizzati IU con App Designer
• Live Editor: sviluppo delle proprie attività in Live Editor
• Matematica N-D Array: tensorprod, pagemldivide, pagemrdivide e pageinv
• File Parquet: utilizzo di filtraggio condizionale (Predicate Pushdown) con rowfilter; supporto per la lettura e scrittura di gruppi di righe e strutture dati annidate

Intelligenza artificiale, Data Science e statistica

Deep Learning Toolbox

• Pruning di modelli: creazione di una versione compressa dei modelli che consuma meno risorse computazionali
• Hub per i modelli di Deep Learning di MATLAB: scoperta e utilizzo di modelli di Deep Learning pre-addestrati
• Distribuzione di modelli importati: generazione di codice per ulteriori livelli integrati di Keras e ONNX
• Esperimenti in batch con Experiment Manager: esegui più esperimenti simultaneamente su un cluster remoto (richiede MATLAB Parallel Server)
• Reti convoluzionali 1D: creazione e addestramento di reti con convoluzione trasposta 1D per dati di serie sequenziali e temporali

Statistics and Machine Learning Toolbox

• App di Machine Learning: salvataggio e ripresa delle sessioni, classificazione e selezione delle feature per importanza e riserva dei dati per i test
• Machine Learning incrementale: rilevamento di Drift su dati in streaming; addestramento di modelli lineari kernel e multiclasse
• Distribuzione: generazione di codice C/C++ per l’inferenza con reti neurali superficiali
•  Simulink: blocco Simulink per la regressione del processo gaussiano

Curve Fitting Toolbox

• App Curve Fitter: nuovo design dalla toolstrip per una migliore usabilità; selezione dei dati di adattamento e convalida dai tipi di dati della tabella MATLAB

Sistemi di controllo

Model Predictive Control Toolbox

• MISRA C:2012: implementazione di controller MISRA conformi a C:2012 con blocchi MPC e ADAS lineari in Simulink

System Identification Toolbox

• Identificazione di sistemi non lineari: creazione di modelli Hammerstein-Wiener che utilizzano funzioni di regressione sulla base di algoritmi di Machine Learning

Simulink Design Optimization

• ottimizzazione dei surrogati in solutori nelle app Response Optimizer e Parameter Estimator: accelerazione dei problemi di ottimizzazione che richiedono tempo

Reinforcement Learning Toolbox

• Agente di ottimizzazione delle politiche basato sui modelli: utilizzo di un modello dell'ambiente per migliorare l'efficienza e l’esplorazione del campione
• Reinforcement Learning a più agenti: addestramento di più agenti in modo centralizzato per un'esplorazione e un apprendimento più efficienti

Predictive Maintenance Toolbox

• Distribuzione: generazione di codice C/C++ per modelli di similarità RUL, metriche di macchine rotanti e feature di segnali non lineari
• Diagnostic Feature Designer: estrazione di feature di serie temporali stazionarie da dati di segnale

Matematica e ottimizzazione

Optimization Toolbox

• Ottimizzazione basata su problemi di attività di Live Editor: risoluzione di problemi di ottimizzazione e sistemi di equazioni utilizzando un'interfaccia visiva

Global Optimization Toolbox

• Ottimizzazione basata su problemi di attività di Live Editor: risoluzione di problemi di ottimizzazione globale e multiobiettivo utilizzando un'interfaccia visiva

Symbolic Math Toolbox

• Funzione di matrice simbolica: esecuzione di calcoli di algebra lineare dipendenti dai parametri in notazione a matrice compatta

Partial Differential Equation Toolbox

• Analisi elettromagnetica: risoluzione di problemi di diffusione e trasmissione di onde tempo-armoniche utilizzando un metodo degli elementi finiti
• Modelli termici di ordine ridotto: approssimazione delle caratteristiche dinamiche di un modello termico per un'esecuzione più veloce (ad esempio, per batterie e CPU)

Distribuzione di applicazioni

MATLAB Compiler SDK

• Integrazione di microservizi: creazione di un’immagine Docker di microservizio utilizzando la funzione compiler.package.microserviceDockerImage

MATLAB Production Server

• Gestori di richieste web: supporto per percorsi URL e payload di richieste personalizzati

Generazione di codice

AUTOSAR Blockset

• Adaptive AUTOSAR: utilizzo di ara::com methods e ara::com:: con eventi di supporto alla comunicazione orientati ai servizi
• Classic AUTOSAR: simulazione di guasti e recupero degli eventi dei componenti del software di base, compresa la release 19-11

DDS Blockset

• Supporto per il middleware di comunicazione RTI Connext Micro

Fixed-Point Designer

• Stima dei costi di progettazione del consumo di memoria dati e del numero di operatori nel codice generato

MATLAB Coder e GPU Coder

• Generazione di codice generico C/C++ per più livelli di Deep Learning
• Miglioramento delle prestazioni per i livelli di rete di Deep Learning, incluso SIMD
• Supporto per livelli integrati di TensorFlow-Keras e ONNX aggiuntivi
• Incorporazione di modelli TensorFlow Lite pre-addestrati per la simulazione e la generazione di codice

Simulink Coder

• Specificazione dei parametri sintonizzabili per i modelli protetti

Embedded Coder

• Utilizzo dei tipi di distribuzione per semplificare la configurazione delle interfacce del modello superiore e di riferimento
• Miglioramento della conformità per MISRA C:2012, MISRA C++:2008 e AUTOSAR C++14
• Profilazione dell’utilizzo di stack per valutare il consumo di memoria