R2022a en bref

Famille de produits MATLAB

MATLAB

• Trois nouvelles applications : Data Cleaner, Hardware Manager et Code Compatibility Analyzer
• pcode : utilisez le nouveau format de fichier pcode avec une offuscation plus importante
• Python : utilisez des passages de mots-clés plus simples avec la syntaxe nom=valeur et un support du code Python dans l'éditeur
• Graphiques : créez des fichiers GIF animés, passez directement des tables aux fonctions plot, plot3, polarplot et à d'autres fonctions de tracé.
• Création d'applications : créez des composants UI personnalisés avec App Designer
• Live Editor : développez vos propres tâches du Live Editor
• N-D Array Math : tensorprod, pagemldivide, pagemrdivide et pageinv
• Fichiers Parquet : utilisez le filtrage conditionnel (Predicat Pushdown) avec rowfilter, support pour la lecture et l'écriture de groupes de lignes et de structures de données imbriquées

IA, Data Science et statistiques

Deep Learning Toolbox

• Élagage de modèles : créez des versions compressées des modèles qui consomment moins de ressources de calcul
• MATLAB Deep Learning Model Hub : découvrez et utilisez des modèles de Deep Learning pré-entraînés
• Déploiement de modèles importés : générez du code pour des couches Keras et ONNX prédéfinies supplémentaires
• Expérimentations en batch sur Experiment Manager : exécutez plusieurs expérimentations simultanément sur un cluster distant (nécessite MATLAB Parallel Server)
• Réseaux à convolution 1D : créez et entraînez des réseaux avec une convolution 1D transposée pour des séries temporelles et de séquences

Statistics and Machine Learning Toolbox

• Applications de Machine Learning : enregistrez et reprenez des sessions, classez et sélectionnez des caractéristiques par importance et réservez des données pour les tests
• Machine Learning incrémental : effectuez la détection de la dérive sur des données en streaming, entraînez des modèles linéaires multiclasses et à noyau
• Déploiement : générez du code C ou C++ pour l'inférence avec des réseaux de neurones peu profonds
•  Simulink : bloc Simulink pour la régression par processus gaussien

Curve Fitting Toolbox

• Application Curve Fitter : utilisez le nouveau design de barre d'outils défini pour une meilleure ergonomie, sélectionnez les données d'ajustement et de validation depuis les types de données de tableau de MATLAB

Systèmes de contrôle

Model Predictive Control Toolbox

• MISRA C 2012 : implémentez des contrôleurs MISRA C:2012 conformes avec les blocs linear MPC et ADAS dans Simulink

System Identification Toolbox

• Identification de systèmes non linéaires : créez des modèles Hammerstein-Wiener utilisant des fonctions de régression basées sur des algorithmes de Machine Learning

Simulink Design Optimization

• Solveur Surrogate Optimization dans les applications Response Optimizer et Parameter Estimator : accélérez la résolution des problèmes d'optimisation chronophages

Reinforcement Learning Toolbox

• Agent d'optimisation de politique basée sur des modèles : utilisez un modèle de l'environnement pour améliorer l'efficacité et l'exploration des échantillons
• Reinforcement Learning Multi-Agents : entraînez plusieurs agents de manière centralisée pour une exploration et un apprentissage plus efficaces

Predictive Maintenance Toolbox

• Déploiement : générez du code C/C++ pour des modèles de similarité RUL, les métriques de machines rotatives et les caractéristiques de signaux non linéaires
• Diagnostic Feature Designer : réalisez l'extraction de caractéristiques de séries temporelles stationnaires à partir de signaux

Mathématiques et optimisation

Optimization Toolbox

• Tâche Problem-based Optimize du Live Editor : résolvez des problèmes d'optimisation et des systèmes d'équations en utilisant une interface visuelle

Global Optimization Toolbox

• Tâche Problem-based Optimize du Live Editor : résolvez des problèmes d'optimisation globaux et multi-objectifs en utilisant une interface visuelle

Symbolic Math Toolbox

• Fonctions pour les matrices symboliques : effectuez des calculs d'algèbre linéaire dépendant de paramètres dans une notation matricielle compacte

Partial Differential Equation Toolbox

• Analyse électromagnétique : résolvez des problèmes d'émission et de diffusion d'harmoniques temporelles avec la méthode des éléments finis
• Modèles thermiques d'ordre réduit : Approximez des caractéristiques dynamiques d'un modèle thermique pour une exécution plus rapide (par exemple, pour les batteries et les CPU)

Déploiement d'application

MATLAB Compiler SDK

• Intégration de microservices : créez une image Docker pour un microservice en utilisant la fonction compiler.package.microserviceDockerImage

MATLAB Production Server

• Gestionnaires de requêtes Web : support pour les routages d'URL personnalisés et les payloads de requêtes

Génération de code

AUTOSAR Blockset

• AUTOSAR Adaptive : utilisez les méthodes ara::com et les événements ara::com avec un support de communication orienté service
• AUTOSAR Classic : simulez la panne et la récupération d'un composant logiciel de base, comprenant la version 19-11

DDS Blockset

• Support pour le middleware de communication RTI Connext Micro

Fixed-Point Designer

• Estimez les coûts de design de la consommation de mémoire et du nombre d'opérateurs dans le code généré

MATLAB Coder et GPU Coder

• Générez du code C/C++ générique pour plus de couches de Deep Learning
• Améliorez la performance des couches de réseau de Deep Learning, y compris les techniques SIMD
• Support pour les couches supplémentaires TensorFlow-Keras et ONNX prédéfinies
• Incorporez des modèles préentraînés TensorFlow Lite pour la simulation et la génération de code

Simulink Coder

• Spécifiez les paramètres réglables pour des modèles protégés

Embedded Coder

• Utilisez des types de déploiement pour simplifier la configuration des interfaces de modèles supérieurs et de référence
• Améliorez la conformité pour MISRA C:2012, MISRA C++:2008 et AUTOSAR C++14
• Profilez l'utilisation de la stack pour évaluer la consommation de la mémoire