R2022a im Überblick

MATLAB-Produktfamilie

MATLAB

• 3 neue Apps: Data Cleaner, Hardware Manager, Code Compatibility Analyzer
• pcode: Neues pcode-Dateiformat mit stärkerer Obfuskation
• Python: Einfachere Schlüsselwortübertragung mit name=value-Syntax und Editor-Unterstützung für Python-Code
• Grafik: Erstellen animierter GIF-Dateien, Übertragen von Tabellen direkt in plot-, plot3-, polarplot- und andere Funktionen zur grafischen Darstellung von Zeilen
• Erstellung einer App: Erstellen benutzerdefinierter UI-Komponenten mit dem App Designer
• Live Editor: Entwickeln eigener Live Editor Tasks
• N-D Array-Mathematik: tensorprod, pagemldivide, pagemrdivide und pageinv
• Parquet-Dateien: Bedingte Filter (Predicate Pushdown) mit rowfilter; Unterstützung für das Lesen und Schreiben von Zeilengruppen und verschachtelten Datenstrukturen

KI, Data Science und Statistik

Deep Learning Toolbox

• Modellkomprimierung (Pruning): Erstellen komprimierter Versionen von Modellen, die weniger Computerressourcen verbrauchen
• MATLAB Deep Learning Model Hub: Entdecken und verwenden von vortrainierten Deep-Learning-Modellen
• Bereitstellung importierter Modelle: Codegenerierung für zusätzliche integrierte Keras- und ONNX-Ebenen
• Batch-Experimente mit Experiment Manager: Ausführen mehrerer Experimente gleichzeitig auf einem Remote-Cluster (erfordert MATLAB Parallel Server)
• 1D-Faltungsnetzwerke: Erstellen und Trainieren von Netzen mit transponierter 1D-Faltung für Sequenz- und Zeitreihendaten

Statistics and Machine Learning Toolbox

• Apps für Machine Learning: Sitzungen speichern und fortsetzen; Merkmale nach Wichtigkeit bewerten und auswählen, Reservieren von Daten zum Testen
• Inkrementelles Machine Learning: Drift-Erkennung an Streamingdaten durchführen, Trainieren von Kernel und linearen Mehrklassenmodellen
• Bereitstellung: Generieren von C/C++ Code zur Inferenz mit flachen neuronalen Netzen
•  Simulink: Simulink-Block für Gaußsche Prozessregression

Curve Fitting Toolbox

• Curve Fitter-App: Neues benutzerfreundlicheres Toolstrip-Design, Auswahl von Einpassungs- und Validierungsdaten aus MATLAB-Tabellendatentypen

Regelungssysteme

Model Predictive Control Toolbox

• MISRA C 2012: Implementierung von MISRA C:2012-konformen Reglern mit linearen MPC- und ADAS-Blöcken in Simulink

System Identification Toolbox

• Nichtlineare Systemidentifikation: Erstellen von Hammerstein-Wiener-Modellen, die auf Machine-Learning-Algorithmen basierende Regressionsfunktionen nutzen

Simulink Design Optimization

• Surrogate Optimization Solver in Response Optimizer- und Parameter Estimator-App: Beschleunigen zeitraubender Optimierungsprobleme

Reinforcement Learning Toolbox

• Model-Based Policy Optimization Agent: Verwenden eines Umgebungsmodells, um Probeneffizienz und -untersuchung zu verbessern
• Multi-Agent Reinforcement Learning: Mehrere Agenten zentral trainieren, um effizienter zu untersuchen und zu lernen

Predictive Maintenance Toolbox

• Bereitstellung: Generieren von C/C++ Code für RUL-Ähnlichkeitsmodelle, Metriken rotierender Maschinen und nichtlineare Signalmerkmale
• Diagnostic Feature Designer: Extraktion stationärer Zeitreihenmerkmale aus Signaldaten

Mathematik und Optimierung

Optimization Toolbox

• Problembasierter Optimize Live Editor Task: Lösen von Optimierungsproblemen und Gleichungssystemen mithilfe einer visuellen Benutzeroberfläche

Global Optimization Toolbox

• Problembasierter Optimize Live Editor Task: Lösen globaler und Mehrziel-Optimierungsprobleme mithilfe einer visuellen Benutzeroberfläche

Symbolic Math Toolbox

• Symbolische Matrixfunktionen: Parameterabhängige Berechnungen der linearen Algebra in kompakter Matrixnotation

Partial Differential Equation Toolbox

• Elektromagnetische Analyse: Lösen von Problemen der zeitharmonischen Wellenstreuung und -übertragung mithilfe einer Finite-Elemente-Methode
• Thermische Modelle mit reduzierter Ordnung: Näherungslösungen für dynamische Charakteristiken eines thermischen Modells zur schnelleren Ausführung (z. B. für Batterien und CPUs)

Bereitstellung von Anwendungen

MATLAB Compiler SDK

• Microservice-Integration: Erstellen eines Microservice-Docker-Image mithilfe der compiler.package.microserviceDockerImage-Funktion

MATLAB Production Server

• Web Request Handlers: Unterstützung für benutzerdefinierte URL-Routen und Anfragenutzlasten

Codegenerierung

AUTOSAR Blockset

• Adaptive AUTOSAR: Verwenden von ara::com-Methoden und ara::com-Ereignissen mit serviceorientierter Kommunikationsunterstützung
• Classic AUTOSAR: Simulieren von Ausfall- und Wiederherstellungsereignissen für Softwarekomponenten, einschließlich Version 19-11

DDS Blockset

• Unterstützung für RTI Connext Micro-Kommunikationsmiddleware

Fixed-Point Designer

• Schätzen von Entwurfskosten des Datenspeicherverbrauchs und der Operator-Anzahl in generiertem Code

MATLAB Coder und GPU Coder

• Erzeugen von generischem C/C++ Code für zusätzliche Deep-Learning-Ebenen
• Verbesserte Leistung für Deep-Learning-Netzebenen, einschließlich SIMD
• Unterstützung für zusätzliche integrierte TensorFlow-Keras- und ONNX-Ebenen
• Integrieren vortrainierter TensorFlow Lite-Modelle zur Simulation und Codegenerierung

Simulink Coder

• Spezifizieren optimierbarer Parameter für geschützte Modelle

Embedded Coder

• Verwenden verschiedener Bereitstellungstypen, um die Konfiguration der oberen sowie der referenzierenden Modellschnittstellen zu vereinfachen
• Verbessern der Einhaltung von MISRA C:2012, MISRA C++:2008 und AUTOSAR C++14
• Profil der Stack-Auslastung zur Abschätzung des Speicherverbrauchs