This year marks a significant milestone in development of Stateflow - MATLAB add-on for modeling and simulation of combinatorial and sequential decision logic using state machines and flow charts. Stateflow now allows creating Stateflow charts for execution as MATLAB objects, without the necessity to use Simulink environment. This enables a novel approach to developing MATLAB applications - instead of classical programming, we can design application control logic using Stateflow Charts. This technique will be demonstrated on creating a simple image recognition application.

Zaujímavé zmeny v základných moduloch MATLAB a Simulink, ďalších nadstavbách a nové produkty.

Deep Learning umožňuje řešit úlohy z oblasti počítačového vidění, jako je klasifikace snímků, detekce objektů na snímcích a sémantická segmentace obrazu, nebo úlohy z oblasti rozpoznávání signálů a návrhu pokročilých řídicích systémů. Uplatnění nachází v automobilových aplikacích – ADAS a autonomní řízení, medicíně – diagnostika snímků a MRI, satelitním snímkování, rozpoznávání řeči či monitorování systémů. Nejnovější nástroje v prostředí MATLAB přinášejí grafický návrh a editaci deep learning modelů – nástroj Deep Network Designer, podporu modelů pro 3-D obrazová data, efektivní detekci objektů pomocí detektoru YOLO, grafické aplikace na označování obrázků, videa, signálů i zvuku, podporu výměny modelů přes ONNX formát a automatizované nasazení výsledných modelů na cílová zařízení prostřednictvím generování kódu v jazyce C nebo CUDA.

Úplnou novinkou je pak sada nástrojů pro Reinforcement Learning, techniku, která umožní aplikaci deep learningu k řešení komplexních úloh v oblasti automatického a autonomního řízení systémů a robotiky.

Přehled nástrojů prostředí MATLAB pro různé typy optimalizace. Představíme si možnosti řešení široké škály optimalizačních úloh pomocí Optimization a Global Optimization Toolboxu, automatický výpočet gradientů pro optimalizační řešič pomocí symbolických výpočtů, bayesovskou optimalizaci hyperparametrů algoritmů strojového učení, optimalizaci parametrů v Simulinkových modelech, optimalizaci portfolií a jiné.

Využití nástrojů MATLAB a Simulink k vývoji software pro monitorování stavu zařízení a prediktivní údržbu. Základem jsou prediktivní modely umožňující odhad zbývající životnost zařízení (RUL). Využít lze modely různých typů v závislosti na dostupných informacích z provozu sledovaného zařízení. Celý proces zahrnuje několik etap od sběru dat a výběru vhodných indikátorů stavu zařízení přes návrh a testování prediktivního modelu až po nasazení výsledného řešení v rámci podnikových systémů.

Nepresné merania zo snímačov sťažujú úspešnosť viacerých systémov. Aby sme vedeli presnejšie odhadnúť stavy systému ako je poloha alebo natočenie je potrebné zlúčiť dostupné informácie zo snímačov do jedného modelu. Na túto úlohu slúži senzorická fúzia, ktorá je zahrnutá v nástroji Sensor Fusion and Tracking Toolbox. Počas tohto príspevku si ukážeme tvorbu virtuálnych scenárov, odhady polohy a orientácie, estimačné filtre a sledovanie objektov pomocou multi-object trackera.

V prostředí Simulink můžete algoritmy vytvořit (= graficky modelovat), simulačně je prověřit a následně z nich automaticky vygenerovat program v jazyce C/C++ nebo HDL. Programování funkčního algoritmu však není jediným krokem ve vývoji softwarových a hardwarových systémů. Doplňují jej definice požadavků a plánování architektury výsledného řešení, návrh a správa testů nebo validace a integrace daného řešení v rámci širšího celku. MATLAB přinesl v nedávné době několik nástrojů, které umožní řešit tyto úkoly provázaně s vlastním návrhem funkčnosti. Patří mezi ně Simulink Requirements, Simulink Test, Simulink Check nebo Simulink Coverage. Nejnovější z těchto nástrojů je System Composer, který slouží k návrhu a analýze architektury SW systémů a který představuje logické přemostění mezi definicí požadavků a faktickou implementací algoritmů.

Představení simulačních nástrojů COMSOL Multiphysics, COMSOL Server a COMSOL Compiler určených pro matematické simulace fyzikálních dějů. Na přednášku navazuje workshop COMSOL Multiphysics v odpolední části programu.

Stručný přehled aktuálních možností licencování programu MATLAB.

Predstavenie real-time platformy dSPACE. Využitie hardware-in-the-loop testovania v automobilovom priemysle. Testovanie scenárov autonómneho riadenia.

Tipy, triky a šikovné nástroje v prostředí MATLAB a Simulink formou podvečerního kvízu u sklenky lahodného moku.

Návrh a aplikace antén pro mikrovlnný ohřev tkáně. Workshop je koncipovaný jako představení prostředí COMSOL Multiphysics a fyzikálních rozhraní pro simulaci mikrovlnných polí a šíření tepla v biologických tkáních. Na své si přijdou jak úplní začátečníci se zájmem o MKP simulace tak pokročilí uživatelé.

We will present our experience with using MATLAB for our research and applications, with an emphasis on its intrinsic ability to support creative thinking. When it comes to publishing our results, we follow the idea of reproducible research and accompany our publications with our MATLAB toolboxes. In recent years we even used MATLAB's Live Editor (in the past we were using export to LaTeX or HTML) for writing not only documentation to our toolboxes, but also research papers, as well as materials for teaching, directly in MATLAB. Using MATLAB for teaching mathematics and other courses allowed us to change the way how students perceive and understand mathematical tools, and therefore to help students in getting better results and succeeding in various student competitions.

* současný stav, zkušenosti s návrhem aplikací, motivace pro vytvoření frameworku
* popis vlastností frameworku: návrhový vzor Model-View-Controller, widgety, struktura modelu, práce s fyzikálními veličinami a další
* ukázkové aplikace

Pomocí konvoluční neuronové sítě (CNN) jsou identifikovány jevy akustické emise vznikající při zatěžování horninových vzorků. Zatímco vlastní architektura CNN je prakticky shodná s manuálovým doporučením, její vstup a výstup byl značne modifikován. Záznamy – původně časové řady – vstupují do identifikačního algoritmu ve formě spektrogramu. Finální identifikace pak není dána přímo výstupem CNN, ale je kombinací pravděpodobností všech uvažovaných tříd.

Prezentovaný výzkum publikován v roce 2022 v článku "A two-step algorithm for acoustic emission event discrimination based on recurrent neural networks"

* celý článek na vyžádání u autora

Optické zobrazování hluboko uvnitř tkání (mozku) s vysokým rozlišením je možné pouze pomocí endoskopů. Jako takovýto endoskop s minimálním průřezem můžeme využít multimódová optická vlákna. Ta však nejsou schopna přímo přenést obraz, protože jej pseudonáhodně přetvoří. Tento proces je charakterizován velkou transmisní maticí jejíž velikost může dosáhnout desítek GB.
Pro rychlé a matematicky náročné manipulace s touto maticí jsme navrhli klient-server architekturu, kde je experiment ovládán z prostředí LabVIEW a výpočty jsou prováděny v serverové aplikaci v MATLABu. Ukážeme základní principy jak přímo v MATLABu vytvořit serverovou aplikaci, která přijímá zprávy a jako odpověď zasílá vypočtené výsledky.