Alessandro Tarchini (MathWorks)
Letošní rok představuje významný milník ve vývoji Stateflow – nadstavby MATLABu pro modelování a simulaci kombinatorické a sekvenční logiky rozhodování pomocí stavových strojů a vývojových diagramů. Stateflow nyní umožňuje vytvářet grafy Stateflow pro provádění jako objekty MATLABu, aniž by bylo nutné používat prostředí Simulink. To umožňuje nový přístup k vývoji aplikací MATLAB – místo klasického programování můžeme navrhovat řídicí logiku aplikace pomocí Stateflow diagramů. Tuto techniku si ukážeme na vytvoření jednoduché aplikace pro rozpoznávání obrazu.
Michal Blaho (Humusoft)
Zaujímavé zmeny v základných moduloch MATLAB a Simulink, ďalších nadstavbách a nové produkty.
Jaroslav Jirkovský (Humusoft)
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.
Jaroslav Jirkovský (Humusoft)
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.
Jan Studnička (Humusoft)
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.
Jaroslav Jirkovský (Humusoft)
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.
Michal Blaho (Humusoft)
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.
Jaroslav Jirkovský (Humusoft)
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.
Martin Kožíšek (Humusoft)
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.
Martina Mudrová (Humusoft)
Stručný přehled aktuálních možností licencování programu MATLAB.
Jana Sárená (Humusoft)
Predstavenie real-time platformy dSPACE. Využitie hardware-in-the-loop testovania v automobilovom priemysle. Testovanie scenárov autonómneho riadenia.
Jan Studnička (Humusoft)
Tipy, triky a šikovné nástroje v prostředí MATLAB a Simulink formou podvečerního kvízu u sklenky lahodného moku.
Matouš Lorenc (Humusoft)
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.
Igor Podlubný, Jana Pócsová, Andrea Mojžišová, Tomáš Škovránek (Technická univerzita v Košiciach)
Představíme naše zkušenosti s používáním MATLABu pro náš výzkum a aplikace s důrazem na jeho vnitřní schopnost podporovat kreativní myšlení. Pokud jde o publikování našich výsledků, řídíme se myšlenkou reprodukovatelného výzkumu a naše publikace doprovázíme našimi sadami nástrojů MATLAB. V posledních letech dokonce využíváme Live Editor MATLABu (v minulosti jsme používali export do LaTeXu nebo HTML) pro psaní nejen dokumentace k našim toolboxům, ale i výzkumných prací a také materiálů pro výuku přímo v MATLABu. Používání MATLABu pro výuku matematiky a dalších předmětů nám umožnilo změnit způsob, jakým studenti vnímají a chápou matematické nástroje, a tím pomoci studentům v dosahování lepších výsledků a úspěchu v různých studentských soutěžích.
Robert Grepl, Martin Appel (MECHSOFT s.r.o.)
Petr Kolář (Geofyzikální Ústav AV ČR), Matěj Petružálek (Geologický Ústav AV ČR)
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)
Martin Šiler (Ústav přístrojové techniky AV ČR)
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.