MATLAB
PulseAugur coverage of MATLAB — every cluster mentioning MATLAB across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
轻量级CNN解读毛绒玩具的情感触碰
研究人员开发了一种用于对软体机器人伴侣的情感触碰进行分类的轻量级一维卷积神经网络（CNN）。本研究介绍了一个开源MATLAB框架和一个包含25名参与者标记的1326个手势序列的数据集。该紧凑型CNN模型拥有13.2k个参数，测试准确率达到75%，并能在微控制器上实现实时运行，从而在治疗设备中实现保护隐私的触碰解读。
-
新型AI助手VectorizationLLM助力学生进行MATLAB分析
一款名为VectorizationLLM的新型AI助手已被开发出来，它基于Google的开源LLM。该模型专门设计用于帮助学生在MATLAB环境中学习智能向量化、傅里叶分析和微分方程等复杂主题。它充当一个指导性助手，提供详细的解释和示例，但不直接提供答案，并利用RAG知识库和系统提示架构。
-
AI 模型通过干扰抑制提高雷达高度计精度
研究人员开发了一种时间卷积自编码器 (TCAE)，旨在减轻 FMCW 雷达高度计中的干扰。该深度学习模型直接处理同相和正交 (IQ) 样本，以抑制结构化干扰，同时保留用于精确高度估计的关键信号特征。初步评估表明，TCAE 显著减少了高度估计误差，在干扰水平高和带宽重叠的挑战性条件下，其性能优于传统的自适应滤波方法。
-
新框架统一了基于能量模型的统计方法
研究人员开发了一个统一的框架，将多种统计方法（包括噪声对比估计 (NCE)、反向逻辑回归 (RLR)、多重重要性采样 (MIS) 和桥采样）联系起来，专门用于基于能量的模型 (EBM)。这种统一的视角揭示了这些方法在特定条件下的等价性，从而深入了解它们之间的关系，并能够创建新的、可能更有效的估计器。这项工作旨在阐明 NCE 的成功之处并确定其改进领域，提供方法论贡献并发布 MATLAB 代码以供复现。
-
Databricks 发布开源 Impulse，用于大规模传感器数据分析
Databricks 发布了 Impulse，一个开源框架，旨在简化领域工程师对大规模时间序列传感器数据的分析。Impulse 在 Databricks 平台上运行，允许用户使用简单的 Python 表达式分析数百太字节的测量数据，而无需深入了解大数据框架。移动技术公司 AVL 已采用 Impulse 来实现其数据分析现代化，将分析时间从几天大幅缩短至几分钟，并标准化其测量数据分析流程。
-
开源模型：从专有模型切换几乎没有坏处
Andrew Marble 认为，使用开源 AI 模型相关的职业风险正在减小，这与过去从 Windows 转向 Linux 的过程类似。虽然 Claude 和 GPT 等专有模型目前在性能上处于领先地位，并提供更用户友好的 API，但 Marble 认为差距正在缩小。他预计，日益增长的隐私担忧以及对顶级模型可能提出的身份验证要求，将促使用户转向开源替代方案，即使这意味着生产力会暂时下降。
-
Agentic AI 将通过基于模型的设计开发嵌入式系统
Agentic AI 系统可用于通过基于模型的设计方法开发嵌入式系统。此方法利用 AI 代理来简化开发过程，有可能提高创建复杂嵌入式系统的效率和能力。将 AI 代理与 MATLAB 和 Simulink 等工具集成被视为实现这一目标的一种途径。
-
新的DPCA方法增强盲源分离
研究人员推出了一种名为解离主成分分析（DPCA）的新颖方法，旨在改进盲源分离。与传统的顺序分量提取不同，DPCA联合估计分量，以更好地模拟相互依赖性。该方法结合了稀疏性约束，并利用自适应阈值算法来增强源结构的恢复，尤其是在存在显著重叠的情况下。DPCA在多种应用中表现出卓越的性能，包括fMRI数据分析、前景背景分离和图像重建，并提供了公开可用的MATLAB实现。
-
R语言在TIOBE指数中达到历史新高；AI编码研究显示ChatGPT潜力
一项最新研究探讨了AI在因果推断编码方面的能力，特别是考察了ChatGPT在Python、R和Stata上的表现。同时，2026年5月的TIOBE指数显示R语言已达到历史新高的第8位，这表明统计计算领域正在增长。这种整合似乎有利于Python和R，而其他统计软件如MATLAB、SAS、SPSS、Wolfram和Stata则处于劣势。
-
Sequential Learning and Catastrophic Forgetting in Differentiable Resistor Networks
研究人员开发了一种新型的模拟电阻网络，无需传统处理器即可执行机器学习任务。该系统基于晶体管，能够学习和适应新任务，展示了高能效计算的潜力。虽然目前仍是原型，但该技术在边缘设备应用方面显示出前景，并可能在特定机器学习工作负载方面最终超越传统数字处理器。