Entraînez un capteur virtuel à partir de données de mesure réelles
Data Sensors entraîne des modèles Random Forest, XGBoost et réseau de neurones directement sur vos propres enregistrements - aucun envoi vers le cloud, aucun pipeline d'annotation, aucun environnement Python séparé à maintenir. Pointez vers un fichier de mesure, choisissez les canaux d'entrée et la cible à reproduire, et laissez l'application trouver un modèle adapté.
Un fichier, plusieurs fichiers, ou tout un dossier
La plupart des outils de modélisation de capteurs supposent que vos données d'entraînement tiennent dans un seul fichier bien ordonné. Les campagnes de mesure réelles ne fonctionnent pas ainsi - un enregistreur de données se remplit, un essai est réparti sur plusieurs sessions, ou vous souhaitez simplement entraîner sur chaque cycle de conduite enregistré, pas seulement le dernier. Data Sensors entraîne séquentiellement sur autant de fichiers que vous le souhaitez, en les concaténant en un seul jeu de données, et gère même les fichiers où le même signal physique a été enregistré sous un nom de canal différent - une table de correspondance vous permet d'assigner le bon canal par fichier, une seule fois, et de réutiliser cette correspondance plus tard sous forme de CSV enregistré.
Sélecteur de source de données d'entraînement
(ce fichier / sélectionner des fichiers / sélectionner un dossier)
Random Forest, XGBoost, ou réseau de neurones - à vous de choisir
Il n'existe pas de famille de modèles universellement meilleure pour chaque problème de modélisation de capteur - un Random Forest est souvent le chemin le plus rapide vers une base solide, les arbres à boosting de gradient (XGBoost) peuvent extraire davantage de précision sur des signaux tabulaires structurés, et un réseau de neurones est généralement le bon choix lorsque la relation entre les entrées et la cible est lisse et fortement non linéaire. Data Sensors vous permet d'entraîner directement l'un des trois - et si vous n'êtes pas sûr de celui qui l'emportera réellement sur vos données, la Compétition de modèles les entraîne tous à la fois et les classe pour vous.
Auto-réglage sans hyperparamètres choisis à la main
Les trois types de modèles peuvent auto-régler leurs propres hyperparamètres plutôt que d'imposer des valeurs choisies à la main. Random Forest recherche le nombre d'arbres, la profondeur maximale et la taille minimale des feuilles ; XGBoost recherche le nombre d'arbres, la profondeur maximale et le taux d'apprentissage ; le réseau de neurones recherche le nombre de couches, les neurones par couche et le taux d'apprentissage. Chaque type de modèle peut être auto-réglé grâce à l'optimisation bayésienne (processus gaussien, par défaut), la recherche aléatoire, la recherche en grille, ou une stratégie de substitut Random Forest/XGBoost - selon le temps de calcul que vous êtes prêt à consacrer. Lors de l'entraînement sur plusieurs fichiers, la recherche elle-même s'exécute sur un seul fichier représentatif pour rester rapide, puis la configuration gagnante est réentraînée sur l'ensemble complet des données multi-fichiers.
Progression de l'auto-réglage
(stratégie de recherche, époque, erreur de validation)
De l'entraînement au code autonome, sans quitter l'application
Un modèle entraîné n'est utile qu'une fois sorti de l'application de bureau et exécuté quelque part de réel - sur un calculateur, dans un bloc Simulink, ou dans un script d'analyse Python. Chaque modèle entraîné par Data Sensors peut être exporté directement en C, C++, Python ou MATLAB, en pleine précision ou quantifié en int8, avec un aperçu en direct de la taille et de la précision avant l'enregistrement. Voir Compétition de modèles pour entraîner plusieurs types de modèles à la fois et les comparer avant l'export.
Chaque capteur entraîné vit dans son propre panneau Signaux Virtuels
Chaque modèle que vous entraînez - que ce soit depuis cette boîte de dialogue, depuis une entrée de la Compétition de modèles, ou en réimportant un modèle C, C++ ou Python précédemment exporté - apparaît comme un signal dans un panneau Signaux Virtuels dédié, distinct de vos canaux bruts et de vos signaux calculés. Renommez ou supprimez n'importe lequel d'entre eux à tout moment ; le renommage applique la même vérification d'unicité des noms utilisée partout ailleurs dans l'application, de sorte qu'un capteur virtuel ne peut jamais entrer en collision avec un canal réel ou un signal calculé. Vous avez déjà un modèle exporté sur disque ? Réimportez-le, associez ses canaux d'entrée une seule fois, et il s'exécute directement sur les données de mesure actuellement chargées, sans réentraînement.
Panneau Signaux Virtuels avec renommage/suppression