基于真实测量数据训练虚拟传感器
Data Sensors 直接在您自己的记录数据上训练随机森林、XGBoost 和神经网络模型——无需 上传云端,无需标注流程,也无需维护单独的 Python 环境。指向一个测量文件,选择输入通道和需要复现的目标信号, 接下来就交给它去寻找合适的模型。
单个文件、多个文件,或整个文件夹
大多数传感器建模工具都假设您的训练数据整齐地存放在一个文件中。而真实的测量项目并非如此——记录仪 会写满,一次测试可能被拆分到多个会话中,或者您只是想在每一个已记录的行驶循环上训练,而不仅仅是最后 一个。Data Sensors 会依次在您指定的任意数量文件上训练,并将它们拼接为一个数据集,即使同一个物理信号 在不同文件中使用了不同的通道名称也没关系——通过映射表,您只需为每个文件分配一次正确的通道,之后可将 该映射保存为 CSV 文件以便重复使用。
训练数据源选择器
(此文件 / 选择文件 / 选择文件夹)
随机森林、XGBoost,或神经网络——由您决定
并不存在适用于所有传感器建模问题的单一最佳模型系列——随机森林通常是获得可靠基线最快的方式,梯度 提升树(XGBoost)可以在结构化表格信号上榨取更高的精度,而当输入与目标之间的关系平滑且高度非线性时, 神经网络通常是正确的选择。Data Sensors 可以让您直接训练这三者中的任意一种——如果您不确定哪一种在您的 数据上真正胜出,模型竞赛功能会同时训练所有模型并为您排名。
无需手动指定超参数的自动调优
三种模型类型都可以自动调优其自身的超参数,而无需手动指定数值。随机森林搜索树的数量、最大深度和 最小叶节点大小;XGBoost 搜索树的数量、最大深度和学习率;神经网络搜索层数、每层神经元数和学习率。 每种模型类型都可以使用贝叶斯优化(高斯过程,默认选项)、随机搜索、网格搜索,或随机森林/XGBoost 代理搜索策略进行自动调优——具体取决于您愿意投入多少计算时间。在多文件训练时,搜索过程本身只针对 一个具有代表性的文件运行以保持速度,随后获胜的配置会在完整的多文件数据集上重新训练。
自动调优进度
(搜索策略、训练轮次、验证误差)
从训练到独立代码,全程无需离开应用
一个训练好的模型只有在脱离桌面应用、真正运行在实际环境中时才有价值——无论是在 ECU 上、Simulink 模块 中,还是在 Python 分析脚本里。Data Sensors 训练的每个模型都可以 直接导出为 C、C++、Python 或 MATLAB 代码,支持全精度或 int8 量化, 并在保存前提供实时的大小与精度预览。有关同时训练多种模型类型并在导出前 进行比较,请参阅模型竞赛。
每个训练好的传感器都拥有自己的虚拟信号面板
无论是通过此对话框训练的模型、来自模型竞赛的某一项,还是重新导入之前导出的 C、C++ 或 Python 模型——您训练的每个模型都会作为一个信号出现在专门的虚拟信号面板中,与您的原始通道和计算信号分开 显示。您可以随时重命名或删除其中任意一个;重命名时会执行与应用中其他地方相同的名称唯一性检查, 因此虚拟传感器永远不会与真实通道或计算信号发生冲突。磁盘上已经有导出的模型?将其重新导入,一次性 映射好输入通道,即可直接对您当前加载的测量数据运行,无需重新训练。
虚拟信号面板(重命名/删除)