Modelowanie i symulacja - baza danych
Celem bazy danych w Modelowaniu i symulacji jest zapewnienie reprezentacji danych i ich relacji do celów analizy i testowania. Pierwszy model danych został wprowadzony w 1980 roku przez Edgara Codda. Poniżej przedstawiono najważniejsze cechy modelu.
Baza danych to zbiór różnych obiektów danych, które definiują informacje i ich relacje.
Reguły służą do definiowania ograniczeń danych w obiektach.
Operacje można zastosować do obiektów w celu pobrania informacji.
Początkowo modelowanie danych opierało się na koncepcji encji i relacji, w których encje są typami informacji danych, a relacje reprezentują powiązania między podmiotami.
Najnowszą koncepcją modelowania danych jest projekt zorientowany obiektowo, w którym jednostki są reprezentowane jako klasy, które są używane jako szablony w programowaniu komputerowym. Klasa mająca swoją nazwę, atrybuty, ograniczenia i relacje z obiektami innych klas.
Jego podstawowa reprezentacja wygląda następująco -
Reprezentacja danych
Reprezentacja danych dotyczących wydarzeń
Zdarzenie symulacyjne ma swoje atrybuty, takie jak nazwa zdarzenia i skojarzona z nim informacja o czasie. Reprezentuje wykonanie dostarczonej symulacji przy użyciu zestawu danych wejściowych skojarzonych z parametrem pliku wejściowego i zapewnia jej wynik w postaci zestawu danych wyjściowych przechowywanych w wielu plikach powiązanych z plikami danych.
Reprezentacja danych dla plików wejściowych
Każdy proces symulacji wymaga innego zestawu danych wejściowych i powiązanych z nimi wartości parametrów, które są reprezentowane w pliku danych wejściowych. Plik wejściowy jest powiązany z oprogramowaniem przetwarzającym symulację. Model danych reprezentuje pliki, do których istnieją odniesienia, poprzez powiązanie z plikiem danych.
Reprezentacja danych dla plików wyjściowych
Po zakończeniu procesu symulacji generowane są różne pliki wyjściowe, a każdy plik wyjściowy jest reprezentowany jako plik danych. Każdy plik ma swoją nazwę, opis i uniwersalny czynnik. Plik danych jest podzielony na dwa pliki. Pierwszy plik zawiera wartości liczbowe, a drugi plik zawiera opisowe informacje o zawartości pliku liczbowego.
Sieci neuronowe w modelowaniu i symulacji
Sieć neuronowa to gałąź sztucznej inteligencji. Sieć neuronowa to sieć wielu procesorów nazywanych jednostkami, z których każda ma swoją małą pamięć lokalną. Każda jednostka jest połączona jednokierunkowymi kanałami komunikacyjnymi nazywanymi połączeniami, które przenoszą dane numeryczne. Każda jednostka działa tylko na swoich lokalnych danych i na wejściach, które otrzymuje z połączeń.
Historia
Historyczna perspektywa symulacji została wyliczona w porządku chronologicznym.
Pierwszy model neuronowy został opracowany w 1940 przez McCulloch & Pitts.
W 1949Donald Hebb napisał książkę „Organizacja zachowań”, w której wskazał na pojęcie neuronów.
W 1950wraz z rozwojem komputerów stało się możliwe stworzenie modelu na podstawie tych teorii. Dokonały tego laboratoria badawcze IBM. Jednak wysiłek się nie powiódł, a późniejsze próby zakończyły się sukcesem.
W 1959Bernard Widrow i Marcian Hoff opracowali modele o nazwach ADALINE i MADALINE. Te modele mają wiele ADAptive LINear Elements. MADALINE była pierwszą siecią neuronową, która została zastosowana do rozwiązania problemu w świecie rzeczywistym.
W 1962model perceptronu został opracowany przez Rosenblatta, mając możliwość rozwiązywania prostych problemów klasyfikacji wzorców.
W 1969Minsky i Papert przedstawili matematyczny dowód ograniczeń modelu perceptronowego w obliczeniach. Mówiono, że model perceptronu nie może rozwiązać problemu X-OR. Takie wady doprowadziły do tymczasowego zaniku sieci neuronowych.
W 1982John Hopfield z Caltech przedstawił swoje pomysły na papierze Narodowej Akademii Nauk, aby stworzyć maszyny wykorzystujące linie dwukierunkowe. Wcześniej używano linii jednokierunkowych.
Gdy zawiodły tradycyjne techniki sztucznej inteligencji wykorzystujące metody symboliczne, pojawia się potrzeba wykorzystania sieci neuronowych. Sieci neuronowe mają swoje techniki masowego paralelizmu, które zapewniają moc obliczeniową potrzebną do rozwiązania takich problemów.
Obszary zastosowań
Sieć neuronowa może być używana w maszynach do syntezy mowy, do rozpoznawania wzorców, do wykrywania problemów diagnostycznych, w robotycznych tablicach kontrolnych i sprzęcie medycznym.
Rozmyty zestaw w modelowaniu i symulacji
Jak wspomniano wcześniej, każdy proces ciągłej symulacji zależy od równań różniczkowych i ich parametrów, takich jak a, b, c, d> 0. Generalnie szacunki punktowe są obliczane i wykorzystywane w modelu. Czasami jednak szacunki te są niepewne, więc potrzebujemy liczb rozmytych w równaniach różniczkowych, które zapewniają oszacowania nieznanych parametrów.
Co to jest zestaw rozmyty?
W zestawie klasycznym element albo należy do zbioru, albo nie. Zbiory rozmyte definiuje się w kategoriach zbiorów klasycznychX jako -
A = {(x, μA (x)) | x ∈ X}
Case 1 - Funkcja μA(x) ma następujące właściwości -
∀x ∈ X μA (x) ≥ 0
sup x ∈ X {μA (x)} = 1
Case 2 - Niech rozmyty zestaw B być zdefiniowane jako A = {(3, 0.3), (4, 0.7), (5, 1), (6, 0.4)}, to jego standardowa notacja rozmyta jest zapisywana jako A = {0.3/3, 0.7/4, 1/5, 0.4/6}
Żadna wartość z zerową oceną członkostwa nie pojawia się w wyrażeniu zestawu.
Case 3 - Związek między zbiorem rozmytym a klasycznym zbiorem wyrazistym.
Poniższy rysunek przedstawia zależność między zestawem rozmytym a klasycznym zbiorem wyrazistym.
