Моделирование и симуляция - База данных

Цель базы данных в Modeling & Simulation - предоставить представление данных и их взаимосвязь для анализа и тестирования. Первая модель данных была представлена ​​в 1980 году Эдгаром Коддом. Ниже были основные особенности модели.

  • База данных - это набор различных объектов данных, которые определяют информацию и их отношения.

  • Правила предназначены для определения ограничений данных в объектах.

  • К объектам можно применять операции для получения информации.

Изначально моделирование данных было основано на концепции сущностей и отношений, в которых сущности являются типами информации данных, а отношения представляют связи между сущностями.

Последняя концепция моделирования данных - это объектно-ориентированный дизайн, в котором сущности представлены в виде классов, которые используются в качестве шаблонов в компьютерном программировании. Класс, имеющий свое имя, атрибуты, ограничения и отношения с объектами других классов.

Его основное представление выглядит так -

Представление данных

Представление данных для событий

Событие моделирования имеет свои атрибуты, такие как имя события и связанную с ним информацию о времени. Он представляет выполнение предоставленного моделирования с использованием набора входных данных, связанных с параметром входного файла, и предоставляет свой результат в виде набора выходных данных, хранящихся в нескольких файлах, связанных с файлами данных.

Представление данных для входных файлов

Каждый процесс моделирования требует другого набора входных данных и связанных с ними значений параметров, которые представлены во входном файле данных. Входной файл связан с программным обеспечением, которое обрабатывает моделирование. Модель данных представляет файлы, на которые есть ссылки, путем ассоциации с файлом данных.

Представление данных для выходных файлов

Когда процесс моделирования завершен, он создает различные выходные файлы, и каждый выходной файл представляется как файл данных. У каждого файла есть свое имя, описание и универсальный фактор. Файл данных делится на два файла. Первый файл содержит числовые значения, а второй файл содержит описательную информацию о содержимом числового файла.

Нейронные сети в моделировании и симуляции

Нейронная сеть - это ветвь искусственного интеллекта. Нейронная сеть - это сеть из множества процессоров, называемых модулями, каждый из которых имеет небольшую локальную память. Каждый блок связан однонаправленными каналами связи, называемыми соединениями, которые несут числовые данные. Каждое устройство работает только со своими локальными данными и с входными данными, которые они получают от соединений.

История

Историческая перспектива симуляции перечислена в хронологическом порядке.

Первая нейронная модель была разработана в 1940 компании McCulloch & Pitts.

В 1949Дональд Хебб написал книгу «Организация поведения», в которой указал на концепцию нейронов.

В 1950С развитием компьютеров стало возможным моделировать эти теории. Это сделали исследовательские лаборатории IBM. Однако попытка не удалась, и последующие попытки увенчались успехом.

В 1959Бернард Видроу и Марсиан Хофф разработали модели под названием ADALINE и MADALINE. Эти модели имеют несколько элементов ADAptive LINear. MADALINE была первой нейронной сетью, которую применили к реальной проблеме.

В 1962, модель персептрона была разработана Розенблаттом, способная решать простые задачи классификации образов.

В 1969, Minsky & Papert предоставили математическое доказательство ограничений модели персептрона в вычислениях. Было сказано, что модель персептрона не может решить проблему X-OR. Подобные недостатки привели к временному упадку нейронных сетей.

В 1982Джон Хопфилд из Калифорнийского технологического института представил в Национальной академии наук свои идеи на бумаге по созданию машин с использованием двунаправленных линий. Раньше использовались однонаправленные линии.

Когда традиционные методы искусственного интеллекта с использованием символических методов потерпели неудачу, возникает необходимость в использовании нейронных сетей. Нейронные сети имеют свои массивные методы параллелизма, которые обеспечивают вычислительную мощность, необходимую для решения таких задач.

Области применения

Нейронная сеть может использоваться в машинах для синтеза речи, для распознавания образов, для обнаружения диагностических проблем, в роботизированных панелях управления и медицинском оборудовании.

Нечеткое множество в моделировании и симуляции

Как обсуждалось ранее, каждый процесс непрерывного моделирования зависит от дифференциальных уравнений и их параметров, таких как a, b, c, d> 0. Как правило, точечные оценки вычисляются и используются в модели. Однако иногда эти оценки являются неопределенными, поэтому нам нужны нечеткие числа в дифференциальных уравнениях, которые обеспечивают оценки неизвестных параметров.

Что такое нечеткое множество?

В классическом наборе элемент либо входит в набор, либо нет. Нечеткие множества определяются в терминах классических множествX как -

A = {(x, μA (x)) | x ∈ X}

Case 1 - Функция μA(x) имеет следующие свойства -

∀x ∈ X μA (x) ≥ 0

sup x ∈ X {μA (x)} = 1

Case 2 - Пусть нечеткое множество B быть определенным как A = {(3, 0.3), (4, 0.7), (5, 1), (6, 0.4)}, то его стандартная нечеткая запись записывается как A = {0.3/3, 0.7/4, 1/5, 0.4/6}

Любое значение с нулевой степенью членства не появляется в выражении набора.

Case 3 - Связь между нечетким набором и классическим четким набором.

На следующем рисунке показана взаимосвязь между нечетким набором и классическим четким набором.