Modelleme ve Simülasyon - Veritabanı
Modelleme ve Simülasyondaki veritabanının amacı, analiz ve test amaçları için veri gösterimini ve ilişkisini sağlamaktır. İlk veri modeli 1980'de Edgar Codd tarafından tanıtıldı. Modelin göze çarpan özellikleri aşağıdadır.
Veritabanı, bilgileri ve bunların ilişkilerini tanımlayan farklı veri nesnelerinin koleksiyonudur.
Kurallar, nesnelerdeki veriler üzerindeki kısıtlamaları tanımlamak içindir.
Bilgi almak için nesnelere işlemler uygulanabilir.
Başlangıçta Veri Modelleme, varlıkların veri bilgi türleri olduğu ve ilişkilerin varlıklar arasındaki ilişkileri temsil ettiği varlıklar ve ilişkiler kavramına dayanıyordu.
Veri modelleme için en son konsept, bilgisayar programlamasında şablon olarak kullanılan varlıkların sınıflar olarak temsil edildiği nesne yönelimli tasarımdır. Adına, niteliklerine, kısıtlamalarına ve diğer sınıfların nesneleriyle ilişkilerine sahip bir sınıf.
Temel temsili şöyle görünüyor:
Temsili veri
Olaylar için Veri Temsili
Bir simülasyon olayının, olay adı ve ilişkili zaman bilgisi gibi öznitelikleri vardır. Girdi dosyası parametresiyle ilişkili bir dizi girdi verisini kullanarak sağlanan bir simülasyonun yürütülmesini temsil eder ve sonucunu, veri dosyalarıyla ilişkili birden çok dosyada saklanan bir çıktı verileri kümesi olarak sağlar.
Girdi Dosyaları için Veri Gösterimi
Her simülasyon işlemi, farklı bir girdi verisi seti ve girdi veri dosyasında gösterilen ilişkili parametre değerlerini gerektirir. Girdi dosyası, simülasyonu işleyen yazılımla ilişkilidir. Veri modeli, referans dosyaları bir veri dosyasıyla ilişkilendirerek temsil eder.
Çıktı Dosyaları için Veri Gösterimi
Simülasyon işlemi tamamlandığında, çeşitli çıktı dosyaları üretir ve her çıktı dosyası bir veri dosyası olarak temsil edilir. Her dosyanın adı, açıklaması ve evrensel bir faktörü vardır. Bir veri dosyası iki dosyaya sınıflandırılır. İlk dosya sayısal değerleri içerir ve ikinci dosya sayısal dosyanın içerikleri için açıklayıcı bilgileri içerir.
Modelleme ve Simülasyonda Sinir Ağları
Sinir ağı, yapay zeka dalıdır. Sinir ağı, her birimin küçük yerel belleğe sahip olduğu, birimler olarak adlandırılan birçok işlemciden oluşan bir ağdır. Her bir ünite, sayısal verileri taşıyan, bağlantı adı verilen tek yönlü iletişim kanalları ile bağlanır. Her birim yalnızca kendi yerel verileri ve bağlantılardan aldıkları girişler üzerinde çalışır.
Tarih
Simülasyonun tarihsel perspektifi, kronolojik bir sırayla sıralandığı gibidir.
İlk nöral model, 1940 McCulloch & Pitts tarafından.
İçinde 1949Donald Hebb, nöron kavramına işaret eden "Davranış Örgütü" adlı bir kitap yazdı.
İçinde 1950bilgisayarların gelişmesi ile bu teoriler üzerine bir model yapmak mümkün hale geldi. IBM araştırma laboratuvarları tarafından yapıldı. Ancak, çaba başarısız oldu ve sonraki girişimler başarılı oldu.
İçinde 1959, Bernard Widrow ve Marcian Hoff, ADALINE ve MADALINE adlı modeller geliştirdiler. Bu modeller Çoklu ADAptive LINear Öğelerine sahiptir. MADALINE, gerçek dünyadaki bir soruna uygulanan ilk sinir ağıydı.
İçinde 1962Algılayıcı modeli, basit örüntü sınıflandırma problemlerini çözme becerisine sahip olan Rosenblatt tarafından geliştirilmiştir.
İçinde 1969, Minsky & Papert, hesaplamadaki algılayıcı modelinin sınırlamalarının matematiksel kanıtını sağladı. Algılayıcı modelin X-OR problemini çözemediği söylendi. Bu tür dezavantajlar, sinir ağlarının geçici olarak azalmasına yol açtı.
İçinde 1982Caltech'ten John Hopfield, kağıt üzerindeki fikirlerini iki yönlü hatları kullanan makineler oluşturmak için Ulusal Bilimler Akademisi'ne sundu. Önceden tek yönlü çizgiler kullanılıyordu.
Sembolik yöntemleri içeren geleneksel yapay zeka teknikleri başarısız olduğunda, sinir ağlarını kullanma ihtiyacı ortaya çıkar. Sinir ağları, bu tür sorunları çözmek için gereken hesaplama gücünü sağlayan devasa paralellik tekniklerine sahiptir.
Uygulama alanları
Sinir ağı, konuşma sentez makinelerinde, örüntü tanıma için, teşhis problemlerini tespit etmek için, robotik kontrol panolarında ve tıbbi ekipmanlarda kullanılabilir.
Modelleme ve Simülasyonda Bulanık Küme
Daha önce tartışıldığı gibi, sürekli simülasyonun her bir süreci diferansiyel denklemlere ve bunların a, b, c, d> 0 gibi parametrelerine bağlıdır. Genel olarak, nokta tahminleri hesaplanır ve modelde kullanılır. Bununla birlikte, bazen bu tahminler belirsizdir, bu nedenle, bilinmeyen parametrelerin tahminlerini sağlayan diferansiyel denklemlerde bulanık sayılara ihtiyacımız vardır.
Bulanık Küme nedir?
Klasik bir kümede, bir öğe ya kümenin bir üyesidir ya da değildir. Bulanık kümeler, klasik kümeler cinsinden tanımlanırX olarak -
A = {(x, μA (x)) | x ∈ X}
Case 1 - İşlev μA(x) aşağıdaki özelliklere sahiptir -
∀x ∈ X μA (x) ≥ 0
sup x ∈ X {μA (x)} = 1
Case 2 - Bulanık set edelim B olarak tanımlanmak A = {(3, 0.3), (4, 0.7), (5, 1), (6, 0.4)}, standart bulanık gösterimi şu şekilde yazılır: A = {0.3/3, 0.7/4, 1/5, 0.4/6}
Üyelik derecesi sıfır olan herhangi bir değer, kümenin ifadesinde görünmez.
Case 3 - Bulanık küme ile klasik gevrek küme arasındaki ilişki.
Aşağıdaki şekil bir bulanık küme ile klasik bir net küme arasındaki ilişkiyi göstermektedir.
