Mô hình hóa & mô phỏng - Cơ sở dữ liệu
Mục tiêu của cơ sở dữ liệu trong Mô hình hóa & Mô phỏng là cung cấp biểu diễn dữ liệu và mối quan hệ của nó cho các mục đích phân tích và thử nghiệm. Mô hình dữ liệu đầu tiên được giới thiệu vào năm 1980 bởi Edgar Codd. Sau đây là các tính năng nổi bật của mô hình.
Cơ sở dữ liệu là tập hợp các đối tượng dữ liệu khác nhau xác định thông tin và mối quan hệ của chúng.
Các quy tắc là để xác định các ràng buộc về dữ liệu trong các đối tượng.
Các thao tác có thể được áp dụng cho các đối tượng để lấy thông tin.
Ban đầu, Mô hình hóa dữ liệu dựa trên khái niệm về các thực thể & mối quan hệ trong đó các thực thể là loại thông tin của dữ liệu và các mối quan hệ thể hiện mối liên kết giữa các thực thể.
Khái niệm mới nhất về mô hình hóa dữ liệu là thiết kế hướng đối tượng trong đó các thực thể được biểu diễn dưới dạng các lớp, được sử dụng làm khuôn mẫu trong lập trình máy tính. Một lớp có tên, thuộc tính, ràng buộc và mối quan hệ với các đối tượng của các lớp khác.
Biểu diễn cơ bản của nó trông giống như -
Sự miêu tả dữ liệu
Biểu diễn dữ liệu cho các sự kiện
Một sự kiện mô phỏng có các thuộc tính của nó như tên sự kiện và thông tin thời gian liên quan của nó. Nó đại diện cho việc thực hiện một mô phỏng được cung cấp bằng cách sử dụng một tập dữ liệu đầu vào được liên kết với tham số tệp đầu vào và cung cấp kết quả của nó dưới dạng một tập dữ liệu đầu ra, được lưu trữ trong nhiều tệp liên kết với tệp dữ liệu.
Biểu diễn dữ liệu cho các tệp đầu vào
Mọi quá trình mô phỏng đều yêu cầu một tập dữ liệu đầu vào khác nhau và các giá trị tham số liên quan của nó, được thể hiện trong tệp dữ liệu đầu vào. Tệp đầu vào được liên kết với phần mềm xử lý mô phỏng. Mô hình dữ liệu đại diện cho các tệp được tham chiếu bởi một liên kết với tệp dữ liệu.
Biểu diễn dữ liệu cho tệp đầu ra
Khi quá trình mô phỏng hoàn thành, nó tạo ra nhiều tệp đầu ra khác nhau và mỗi tệp đầu ra được biểu diễn dưới dạng tệp dữ liệu. Mỗi tệp có tên, mô tả và một yếu tố phổ quát. Một tệp dữ liệu được phân loại thành hai tệp. Tệp đầu tiên chứa các giá trị số và tệp thứ hai chứa thông tin mô tả cho nội dung của tệp số.
Mạng thần kinh trong mô hình hóa & mô phỏng
Mạng nơ-ron là một nhánh của trí tuệ nhân tạo. Mạng nơ ron là một mạng gồm nhiều bộ xử lý được đặt tên là các đơn vị, mỗi đơn vị có bộ nhớ cục bộ nhỏ của nó. Mỗi thiết bị được kết nối bằng các kênh giao tiếp một chiều được đặt tên là các kết nối, mang dữ liệu số. Mỗi đơn vị chỉ hoạt động trên dữ liệu cục bộ của chúng và trên các đầu vào mà chúng nhận được từ các kết nối.
Lịch sử
Các quan điểm lịch sử của mô phỏng như được liệt kê theo trình tự thời gian.
Mô hình thần kinh đầu tiên được phát triển trong 1940 của McCulloch & Pitts.
Trong 1949, Donald Hebb đã viết một cuốn sách "Tổ chức của hành vi", trong đó chỉ ra khái niệm về tế bào thần kinh.
Trong 1950, với việc máy tính ngày càng tiên tiến, có thể tạo ra một mô hình cho những lý thuyết này. Nó được thực hiện bởi các phòng thí nghiệm nghiên cứu của IBM. Tuy nhiên, nỗ lực không thành công và những nỗ lực sau đó đều thành công.
Trong 1959, Bernard Widrow và Marcian Hoff, đã phát triển các mô hình được gọi là ADALINE và MADALINE. Các mô hình này có Nhiều phần tử ADAptive LINear. MADALINE là mạng nơ-ron đầu tiên được áp dụng cho một bài toán trong thế giới thực.
Trong 1962, mô hình perceptron được phát triển bởi Rosenblatt, có khả năng giải các bài toán phân loại mẫu đơn giản.
Trong 1969, Minsky & Papert đã cung cấp bằng chứng toán học về những hạn chế của mô hình perceptron trong tính toán. Người ta nói rằng mô hình perceptron không thể giải quyết vấn đề X-OR. Những hạn chế như vậy đã dẫn đến sự suy giảm tạm thời của các mạng nơ-ron.
Trong 1982, John Hopfield của Caltech đã trình bày ý tưởng của mình trên giấy với Viện Hàn lâm Khoa học Quốc gia để tạo ra máy sử dụng các đường hai chiều. Trước đây, đường một chiều đã được sử dụng.
Khi các kỹ thuật trí tuệ nhân tạo truyền thống liên quan đến các phương pháp biểu tượng không thành công, thì nhu cầu sử dụng mạng nơ-ron sẽ nảy sinh. Mạng nơ-ron có các kỹ thuật song song khổng lồ, cung cấp sức mạnh tính toán cần thiết để giải quyết các vấn đề như vậy.
Lĩnh vực ứng dụng
Mạng nơ-ron có thể được sử dụng trong các máy tổng hợp giọng nói, để nhận dạng mẫu, phát hiện các vấn đề chẩn đoán, trong các bảng điều khiển robot và thiết bị y tế.
Bộ mờ trong mô hình hóa & mô phỏng
Như đã thảo luận trước đó, mỗi quá trình mô phỏng liên tục phụ thuộc vào các phương trình vi phân và các tham số của chúng như a, b, c, d> 0. Nói chung, các ước lượng điểm được tính toán và sử dụng trong mô hình. Tuy nhiên, đôi khi những ước lượng này không chắc chắn nên chúng ta cần các số mờ trong phương trình vi phân, cung cấp các ước lượng của các tham số chưa biết.
Tập mờ là gì?
Trong một tập hợp cổ điển, một phần tử có thể là thành viên của tập hợp đó hoặc không. Các tập mờ được định nghĩa theo các tập cổ điểnX như -
A = {(x, μA (x)) | x ∈ X}
Case 1 - Chức năng μA(x) có các thuộc tính sau:
∀x ∈ X μA (x) ≥ 0
sup x ∈ X {μA (x)} = 1
Case 2 - Cho tập mờ B được định nghĩa là A = {(3, 0.3), (4, 0.7), (5, 1), (6, 0.4)}, thì ký hiệu mờ tiêu chuẩn của nó được viết là A = {0.3/3, 0.7/4, 1/5, 0.4/6}
Bất kỳ giá trị nào có cấp thành viên bằng 0 sẽ không xuất hiện trong biểu thức của tập hợp.
Case 3 - Mối quan hệ giữa tập mờ và tập sắc nét cổ điển.
Hình sau mô tả mối quan hệ giữa tập mờ và tập rõ nét cổ điển.
