Цель базы данных в Modeling & Simulation — обеспечить представление данных и их взаимосвязь для целей анализа и тестирования. Первая модель данных была представлена в 1980 году Эдгаром Коддом. Ниже были характерные особенности модели.
-
База данных — это набор различных объектов данных, который определяет информацию и их взаимосвязи.
-
Правила для определения ограничений на данные в объектах.
-
Операции могут применяться к объектам для получения информации.
База данных — это набор различных объектов данных, который определяет информацию и их взаимосвязи.
Правила для определения ограничений на данные в объектах.
Операции могут применяться к объектам для получения информации.
Первоначально моделирование данных основывалось на концепции сущностей и отношений, в которых сущности являются типами информации данных, а взаимосвязи представляют ассоциации между сущностями.
Последняя концепция моделирования данных — 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 как —
Представление данных
Представление данных для событий
У события моделирования есть свои атрибуты, такие как имя события и связанная с ним информация 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 различного набора входных данных и связанных с ними значений параметров, которые представлены в файле входных данных. Входной файл связан с программным обеспечением, которое обрабатывает симуляцию. Модель данных представляет файлы, на которые ссылаются, посредством ассоциации с файлом данных.
Представление данных для выходных файлов
Когда процесс моделирования завершен, он создает различные выходные файлы, и каждый выходной файл представляется в виде файла данных. Каждый файл имеет свое имя, описание и универсальный фактор. Файл данных классифицируется на два файла. Первый файл содержит числовые значения, а второй файл содержит описательную информацию для содержимого числового файла.
Нейронные сети в моделировании и симуляции
Нейронная сеть является отраслью искусственного интеллекта. Нейронная сеть — это сеть из множества процессоров, названных как модули, каждый из которых имеет свою небольшую локальную память. Каждое устройство соединено однонаправленными каналами связи, называемыми соединениями, которые передают числовые данные. Каждый блок работает только со своими локальными данными и входами, которые они получают от соединений.
история
Историческая перспектива симуляции перечислена в хронологическом порядке.
Первая нейронная модель была разработана в 1940 году McCulloch & Pitts.
В 1949 году Дональд Хебб написал книгу «Организация поведения», в которой указывалось на концепцию нейронов.
В 1950 году , с развитием компьютеров, стало возможным создать модель на основе этих теорий. Это было сделано исследовательскими лабораториями IBM. Однако усилия не увенчались успехом, и последующие попытки были успешными.
В 1959 году Бернард Уидроу и Марсиан Хофф разработали модели под названием ADALINE и MADALINE. Эти модели имеют несколько элементов ADAptive LINear. MADALINE была первой нейронной сетью, которая была применена к реальной проблеме.
В 1962 году Розенблаттом была разработана модель персептрона, способная решать простые задачи классификации паттернов.
В 1969 году Minsky & Papert предоставил математическое доказательство ограничений модели персептрона в вычислениях. Было сказано, что модель персептрона не может решить проблему X-OR. Такие недостатки привели к временному упадку нейронных сетей.
В 1982 году Джон Хопфилд из Калифорнийского технологического института представил свои идеи на бумаге в Национальной академии наук по созданию машин с использованием двунаправленных линий. Ранее использовались однонаправленные линии.
Когда традиционные методы искусственного интеллекта, использующие символические методы, потерпели неудачу, возникает необходимость использования нейронных сетей. Нейронные сети имеют свои массивные методы параллелизма, которые обеспечивают вычислительную мощность, необходимую для решения таких проблем.
Области применения
Нейронная сеть может использоваться в машинах синтеза речи, для распознавания образов, для обнаружения диагностических проблем, в роботизированных панелях управления и медицинском оборудовании.
Нечеткий набор 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. Обычно точечные оценки рассчитываются и используются в модели. Однако иногда эти оценки являются неопределенными, поэтому нам нужны нечеткие числа в дифференциальных уравнениях, которые дают оценки неизвестных параметров.
Что такое нечеткий набор?
В классическом наборе элемент либо является членом множества, либо нет. Нечеткие множества определяются в терминах классических множеств X как —
A = {(x, µA (x)) | x ∈ X}
Случай 1 — функция µA (x) имеет следующие свойства —
∈x ∈ X µA (x) ≥ 0
sup x ∈ X {µA (x)} = 1
Случай 2: Пусть нечеткое множество B определено как A = {(3, 0.3), (4, 0.7), (5, 1), (6, 0.4)} , тогда его стандартная нечеткая запись записывается как A = {0.3 / 3, 0,7 / 4, 1/5, 0,4 / 6}
Любое значение с нулевым уровнем участия не отображается в выражении набора.
Случай 3 — Связь между нечетким множеством и классическим четким множеством.
На следующем рисунке показана взаимосвязь между нечетким множеством и классическим четким множеством.