Modellazione e simulazione - Database
L'obiettivo del database in Modeling & Simulation è fornire la rappresentazione dei dati e la loro relazione a scopo di analisi e test. Il primo modello di dati è stato introdotto nel 1980 da Edgar Codd. Di seguito sono state le caratteristiche salienti del modello.
Il database è la raccolta di diversi oggetti dati che definisce le informazioni e le loro relazioni.
Le regole servono per definire i vincoli sui dati negli oggetti.
Le operazioni possono essere applicate agli oggetti per il recupero delle informazioni.
Inizialmente, la modellazione dei dati era basata sul concetto di entità e relazioni in cui le entità sono tipi di informazioni di dati e le relazioni rappresentano le associazioni tra le entità.
L'ultimo concetto di modellazione dei dati è il design orientato agli oggetti in cui le entità sono rappresentate come classi, che vengono utilizzate come modelli nella programmazione di computer. Una classe avente nome, attributi, vincoli e relazioni con oggetti di altre classi.
La sua rappresentazione di base sembra:
Rappresentazione dei dati
Rappresentazione dei dati per eventi
Un evento di simulazione ha i suoi attributi come il nome dell'evento e le informazioni sull'ora associate. Rappresenta l'esecuzione di una simulazione fornita utilizzando un set di dati di input associati al parametro del file di input e fornisce il suo risultato come un insieme di dati di output, memorizzati in più file associati ai file di dati.
Rappresentazione dei dati per i file di input
Ogni processo di simulazione richiede un diverso set di dati di input e i valori dei parametri associati, che sono rappresentati nel file di dati di input. Il file di input è associato al software che elabora la simulazione. Il modello di dati rappresenta i file referenziati da un'associazione con un file di dati.
Rappresentazione dei dati per i file di output
Quando il processo di simulazione è completato, produce vari file di output e ogni file di output viene rappresentato come un file di dati. Ogni file ha il suo nome, descrizione e un fattore universale. Un file di dati è classificato in due file. Il primo file contiene i valori numerici e il secondo file contiene le informazioni descrittive per i contenuti del file numerico.
Reti neurali in modellazione e simulazione
La rete neurale è il ramo dell'intelligenza artificiale. La rete neurale è una rete di molti processori denominati come unità, ciascuna delle quali ha la sua piccola memoria locale. Ogni unità è collegata da canali di comunicazione unidirezionali denominati collegamenti, che trasportano i dati numerici. Ogni unità lavora solo sui propri dati locali e sugli input ricevuti dalle connessioni.
Storia
La prospettiva storica della simulazione è enumerata in ordine cronologico.
Il primo modello neurale è stato sviluppato in 1940 di McCulloch & Pitts.
In 1949, Donald Hebb ha scritto un libro "The Organization of Behaviour", che indicava il concetto di neuroni.
In 1950, con l'avanzamento dei computer, è diventato possibile creare un modello su queste teorie. È stato fatto dai laboratori di ricerca IBM. Tuttavia, lo sforzo è fallito e i tentativi successivi hanno avuto successo.
In 1959, Bernard Widrow e Marcian Hoff, hanno sviluppato modelli chiamati ADALINE e MADALINE. Questi modelli hanno più elementi lineari ADAptive. MADALINE è stata la prima rete neurale ad essere applicata a un problema del mondo reale.
In 1962, il modello perceptron è stato sviluppato da Rosenblatt, avendo la capacità di risolvere semplici problemi di classificazione dei pattern.
In 1969, Minsky & Papert hanno fornito una prova matematica dei limiti del modello perceptron nel calcolo. È stato detto che il modello perceptron non può risolvere il problema X-OR. Tali inconvenienti hanno portato al temporaneo declino delle reti neurali.
In 1982, John Hopfield di Caltech ha presentato le sue idee su carta alla National Academy of Sciences per creare macchine che utilizzano linee bidirezionali. In precedenza, venivano utilizzate linee unidirezionali.
Quando le tradizionali tecniche di intelligenza artificiale che coinvolgono metodi simbolici falliscono, nasce la necessità di utilizzare reti neurali. Le reti neurali hanno le sue tecniche di parallelismo massiccio, che forniscono la potenza di calcolo necessaria per risolvere tali problemi.
Aree di applicazione
La rete neurale può essere utilizzata nelle macchine di sintesi vocale, per il riconoscimento di pattern, per rilevare problemi diagnostici, in schede di controllo robotiche e apparecchiature mediche.
Set fuzzy in modellazione e simulazione
Come discusso in precedenza, ogni processo di simulazione continua dipende dalle equazioni differenziali e dai loro parametri come a, b, c, d> 0. In genere, le stime puntuali vengono calcolate e utilizzate nel modello. Tuttavia, a volte queste stime sono incerte, quindi abbiamo bisogno di numeri fuzzy nelle equazioni differenziali, che forniscono le stime dei parametri sconosciuti.
Cos'è un Fuzzy Set?
In un insieme classico, un elemento è o un membro dell'insieme o no. Gli insiemi fuzzy sono definiti in termini di insiemi classiciX come -
A = {(x, μA (x)) | x ∈ X}
Case 1 - La funzione μA(x) ha le seguenti proprietà:
∀x ∈ X μA (x) ≥ 0
sup x ∈ X {μA (x)} = 1
Case 2 - Lascia riposare il fuzzy B essere definito come A = {(3, 0.3), (4, 0.7), (5, 1), (6, 0.4)}, quindi la sua notazione fuzzy standard è scritta come A = {0.3/3, 0.7/4, 1/5, 0.4/6}
Qualsiasi valore con un grado di appartenenza pari a zero non viene visualizzato nell'espressione dell'insieme.
Case 3 - Relazione tra set fuzzy e set croccante classico.
La figura seguente mostra la relazione tra un set fuzzy e un set croccante classico.
