Modelling-and-simulation-database
モデリングとシミュレーション-データベース
Modeling&Simulationのデータベースの目的は、分析とテストの目的でデータ表現とその関係を提供することです。 最初のデータモデルは、1980年にEdgar Coddによって導入されました。 モデルの顕著な特徴は次のとおりです。
- データベースは、情報とその関係を定義するさまざまなデータオブジェクトのコレクションです。
- ルールは、オブジェクト内のデータの制約を定義するためのものです。
- 情報を取得するために、オブジェクトに操作を適用できます。
当初、データモデリングはエンティティと関係の概念に基づいており、エンティティはデータの情報の種類であり、関係はエンティティ間の関連付けを表します。
データモデリングの最新の概念は、エンティティがクラスとして表され、コンピュータープログラミングでテンプレートとして使用されるオブジェクト指向設計です。 名前、属性、制約、および他のクラスのオブジェクトとの関係を持つクラス。
その基本的な表現は次のようになります-
データ表現
イベントのデータ表現
シミュレーションイベントには、イベント名や関連する時間情報などの属性があります。 入力ファイルパラメーターに関連付けられた一連の入力データを使用して提供されたシミュレーションの実行を表し、データファイルに関連付けられた複数のファイルに格納された一連の出力データとして結果を提供します。
入力ファイルのデータ表現
すべてのシミュレーションプロセスには、異なる入力データのセットとそれに関連するパラメーター値が必要です。これらは入力データファイルで表されます。 入力ファイルは、シミュレーションを処理するソフトウェアに関連付けられています。 データモデルは、データファイルとの関連付けによって参照ファイルを表します。
出力ファイルのデータ表現
シミュレーションプロセスが完了すると、さまざまな出力ファイルが生成され、各出力ファイルはデータファイルとして表されます。 各ファイルには、名前、説明、および普遍的な要素があります。 データファイルは2つのファイルに分類されます。 最初のファイルには数値が含まれ、2番目のファイルには数値ファイルの内容を説明する情報が含まれています。
モデリングとシミュレーションのニューラルネットワーク
ニューラルネットワークは人工知能の分野です。 ニューラルネットワークは、ユニットと呼ばれる多くのプロセッサのネットワークであり、各ユニットには小さなローカルメモリがあります。 各ユニットは、数値データを伝送する接続と呼ばれる単方向通信チャネルによって接続されます。 各ユニットは、ローカルデータおよび接続から受信する入力に対してのみ機能します。
歴史
シミュレーションの歴史的な観点は、時系列で列挙されています。
最初のニューラルモデルは、McCulloch&Pittsによって 1940 で開発されました。
*1949* で、ドナルドヘブはニューロンの概念を指摘した「行動の組織」という本を書きました。
*1950* では、コンピューターが進歩し、これらの理論でモデルを作成することが可能になりました。 これはIBM研究所によって行われました。 しかし、努力は失敗し、その後の試みは成功しました。
*1959* では、Bernard WidrowとMarcian HoffがADALINEおよびMADALINEと呼ばれるモデルを開発しました。 これらのモデルには、複数の適応LINear要素があります。 MADALINEは、実際の問題に適用された最初のニューラルネットワークです。
*1962* で、パーセプトロンモデルはRosenblattによって開発され、単純なパターン分類問題を解決する機能を備えています。
*1969* では、Minsky&Papertは計算におけるパーセプトロンモデルの制限の数学的証明を提供しました。 パーセプトロンモデルではX-OR問題を解決できないと言われていました。 このような欠点により、ニューラルネットワークが一時的に低下しました。
*1982* で、カリフォルニア工科大学のジョンホップフィールドは、全米科学アカデミーに紙で彼のアイデアを提示し、双方向ラインを使用して機械を作成しました。 以前は、単方向回線が使用されていました。
シンボリック手法を含む従来の人工知能技術が失敗すると、ニューラルネットワークを使用する必要が生じます。 ニューラルネットワークには、そのような問題を解決するために必要な計算能力を提供する大規模な並列処理技術があります。
応用分野
ニューラルネットワークは、音声合成機、パターン認識、診断問題の検出、ロボット制御ボードおよび医療機器で使用できます。
モデリングとシミュレーションのファジーセット
前述のように、連続シミュレーションの各プロセスは、微分方程式と、a、b、c、d> 0などのパラメーターに依存します。 一般に、ポイントの推定値が計算され、モデルで使用されます。 ただし、これらの推定値が不確かな場合があるため、未知のパラメーターの推定値を提供する微分方程式にファジー数が必要です。
ファジーセットとは何ですか?
古典的なセットでは、要素はセットのメンバーかそうでないかのどちらかです。 ファジィ集合は、古典集合 X に関して次のように定義されます-
A = \ {(x、μA(x))| x∈X}
- ケース1 *-関数*μA(x)*には次の特性があります-
∀x∈XμA(x)≥0
sup x∈X \ {μA(x)} = 1
ケース2 *-ファジーセット *B を A = \ {(3、0.3)、(4、0.7)、(5、1)、(6、0.4)} として定義し、その標準ファジー表記 A = \ {0.3/3、0.7/4、1/5、0.4/6} と記述されます
メンバーシップグレードがゼロの値は、セットの式には表示されません。
- ケース3 *-ファジーセットと古典的なクリスプセットの関係。
次の図は、ファジーセットと従来の鮮明なセットの関係を示しています。