Modélisation & Simulation - Base de données
L'objectif de la base de données dans la modélisation et la simulation est de fournir une représentation des données et leurs relations à des fins d'analyse et de test. Le premier modèle de données a été introduit en 1980 par Edgar Codd. Voici les principales caractéristiques du modèle.
La base de données est la collection de différents objets de données qui définissent les informations et leurs relations.
Les règles servent à définir les contraintes sur les données dans les objets.
Les opérations peuvent être appliquées aux objets pour récupérer des informations.
Initialement, la modélisation des données était basée sur le concept d'entités et de relations dans lesquelles les entités sont des types d'informations de données et les relations représentent les associations entre les entités.
Le dernier concept de modélisation des données est la conception orientée objet dans laquelle les entités sont représentées sous forme de classes, qui sont utilisées comme modèles dans la programmation informatique. Une classe ayant son nom, ses attributs, ses contraintes et ses relations avec des objets d'autres classes.
Sa représentation de base ressemble à -
Représentation des données
Représentation des données pour les événements
Un événement de simulation a ses attributs tels que le nom de l'événement et ses informations temporelles associées. Il représente l'exécution d'une simulation fournie à l'aide d'un ensemble de données d'entrée associées au paramètre de fichier d'entrée et fournit son résultat sous la forme d'un ensemble de données de sortie, stockées dans plusieurs fichiers associés à des fichiers de données.
Représentation des données pour les fichiers d'entrée
Chaque processus de simulation nécessite un ensemble différent de données d'entrée et les valeurs de paramètres associées, qui sont représentées dans le fichier de données d'entrée. Le fichier d'entrée est associé au logiciel qui traite la simulation. Le modèle de données représente les fichiers référencés par une association avec un fichier de données.
Représentation des données pour les fichiers de sortie
Lorsque le processus de simulation est terminé, il produit divers fichiers de sortie et chaque fichier de sortie est représenté sous forme de fichier de données. Chaque fichier a son nom, sa description et un facteur universel. Un fichier de données est classé en deux fichiers. Le premier fichier contient les valeurs numériques et le second fichier contient les informations descriptives du contenu du fichier numérique.
Réseaux de neurones en modélisation et simulation
Le réseau neuronal est la branche de l'intelligence artificielle. Le réseau neuronal est un réseau de nombreux processeurs appelés unités, chaque unité ayant sa petite mémoire locale. Chaque unité est connectée par des canaux de communication unidirectionnels appelés connexions, qui transportent les données numériques. Chaque unité fonctionne uniquement sur ses données locales et sur les entrées qu'elle reçoit des connexions.
L'histoire
La perspective historique de la simulation est énumérée dans un ordre chronologique.
Le premier modèle neuronal a été développé en 1940 par McCulloch & Pitts.
Dans 1949, Donald Hebb a écrit un livre «The Organization of Behavior», qui a souligné le concept de neurones.
Dans 1950, les ordinateurs étant avancés, il est devenu possible de faire un modèle sur ces théories. Cela a été fait par les laboratoires de recherche IBM. Cependant, l'effort a échoué et les tentatives ultérieures ont réussi.
Dans 1959, Bernard Widrow et Marcian Hoff, ont développé des modèles appelés ADALINE et MADALINE. Ces modèles ont plusieurs éléments ADAptive LINear. MADALINE a été le premier réseau de neurones à être appliqué à un problème du monde réel.
Dans 1962, le modèle perceptron a été développé par Rosenblatt, ayant la capacité de résoudre des problèmes simples de classification de motifs.
Dans 1969, Minsky & Papert ont fourni une preuve mathématique des limites du modèle de perceptron dans le calcul. Il a été dit que le modèle du perceptron ne peut pas résoudre le problème X-OR. De tels inconvénients ont conduit au déclin temporaire des réseaux de neurones.
Dans 1982, John Hopfield de Caltech a présenté ses idées sur papier à la National Academy of Sciences pour créer des machines utilisant des lignes bidirectionnelles. Auparavant, des lignes unidirectionnelles étaient utilisées.
Lorsque les techniques traditionnelles d'intelligence artificielle impliquant des méthodes symboliques ont échoué, il est alors nécessaire d'utiliser des réseaux de neurones. Les réseaux de neurones ont leurs techniques de parallélisme massif, qui fournissent la puissance de calcul nécessaire pour résoudre de tels problèmes.
Zone d'application
Le réseau neuronal peut être utilisé dans des machines de synthèse vocale, pour la reconnaissance de formes, pour détecter des problèmes de diagnostic, dans des tableaux de commande robotiques et des équipements médicaux.
Ensemble flou dans la modélisation et la simulation
Comme indiqué précédemment, chaque processus de simulation continue dépend d'équations différentielles et de leurs paramètres tels que a, b, c, d> 0. En général, les estimations ponctuelles sont calculées et utilisées dans le modèle. Cependant, parfois ces estimations sont incertaines, nous avons donc besoin de nombres flous dans les équations différentielles, qui fournissent les estimations des paramètres inconnus.
Qu'est-ce qu'un ensemble flou?
Dans un ensemble classique, un élément est soit membre de l'ensemble ou non. Les ensembles flous sont définis en termes d'ensembles classiquesX comme -
A = {(x, μA (x)) | x ∈ X}
Case 1 - La fonction μA(x) a les propriétés suivantes -
∀x ∈ X μA (x) ≥ 0
sup x ∈ X {μA (x)} = 1
Case 2 - Laissez ensemble flou B être défini comme A = {(3, 0.3), (4, 0.7), (5, 1), (6, 0.4)}, alors sa notation floue standard s'écrit A = {0.3/3, 0.7/4, 1/5, 0.4/6}
Toute valeur avec une note d'appartenance de zéro n'apparaît pas dans l'expression de l'ensemble.
Case 3 - Relation entre un ensemble flou et un ensemble croustillant classique.
La figure suivante illustre la relation entre un ensemble flou et un ensemble net classique.
