建模与仿真 - 数据库

建模与仿真中数据库的目标是提供数据表示及其关系以用于分析和测试目的。第一个数据模型由 Edgar Codd 于 1980 年提出。以下是该模型的显着特征。

最初，数据建模基于实体和关系的概念，其中实体是数据的信息类型，关系表示实体之间的关联。

数据建模的最新概念是面向对象的设计，其中实体表示为类，在计算机编程中用作模板。具有名称、属性、约束以及与其他类的对象的关系的类。

它的基本表示如下 -

数据表示

模拟事件具有其属性，例如事件名称及其关联的时间信息。它表示使用与输入文件参数关联的一组输入数据来执行所提供的模拟，并将其结果提供为一组输出数据，存储在与数据文件关联的多个文件中。

每个仿真过程都需要一组不同的输入数据及其关联的参数值，这些数据在输入数据文件中表示。输入文件与处理模拟的软件相关联。数据模型通过与数据文件的关联来表示引用的文件。

当仿真过程完成时，它会产生各种输出文件，每个输出文件都表示为一个数据文件。每个文件都有其名称、描述和通用因素。一个数据文件分为两个文件。第一个文件包含数值，第二个文件包含数字文件内容的描述信息。

神经网络是人工智能的一个分支。神经网络是由许多称为单元的处理器组成的网络，每个单元都有其小的本地存储器。每个单元通过称为连接的单向通信通道连接，这些通道携带数字数据。每个单元仅处理其本地数据和从连接接收的输入。

模拟的历史视角是按时间顺序列举的。

第一个神经模型由 McCulloch & Pitts于1940 年开发。

1949年，唐纳德·赫布（Donald Hebb）写了一本《Behave的组织》一书，其中指出了神经元的概念。

1950年，随着计算机的进步，根据这些理论建立模型成为可能。它是由 IBM 研究实验室完成的。然而，这一努力失败了，后来的尝试也取得了成功。

1959年，Bernard Widrow和Marcian Hoff开发了名为ADALINE和MADALINE的型号。这些模型具有多个自适应线性元件。MADALINE 是第一个应用于现实世界问题的神经网络。

1962年，Rosenblatt开发了感知器模型，具有解决简单模式分类问题的能力。

1969年，Minsky 和 Papert 提供了感知器模型在计算中的局限性的数学证明。据说感知器模型无法解决异或问题。这些缺点导致神经网络暂时衰落。

1982 年，加州理工学院的约翰·霍普菲尔德 (John Hopfield) 在纸上向美国国家科学院提出了他的想法，即使用双向线制造机器。以前，使用的是单向线路。

当涉及符号方法的传统人工智能技术失败时，就需要使用神经网络。神经网络拥有大规模并行技术，可以提供解决此类问题所需的计算能力。

神经网络可用于语音合成机、模式识别、检测诊断问题、机器人控制板和医疗设备。

如前所述，连续模拟的每个过程都取决于微分方程及其参数，例如 a、b、c、d > 0。通常，在模型中计算和使用点估计。然而，有时这些估计是不确定的，因此我们需要微分方程中的模糊数，它提供未知参数的估计。

在经典集合中，元素要么是集合的成员，要么不是。模糊集根据经典集X定义为 -

A = {(x,μA(x))| x ∈ X}

情况 1 - 函数μA(x)具有以下属性 -

∀x ∈ X μA(x) ≥ 0

sup x ∈ X {μA(x)} = 1

情况 2 - 令模糊集B定义为A = {(3, 0.3), (4, 0.7), (5, 1), (6, 0.4)} ，则其标准模糊符号写为A = {0.3 /3, 0.7/4, 1/5, 0.4/6}

任何成员资格等级为零的值都不会出现在集合的表达式中。

案例 3 - 模糊集和经典清晰集之间的关系。

下图描述了模糊集和经典清晰集之间的关系。