Modelado y simulación: base de datos
El objetivo de la base de datos en Modelado y simulación es proporcionar representación de datos y su relación con fines de análisis y prueba. El primer modelo de datos fue introducido en 1980 por Edgar Codd. Las siguientes fueron las características más destacadas del modelo.
La base de datos es la colección de diferentes objetos de datos que define la información y sus relaciones.
Las reglas son para definir las restricciones sobre los datos en los objetos.
Las operaciones se pueden aplicar a objetos para recuperar información.
Inicialmente, el modelado de datos se basó en el concepto de entidades y relaciones en las que las entidades son tipos de información de datos y las relaciones representan las asociaciones entre las entidades.
El concepto más reciente para el modelado de datos es el diseño orientado a objetos en el que las entidades se representan como clases, que se utilizan como plantillas en la programación de computadoras. Una clase que tiene su nombre, atributos, restricciones y relaciones con objetos de otras clases.
Su representación básica se parece a:
Representación de datos
Representación de datos para eventos
Un evento de simulación tiene sus atributos, como el nombre del evento y su información de tiempo asociada. Representa la ejecución de una simulación proporcionada utilizando un conjunto de datos de entrada asociados con el parámetro del archivo de entrada y proporciona su resultado como un conjunto de datos de salida, almacenados en varios archivos asociados con archivos de datos.
Representación de datos para archivos de entrada
Cada proceso de simulación requiere un conjunto diferente de datos de entrada y sus valores de parámetros asociados, que se representan en el archivo de datos de entrada. El archivo de entrada está asociado con el software que procesa la simulación. El modelo de datos representa los archivos referenciados mediante una asociación con un archivo de datos.
Representación de datos para archivos de salida
Cuando se completa el proceso de simulación, produce varios archivos de salida y cada archivo de salida se representa como un archivo de datos. Cada archivo tiene su nombre, descripción y un factor universal. Un archivo de datos se clasifica en dos archivos. El primer archivo contiene los valores numéricos y el segundo archivo contiene la información descriptiva del contenido del archivo numérico.
Redes neuronales en modelado y simulación
La red neuronal es la rama de la inteligencia artificial. La red neuronal es una red de muchos procesadores nombrados como unidades, cada unidad tiene su pequeña memoria local. Cada unidad está conectada por canales de comunicación unidireccionales denominados conexiones, que transportan los datos numéricos. Cada unidad funciona solo con sus datos locales y con las entradas que reciben de las conexiones.
Historia
La perspectiva histórica de la simulación se enumera en orden cronológico.
El primer modelo neuronal se desarrolló en 1940 por McCulloch & Pitts.
En 1949, Donald Hebb escribió un libro "La organización del comportamiento", que apuntaba al concepto de neuronas.
En 1950Con el avance de las computadoras, fue posible hacer un modelo sobre estas teorías. Fue realizado por los laboratorios de investigación de IBM. Sin embargo, el esfuerzo fracasó y los intentos posteriores tuvieron éxito.
En 1959, Bernard Widrow y Marcian Hoff, desarrollaron modelos llamados ADALINE y MADALINE. Estos modelos tienen múltiples elementos ADAptive LINear. MADALINE fue la primera red neuronal que se aplicó a un problema del mundo real.
En 1962, el modelo de perceptrón fue desarrollado por Rosenblatt, que tiene la capacidad de resolver problemas simples de clasificación de patrones.
En 1969, Minsky & Papert proporcionaron pruebas matemáticas de las limitaciones del modelo de perceptrón en la computación. Se dijo que el modelo de perceptrón no puede resolver el problema X-OR. Tales inconvenientes llevaron al declive temporal de las redes neuronales.
En 1982, John Hopfield de Caltech presentó sus ideas en papel a la Academia Nacional de Ciencias para crear máquinas usando líneas bidireccionales. Anteriormente, se usaban líneas unidireccionales.
Cuando fallan las técnicas tradicionales de inteligencia artificial que involucran métodos simbólicos, surge la necesidad de utilizar redes neuronales. Las redes neuronales tienen sus técnicas de paralelismo masivo, que proporcionan la potencia informática necesaria para resolver este tipo de problemas.
Áreas de aplicación
La red neuronal se puede utilizar en máquinas de síntesis de voz, para el reconocimiento de patrones, para detectar problemas de diagnóstico, en tableros de control robóticos y equipos médicos.
Conjunto difuso en modelado y simulación
Como se discutió anteriormente, cada proceso de simulación continua depende de ecuaciones diferenciales y sus parámetros tales como a, b, c, d> 0. Generalmente, las estimaciones puntuales se calculan y usan en el modelo. Sin embargo, a veces estas estimaciones son inciertas, por lo que necesitamos números difusos en ecuaciones diferenciales, que proporcionan las estimaciones de los parámetros desconocidos.
¿Qué es un Fuzzy Set?
En un conjunto clásico, un elemento es miembro del conjunto o no. Los conjuntos difusos se definen en términos de conjuntos clásicosX como -
A = {(x, μA (x)) | x ∈ X}
Case 1 - La función μA(x) tiene las siguientes propiedades:
∀x ∈ X μA (x) ≥ 0
sup x ∈ X {μA (x)} = 1
Case 2 - Deje que el difuso se establezca B ser definido como A = {(3, 0.3), (4, 0.7), (5, 1), (6, 0.4)}, entonces su notación difusa estándar se escribe como A = {0.3/3, 0.7/4, 1/5, 0.4/6}
Cualquier valor con una calificación de membresía de cero no aparece en la expresión del conjunto.
Case 3 - Relación entre juego difuso y juego clásico nítido.
La siguiente figura muestra la relación entre un conjunto difuso y un conjunto nítido clásico.