建模和仿真中数据库的目的是提供数据表示及其关系，以进行分析和测试。第一个数据模型由Edgar Codd于1980年提出。以下是该模型的主要特征。

• 数据库是定义信息及其关系的不同数据对象的集合。

• 规则用于定义对象中数据的约束。

• 可以将操作应用于对象以检索信息。

最初，数据建模基于实体和关系的概念，其中实体是数据信息的类型，而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，这些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。

它的基本表示像-

数据表示

事件的数据表示

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执行提供的仿真，并将其结果作为一组输出数据提供，并存储在与数据文件关联的多个文件中。

输入文件的数据表示

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参考文件。

输出文件的数据表示

模拟过程完成后，它将生成各种输出文件，并且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。数据文件分为两个文件。第一个文件包含数字值，第二个文件包含数字文件内容的描述性信息。

建模与仿真中的神经网络

神经网络是人工智能的分支。神经网络是由许多称为单元的处理器组成的网络，每个单元都有其较小的本地内存。每个单元通过名为连接的单向通信通道连接，该通道承载数字数据。每个单元仅根据其本地数据以及从连接接收的输入进行工作。

历史

仿真的历史观点按时间顺序列出。

第一个神经模型由McCulloch＆Pitts于1940年开发。

1949年，唐纳德·赫布(Donald Hebb)写了一本书“行为的组织”，该书指出了神经元的概念。

1950年，随着计算机的发展，在这些理论上建立模型成为可能。它是由IBM研究实验室完成的。但是，该尝试失败了，以后的尝试也成功了。

1959年，Bernard Widrow和Marcian Hoff开发了称为ADALINE和MADALINE的模型。这些模型具有多个自适应线性元素。 MADALINE是第一个应用于实际问题的神经网络。

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

1969年，Minsky＆Papert提供了感知器模型在计算中的局限性的数学证明。据说感知器模型不能解决X-OR问题。这样的缺点导致神经网络的暂时衰落。

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展示了使用双向线创建机器的想法。以前，使用单向线。

当涉及符号方法的传统人工智能技术失败时，便需要使用神经网络。神经网络具有庞大的并行技术，可提供解决此类问题所需的计算能力。

应用领域

神经网络可用于语音合成机器中，用于模式识别，检测诊断问题，用于机器人控制板和医疗设备。

建模与仿真中的模糊集

如前所述，连续仿真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，将计算点估计值并将其用于模型中。但是，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，以提供未知参数的估计。

什么是模糊集?

在经典集中，元素不是该集中的成员。根据经典集X将模糊集定义为-

A = {(x，μA(x))| x∈X}

情况1-函数μA(x)具有以下属性-

∀x∈XμA(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)} ，则其标准模糊符号记为A = {0.3 / 3，0.7 / 4，1/5，0.4 / 6}

隶属度为零的任何值都不会出现在集合的表达式中。

情况3-模糊集和经典脆集之间的关系。

下图描述了模糊集和经典明快集之间的关系。