1

The article deals with the display of multidimensional experimental data. We consider in detail the way of data visualization, which is called Chernoff faces. For this method as the experimental data were collected psychological data of students from various universities (National Research Tomsk Polytechnic University, Siberian State Medical University, Tomsk State Pedagogical University, Tomsk Institute of Business). Analysis of the results showed that using this method can distinguish different groups of students. Based on the obtained images, we identified the students into three conditional categories - "positive" students with the best performance, "negative" students, with the worst performers, as well as "neutral" or in other words. These data may provide an opportunity to improve the effectiveness of the organization of psychological assistance to individual groups of students, as to each group would need to apply a single approach.

мотивационная сфера

социально-психологические исследования

пиктограммы

когнитивная компьютерная графика

1. Башмаков А. И., Башмаков И. А. Интеллектуальные информационные технологии. - М.: Изд-во МГТУ им. Н.Э.Баумана, 2005. - 304 с. 6.

2. Берестнева О. Г., Дубинина И. А., Уразаев А. М. Психологическое тестирование. - Томск: Изд-во Томского политехн. ун-та, 2005. - 139 с.

3. Вагин В. Н., Головина Е. Ю., Загорянская А. А., Фомина М. В. Достоверный и правдоподобный вывод в интеллектуальных системах. - М.: Физматлит, 2004. - 703 с. 5.

4. Дюк В., Эмануэль В. Информационные технологии в медико-биологических исследованиях. - СПб.: Питер, 2003. - 528 с. 7.

5. Зенкин А. А. Когнитивная компьютерная графика. - М.: Наука, 1991. - 192с. 1.

6. Интернет - университет информационных технологий [Электронный ресурс]. - Режим доступа: http://www.intuit.ru/department, свободный. 2.

7. Тарасов В. Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. - М.: Эдиториал УРСС, 2002. - 352 с. 4.

8. Шаропин К. А., Берестнева О. Г., Шкатова Г. И. Визуализация результатов экспериментальных исследований // Известия Томского политехнического университета, 2010. - Т. 316, № 5. - С. 172-176.

9. Graphical Representation of Multivariate Data by Means of Asymmetrical Faces (by Bernard Flury and Hans Riedwyl) [Электронный ресурс].- Режим доступа http://www.jstor.org/pss/2287565 3.

Стремление человека выразить мысль, передать идею в форме графического изображения старо как мир. Выбор того или иного средства визуализации зависит от поставленной задачи (например, нужно определить структуру данных или же динамику процесса) и от характера набора данных.

Как известно, когнитивная компьютерная графика - это графика, которая помогает с помощью некоего изображения получить новое, т.е. еще не существующее даже в голове специалиста знание или, по крайней мере, способствовать интеллектуальному процессу получения этого знания .

Когнитивная графика - это совокупность приемов и методов образного представления условий задачи, которое позволяет либо сразу увидеть решение, либо получить подсказку для его нахождения .

Методы когнитивной графики используются в искусственном интеллекте в системах, способных превращать текстовые описания задач в их образные представления, и при генерации текстовых описаний картин, возникающих во входных и выходных блоках интеллектуальных систем, а также в человеко-машинных системах, предназначенных для решения сложных, плохо формализуемых задач.

Д. А. Поспелов сформулировал три основных задачи когнитивной компьютерной графики :

1. Создание таких моделей представления знаний, в которых была бы возможность однообразными средствами представлять как объекты, характерные для логического мышления, так и образы-картины, с которыми оперирует образное мышление.
2. Визуализация тех человеческих знаний, для которых пока невозможно подобрать текстовые описания.
3. Поиск путей перехода от наблюдаемых образов-картин к формулировке некоторой гипотезы о тех механизмах и процессах, которые скрыты за динамикой наблюдаемых картин.

С возрастанием количества накапливаемых данных, даже при использовании сколь угодно мощных и разносторонних алгоритмов Data Mining , становится все сложнее "переваривать" и интерпретировать полученные результаты. А как известно, одно из положений Data Mining - поиск практически полезных закономерностей. Закономерность может стать практически полезной, только если ее можно осмыслить и понять.

Одну и ту же информацию можно представить при помощи различных средств. Для того чтобы средство визуализации могло выполнять свое основное назначение - представлять информацию в простом и доступном для человеческого восприятия виде - необходимо придерживаться законов соответствия выбранного решения содержанию отображаемой информации и ее функциональному назначению. Иными словами, нужно сделать так, чтобы при взгляде на визуальное представление информации можно было сразу выявить закономерности в исходных данных и принимать на их основе решения. "Лица Чернова" - это один из наиболее искусно разработанных средств визуализации .

Из всех зрительных навыков у человека сильнее всего развита способность к восприятию лиц других людей. Особый участок коры головного мозга узнает лицо, определяет направление взгляда и т.д. Другие части мозга (миндалевидное тело и островковая доля) анализируют выражение лица, а участок в префронтальной зоне лобной доли и система мозга, отвечающая за чувство удовольствия, оценивают его красоту. Лица Чернова (Chernoff Faces) - это схема визуального представления мультивариативных данных в виде человеческого лица. Каждая часть лица: нос, глаза, рот - представляет собой значение определенной переменной, назначенной для этой части .

Основная идея в том, что для человека очень естественно смотреть на лица, ведь все люди делают это каждый день. Поэтому анализ данных получается «натуралистичным». Легко делать сравнения и легко выявлять отклонения. Даже блондинки смогут производить мультивариативный анализ значительного количества данных.

Для каждого наблюдения рисуется отдельное "лицо", где относительные значения выбранных переменных представлены как формы и размеры отдельных черт лица (например, длина носа, угол между бровями, ширина лица). Таким образом, наблюдатель может идентифицировать уникальные для каждой конфигурации значений наглядные характеристики объектов.

Итак, каждое лицо - это массив из 18 элементов, каждый из которых принимает значение от 0 до 1. Значению соответствует внешний вид соответствующей части лица. Параметры исследуемых объектов приводятся к этим значениям. Экстремумы реальных данных будут приняты как 0 и 1. Все остальное - лежащим в этом промежутке. По полученному массиву конструируется лицо по следующим параметрам:

1.Размер глаза.
2. Размер зрачка.
3. Позиция зрачка.
4. Наклон глаза.
5. Горизонтальная позиция глаза.
6. Вертикальная позиция глаза.
7. Изгиб брови.
8. Плотность брови.
9. Горизонтальная позиция брови.
10. Вертикальная позиция брови.
11. Верхняя граница волос.
12. Нижняя граница волос.
13. Обвод лица.
14. Темнота волос.
15. Наклон штриховки волос.
16. Нос.
17. Размер рта.
18. Изгиб рта.

В 1981 году Бернард Флури и Ганс Ридвил (Bernhard Flury and Hans Riedwyl) улучшили концепцию и добавили «Лицам Чернова» асимметрию, что позволило количество переменных увеличить вдвое - до 36 .

Сложность заключается в правильном сопоставлении исследуемых переменных с частями лица. При ошибке важные закономерности могут остаться незамеченными.
Флури в приводит пример удачного анализа с помощью лиц. Он проанализировал 100 реальных и 100 поддельных банкнот по параметрам размера границ, отступов и диагоналей (рис.1).

Рис. 1. Анализ банкнот при помощи метода «лица Чернова»

Поддельные банкноты четко выделились в отдельную группу.
В последнее время появились работы по использованию асимметрии в «Лицах Чернова» для оценки динамики состояния многомерных объектов. В рассматривается применение данного подхода для сравнения состояния пациентов до и после лечения (рис.2). Левая сторона лица построена по значениям параметров «до лечения», а правая - «после лечения».

Рис.2. Анализ состояния пациентов при помощи метода «лица Чернова»

Пиктографики применяются, как правило, в двух случаях: 1) когда нужно выявить характерные зависимости или группы наблюдений и 2) когда необходимо исследовать предположительно сложные взаимосвязи между несколькими переменными. В первом случае пиктографики используются для классификации наблюдений аналогично кластерному анализу .

Авторами была исследована возможность применения пиктографиков «Лица Чернова» в задачах анализа социально-психологических данных на примере анализа мотивационной сферы студентов. Экспериментальные данные представляют собой результаты психологического тестирования (тест «Мотивация учебной деятельности» ) студентов пяти вузов (Национальный исследовательский Томский политехнический университет, Сибирский государственный медицинский университет, Томский государственный педагогический университет, Томский институт бизнеса).

Результаты тестирования представляют собой значения семи основных шкал мотивационного профиля (П - поддержание жизнеобеспечения, К - потребность в комфорте, С - социальный статус, О - общение, Д - деловая активность, ДР - творческая активность, ОД - общественная полезность) и дополнительных шкал, отражающих соотношение астенической и стенической составляющей в обычном состоянии и состоянии фрустрации, а также соотношение «реальной» и «идеальной» мотивации. Подробное описание этих показателей представлено в .

Ниже представлено несколько вариантов графического отображения мотивационной сферы студентов с помощью «лиц Чернова», построенных в пакете Statistica .

На рис.3 представлены «лица», построенные по семи основным шкалам мотивационной сферы, на рис.4 - по семи основным и двум дополнительным шкалам, на рис.5 - по семи основным и четырем дополнительным. На каждом рисунке имеется также информация о взаимном соответствии характеристик «лица» и показателей мотивационной сферы.

Рис. 3. «Лица Чернова», построенные по семи основным мотивационным шкалам

Как видно из рис. 3, на основе данного набора показателей получены практически одинаковые графические отображения. Поэтому для решения задачи выявления различий в мотивационной сфере студентов на основе пиктографиков "лица Чернова» были реализованы еще два варианта - на основе 9 показателей мотивационной сферы (рис. 4), на основе 11 показателей (рис. 5) и на основе 15 показателей (рис. 6).

Рис. 4. «Лица Чернова», построенные по семи основным мотивационным шкалам и двум дополнительным

Рис. 5. «Лица Чернова», построенные по семи основным мотивационным шкалам и четырем дополнительным

Рис. 6. «Лица Чернова», построенные по семи основным мотивационным шкалам и восьми дополнительным

Заметим, что метод «Лиц Чернова» довольно сложен, а его использование требует проведения большого числа экспериментов по сопоставлению черт лица с исходными данными. Вместе с тем он является одним из наиболее эффективных методов когнитивной графики при выявлении скрытых закономерностей в разнотипных социально-психологических данных.

Рецензенты:

• Фокин Василий Александрович, д.т.н., доц., профессор, Сибирский государственный медицинский университет, г. Томск.
• Языков Константин Геннадьевич, д.м.н., снс., профессор, Сибирский государственный медицинский университет, г. Томск.
• Замогильный С. И., д. филос. н., профессор, зав. кафедрой гуманитарных наук Энгельсского технологического института Саратовского государственного технического университета, г. Энгельс.

Библиографическая ссылка

Берестнева О.Г., Берестнева О.Г., Дзюра А.Е. КОГНИТИВНАЯ ГРАФИКА В СОЦИАЛЬНО ПСИХОЛОГИЧЕСКИХ ИССЛЕДОВАНИЯХ // Современные проблемы науки и образования. – 2012. – № 3.;
URL: http://science-education.ru/ru/article/view?id=6434 (дата обращения: 03.03.2019). Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»

Распознавание образов и когнитивная графика

В.М. Хачумов,

д.т.н., проф., зав. лаб, vmh @ vmh . botik . ru , ИПС РАН

г.н.с., vmh @ isa . ru , ИСА РАН,

ИСА РАН, г. Москва; ИПС РАН, г. Переславль-Залесский

Введение

В основу доклада положены исследования, которые выполнялись в течение ряда последних лет в Учреждениях Российской академии наук Институте программных систем им. А.К.Айламазяна РАН (ИПС РАН) и Институте системного анализа РАН (ИСА РАН). Они отражают результаты сотрудничества в области распознавания образов и поддержки принятия решений с такими учреждениями как: НИЦЭВТ, РНИИ космического приборостроения, НИИ космических систем. Ранее велись работы с РКК «Энергия» им. С.П. Королева в содружестве с Российским государственным научно-исследовательским испытательным центром подготовки космонавтов имени Ю.А.Гагарина» (РГНИИЦПК). Существует неразрывная взаимосвязь дисциплин, необходимых для практического решения сложных технических задач обработки снимков и распознавания образов в различных приложениях.

рис.1. Взаимосвязь дисциплин

Если главной дисциплиной здесь считать «распознавание образов» то две другие (обработка сигналов, машинная графика) являются обслуживающими. Однако это обслуживание, направленное на подготовку данных, по объему вычислений существенно превосходит основное направление. Многие алгоритмы машинной графики и обработки сигналов, необходимые для решения задач распознавания образов,были разработаны в 1981-1984 годах в Институте проблем управления РАН в лаб. №18. Сюда можно отнести алгоритмы отсечения, определения ориентации плоских и пространственных графических образов, спектрального анализа типовых кривых на основе ДПФ и другие.В это время было актуальным погружение алгоритмов машинной графики в специализированные вычислительные структуры. Весь наработанный арсенал алгоритмов оказался полезным впоследствии при решении задач интеллектуализации наземной станции командно-измерительной системы (НС КИС) с целью повышения ее автономности и функциональности. Причем основной упор делался на использование возможностей искусственных нейронных сетей (ИНС) в качестве эффективных распознавателей. Стала актуальной задача построения когнитивных (способствующих пониманию) графических образов, как для космических, так и медицинских приложений.

1. Распознавание графических образов

Объектом приложения методов распознавания графических образов и когнитивной графики явилась перспективная НС КИС, ориентированная на обработку информации со спутников. Перечислим некоторые задачи обработки космической информации:

1) обнаружение локальных объектов на аэрокосмических снимках,

2) кластеризация и распознавание целевых объектов,

3) определение местоположения объекта в заданной системе координат,

4) сжатие и восстановление графической информации,

5) фильтрация,

6) прогнозирование данных телеметрии (временных рядов),

7) обнаружение неисправностей и НШС.

Технологию первичной обработки информации составляют волновые алгоритмы выделения объектов на снимках, методы удаления заведомо ложных объектов и нормализации претендентов на распознавание. Большое значение для качества работы ИНС имеет приведение графических объектов к стандартному виду в смысле ориентации и масштаба.

ИНС используются в самом конце технологической цепочки, причем от качества предобработки и типа нейронной сети в значительной мере зависит результат распознавания. Это связано с большой чувствительностью ИНС к наличию шумов, положению и масштабу образови т.д.

Кроме типовых сетей можно формировать и специальные сети. Результаты работы нейронных сетей (в основном использовались сети прямого распространения, Хемминга и Кохонена): примерно 60%-80%правильногораспознавания. Результат удается несколько улучшить за счет, применениякомитетовИНС.

Для улучшения результатов отделения целевых объектов от ложных использован комплекс методов специальной обработки, в том числе методы выделения контуров, сжатия пространства признаков, выделения «скелетного изображения» и др.

Так, например, задача определения воздушной цели потребовала использования технологии выделения контуров, вычисления инвариантных моментов и применения обобщенной метрики Евклида-Махаланобиса.

Важная по значимости прикладная задача – выделение регионов. Регион – это область на космическом снимке, которая представляет по ряду причин интерес для пользователя. Предложенная технология формирования эталонных текстур и обобщенная метрика решают достаточно уверенно поставленную задачу даже без знания спектральных характеристик точек поверхности, получаемых со спутников в результате дистанционного зондирования Земли.

Обобщенная метрика является универсальной. Она в отличие от метрики Махаланобиса применима в случаях, когда выделяемая область содержит совершенно одинаковые или очень близкие по яркости пиксели, т.е. когда нет разброса яркостных параметров.

Другая не менее важная задача – сжатие и фильтрация графической информации. Фильтрация осуществляется сетью Хопфилда, а сжатиесетью Кохонена. Сеть Кохонена проигрывает при прочих равных условиях алгоритму JPEG -2000, однако здесь имеет место элемент защиты информации, т.к. без знания настроек сети расшифровать целевую информацию невозможно.

Отдельное направление исследований связано с анализом изображений для медицинских приложений.Исходные данные в виде наборов признаков и соответствующих им классов получают на основе наблюдения под микроскопом

графических изображений образцов биологической жидкости пациентов (фаций). Для распознавания используют знания экспертов – высококвалифицированных врачей, предоставляемые в виде прецедентов.

Диагноз степени заболевания мочекаменной болезнью (норма, низкая, умеренная, высокая) пациента получают на основе автоматического измерения цвето-яркостных характеристик полутонового снимка. Признаки отражают соотношения черного и белого цветов соответственно в белковой и кристаллической зоне фации, корреляцию яркостей изображений белковой и кристаллической зон и другие соотношения, на основе которых удается построить диагноз с использованием деревьев решения и нейронных сетей.

2. Когнитивная графика

В настоящее время нет единых принципов когнитивного отображения информации, но есть понимание того факта, что графические образы способны нести в себе в сжатой и одновременно с этим доступной для пользователя форме информацию достаточную для принятия адекватного решения. Каждый образ создается индивидуально с учетом конкретной прикладной области, изучается в процессе жизненного цикла объекта и интерпретируется экспертом с использованием накопленных знаний. Многомерные данные с помощью ЭВМ могут быть соотнесены в когнитивный графический образ в виде интегральных функциональных профилей или сцен, отражающих особенности состояния объекта. Единый математический аппарат анализа и общие методы визуализации многомерных данных в настоящее время отсутствуют. Очевидно, речь может идти об интеграции и оптимизации таких представлений применительно кконкретным прикладным областям.

Для построения схемы решения задачи распознавания образов удобно пользоваться средствами графического интерфейса, которые позволяют не только формировать алгоритм обработки данных подключением соответствующих исполнительных модулей, но и отслеживать порядок решения в динамике путем цветовой подсветки соответствующих связей.

Для контроля настройки ИНС с небольшим числом нейронов применяется специальный графический динамический образ. Такое представление позволяет видеть состояние сети, знаки коэффициентов (синий и красный цвета) и величины весовых коэффициентов, путем их отображения оттенками синего и красного цветов.

Выполнялись работы по визуализации космической информации для повышения оперативности работы операторов. Пуск ракеты космического назначения охватывает порядка 20 процессов и визуализируется в виде когнитивной круговой диаграммы. Активные процессы отображаются темно-зелеными секторами, неактивные – светло-зелеными. Красным цветом выделяется состояние подсистемы, где имеет место сбой.Возможная поломка подсистемы представляется графическим образом второго уровня. Если наблюдаемая подсистема характеризуется совокупностью измеряемых параметров, то возникает кольцевое изображение третьего типа, контролирующее выход за допустимые пределы отдельных параметров.

За общим состоянием НС КИС следит специальный интерфейс, который снабжен когнитивным графическим дополнением. Если какой-либо из параметров вышел из нормы, то отличительный цвет сектора обобщенного образа дает знать о том, где произошли сбои в работе системы или возникли неблагоприятные условия. Когнитивное дополнение к интерфейсу НС КИС имеетдвухуровневую систему вложения.

Контроль исправности датчиков положения космического аппарата реализуется путем визуализации его трехмерной модели, подключенной к потоку телеметрии. По поведению модели легко обнаруживаются сбои конкретных датчиков.

Совместно с Центром подготовки космонавтов разработано когнитивное отображение процессов сближения и стыковкиКА, которое служит как для обучения космонавтов, так и для использования в режиме реального времени непосредственно на борту.

Для отработки алгоритмов автоматического определения параметров мишени стыковочного узла космического аппарата с использованием телевизионной камеры был разработан трехмерный графический образ мишени, функционирующий в условиях моделируемых помех и шумов.

Отдельное направление образует когнитивная графика в медицине. Многомерные медицинские данные с помощью ЭВМ могут быть соотнесены в когнитивный графический образ в виде интегральных функциональных профилей или сцен, отражающих особенности состояния объекта. Когнитивная графика может обеспечить, например,непрерывный контроль состояния пациентов, визуализируя текущие состояние и характерные особенности заболевания.

Основные результаты были получены в результате проведения совместных исследований с медицинским факультетом РУДН. Ниже показаны примеры когнитивной визуализации обострения бронхиальной астмы. Образ больного можно также представлять в виде областей (кругов), каждый из которых визуализирует свой параметр состояния больного и окрашивается в соответствии со значением этого параметра. Цвет параметров меняется от зеленого к красному через желтый. Зеленый цвет – значение в пределах нормы, красный – далеко от нормы, желтый и желто-оранжевый – промежуточные значения. Все величины нормируются так, чтобы значение параметра в пределах нормы было близко к нулю, а значения, далеко отстоящие от нормы ближе к единице.

Весьма информативны проекции трехмерных образов («звезд») состояний человека с легким и тяжелым обострением бронхиальной астмы, которые можно наблюдать в разных плоскостях. При отклонении параметров от нормы (в любую сторону) звезда увеличивается, причем в зависимости от упорядочения параметров по-разному. При увеличении первых параметров наблюдается сглаживание и объединение отдельных выпуклостей, а при увеличении последних параметров обнаруживается тенденция к разделению и увеличению числа концов «звезды». Звезда» пациента при обострении тяжелой степени намного превосходит в размерах звезду легкого обострения и выглядит более гладкой. По когнитивным образам врач способен моментально оценить общее состояние больного и принять адекватное решение.

Заключение

Рассмотренные методы распознавания могут быть рекомендованы для практического применения в НС КИС в том числе:обнаружения и сопровождения целей,обработки снимков ДЗЗ, прогнозирования метеоданных, контроля телеметрии и диагностики. Введение средств когнитивной графики в космических системах позволяет: контролировать и обнаруживать неисправности;ускорять процессы понимания ситуации. Во всех рассмотренных приложениях для визуализации данных, представляющих наблюдаемый динамический объект, использовалась когнитивная машинная графика. Когнитивная графика позволяет преобразовать числовую информацию об объектах с большим количеством параметров (признаков) в наглядные графические динамические образы. Образы формируются средствами 2-х и 3-х мерной машинной графики с применением цветовых яркостных представлений и специальных интегральных разверток. После короткого обучения образы становятся понятными пользователю – врачу или оператору космической системы и способствуют принятию оперативных решений. Разрабатываемые интеллектуальные средства легли в основу программных средств интеллектуальной информационной поддержки операторов НС КИС и врачей. Они обладают повышенной оперативностью представления информации в доступной форме, возможностью прогнозирования и предупреждения нештатных ситуаций.

Исследования выполнены при финансовой поддержке Пр ограммы Союзного государства «Космос - НТ» (проект «Нейросеть»), Программы "Информационные технологии и методы анализа сложных систем" Отделения нанотехнологий и информационных технологий РАН (проект 2.2. « Развитие методов интеллектуального управленияна основе анализа потоков данных»), РФФИ (проекты: № 08-01-00485-а, № 09-07-00006-а, 09-07-00043-а, 09-07-00439-а).

Литература

1. Хачумов В.М. Проект создания программной системы для распознаванияграфических образов на основе нейронных сетей. – Нейрокомпьютеры: разработка, применение N9, 2008. с.52-54.

2. Хачумов. В.М О расширении функциональных возможностей искусственных нейронных сетей. – Авиакосмическое приборостроение, 2008,№ 5, с.53-59

3. Талалаев А.А., Тищенко И.П., Фраленко В.П., Хачумов В.М. Анализ эффективности применения искусственных нейронных сетей для решения задач распознавания, сжатия и прогнозирования. –Искусственный интеллект и принятие решений, 2008, №2, с.24-33.

4. Хачумов В.М. Нейросетевые технологии обработки информации в космических приложениях. – Труды Третьей Всероссийской научной конференции «Методы и средства обработки информации» (МСО-2009, 6-8 октября 2009 года).– М.: Издательский отдел факультета ВМиК МГУ имени М.В.Ломоносова; МАКС-Пресс, 2009, с.420-425.

5. Зенкин А.А. Когнитивная компьютерная графика/ Под ред. Д. А. Поспелова- М. Наука 1991. – 187 с.

6. Хачумов В.М., Фраленко В.П. Эксперименты с прогнозированием, сжатием и фильтрацией данных на основе нейронных сетей. – Нейрокомпьютеры: разработка,применение,2008, №9, с.35-42.

7. Хачумов В.М., Ксенофонтова Е.В. Образный анализ и диагностика сложных процессов. – Доклады 11-й Всероссийской конференции «Математические методы распознавания образов» (ММРО-11, 23-29 ноября 2003 г., Пущино). – М.:, 2003, с.201-204.

Анализ сцен

Обработка и анализ изображений

Изобразительная компьютерная графика

Направления компьютерной графики

В нынешнем, устоявшемся состоянии принято разделять компьютерную графику на следующие направления:

• изобразительная компьютерная графика,
• обработка и анализ изображений,
• анализ сцен (перцептивная компьютерная графика),
• компьютерная графика для научных абстракций (когнитивная компьютерная графика – графика, способствующая познанию).

Объекты: синтезированные изображения.

• построение модели объекта и генерация изображения,
• преобразование модели и изображения,
• идентификация объекта и получение требуемой информации.

Объекты: дискретное, числовое представление фотографий.

• повышение качества изображения,
• оценка изображения – определение формы, местоположения, размеров и других параметров требуемых объектов,
• распознавание образов – выделение и классификация свойств объектов (обработка аэрокосмических снимков, ввод чертежей, системы навигации, обнаружения и наведения).

Итак, в основе обработки и анализа изображений лежат методы представления, обработки и анализа изображений плюс, естественно, изобразительная компьютерная графика хотя бы для того, чтобы представить результаты.

Предмет: исследование абстрактных моделей графических объектов и взаимосвязей между ними. Объекты могут быть как синтезированными, так и выделенными на фотоснимках.

Первый шаг в анализе сцены – выделение характерных особенностей, формирующих графический объект(ы).

Примеры: машинное зрение (роботы), анализ рентгеновских снимков с выделением и отслеживанием интересующего объекта, например, сердца.

Итак, в основе анализа сцен (перцептивной компьютерной графики) находятся изобразительная графика + анализ изображений + специализированные средства.

Только формирующееся новое направление, пока недостаточно четко очерченное.

Это компьютерная графика для научных абстракций, способствующая рождению нового научного знания. База – мощные ЭВМ и высокопроизводительные средства визуализации.

Общая последовательность познания заключается в, возможно циклическом, продвижении от гипотезы к модели (объекта, явления) и решению, результатом которого является знание. Модель общей последовательности познания представлена на рисунке 2.1.

Рисунок 2.1 – Последовательность процесса познания

Человеческое познание использует два основных механизма мышления, за каждым из которых закреплена половина мозга:

• осознанное, логико-вербальное, манипулирует абстрактными последовательностями символов (объектов) + семантика символов + прагматические представления, связанные с символами. Возраст этого механизма, связанного с наличием речи, – до 100 тыс. лет:
• неосознанное, интуитивное, образное, работает с чувственными образами и представлениями о них. Возраст этого механизма – время существования на Земле животного мира.

Первоначально ЭВМ имели малую производительность процессоров и средств компьютерной графики, т.е. по сути дела имели возможность работы только с символами (некоторый упрощенный аналог логического мышления).

С появлением супер-ЭВМ, производительностью в миллиард и более операций в секунду и графических супер-станций, производительностью до сотен миллионов операций в секунду, появилась возможность достаточно эффективного манипулирования образами (картинами).

Важно отметить, что мозг не только умеет работать с двумя способами представления информации, причем с образами он работает иначе и эффективнее чем ЭВМ, но и умеет соотносить эти два способа и совершать (каким-то образом) переходы от одного представления к другому.

В этом контексте основная проблема и задача когнитивной компьютерной графики – создание таких моделей представления знаний, в которых можно было бы однообразно представлять как объекты, характерные для логического (символического, алгебраического) мышления, так и объекты, характерные для образного мышления.

Другие важнейшие задачи:

• визуализация тех знаний, для которых не существует (пока?) символических описаний,
• поиск путей перехода от образа к формулировке гипотезы о механизмах и процессах, представленных этими (динамическими) образами на экране дисплея.

Появление когнитивной компьютерной графики – сигнал о переходе от эры экстенсивного развития естественного интеллекта к эре интенсивного развития, характеризующегося глубоко проникающей компьютеризацией, рождающей человеко-машинную технологию познания, важным моментом которой является непосредственное, целенаправленное, активирующее воздействие на подсознательные интуитивные механизмы образного мышления.

Одним из ярких и наиболее ранних примеров приложения когнитивной компьютерной графики является работа Ч. Страуса «Неожиданное применение ЭВМ в чистой математике» (ТИИЭР, т. 62, N 4, 1974, с. 96 – 99). В ней показано как для анализа сложных алгебраических кривых используется «n-мерная» доска на основе графического терминала. Пользуясь устройствами ввода, математик может легко получать геометрические изображения результатов направленного изменения параметров исследуемой зависимости. Он может также легко управлять текущими значениями параметров, «углубляя тем самым свое понимание роли вариаций этих параметров». В результате получено «несколько новых теорем и определены направления дальнейших исследований».

В работе приводится исследование целей и задач когнитивной компьютерной графики и моделирования. Рассмотрена их классификация. Приводится сравнительный анализ когнитивной компьютерной графики и моделирования.
Рассматриваются пакеты и инструментальные средства, реализующие идеи когнитивных наук. Приведена их классификация и особенности применения.
Приведен обзор отечественных и зарубежных разработок в области когнитивных наук. Сделан анализ перспективности таких работ.

1 Введение в когнитивные компьютерные науки

С развитием нашего общества лавинообразно растет поток информации нуждающейся в обработке. И соответственно растет сложность ее анализа. Объем этих задач превышает возможности человеческого разума. Даже определенная машинная обработка не всегда позволяет извлечь новые или желаемые знания из потока информации. Поэтому возникает необходимость в качественно ином уровне ее обработки, предусматривающем использование методов и средств когнитивной компьютерной графики или моделирования.

Основной задачей когнитивных методов является автоматизация части функций познавательных процессов. Поэтому эти технологии можно применять во всех областях, в которых востребовано само познание.

Общая цель компьютерных когнитивных наук - создание качественно нового знания, путем преодоления барьеров восприятия, познания и понимания, связанных с представлением информации в привычной буквенно-цифровой форме. Например, рождение принципиально новых научных идей часто не может быть сведено к процессу дедукции, формально - логическому выводу гипотез и теорий.

1.1 Основные понятия

В общем, под когнитивным компьютерным моделированием (ККМ) понимается моделирование ментальных, познавательных процессов. Однако в виду того, что последнее время когнитивное моделирование широко применяется в трудно формализуемых задачах принятия решений и управления, гораздо чаще можно встретить следующее определение.
ККМ - это способ анализа, обеспечивающий определение силы и направления влияния факторов на перевод объекта управления в целевое состояние с учетом сходства и различия во влиянии различных факторов на объект управления. Основу таких когнитивных моделей обычно представляет классическая когнитивная карта.

Классическая когнитивная карта – это ориентированный граф, в котором привилегированной вершиной является некоторое будущее (как правило, целевое) состояние объекта управления, остальные вершины соответствуют факторам, дуги, соединяющие факторы с вершиной состояния имеют толщину и знак, соответствующий силе и направлению влияния данного фактора на переход объекта управления в данное состояние, а дуги, соединяющие факторы показывают сходство и различие во влиянии этих факторов на объект управления .

В приводится аналогичное определение и указывается на то, что причинно-следственный граф представляет собой упрощенную субъективную модель функциональной организации наблюдаемой системы и является «сырым» материалом для дальнейших исследований и преобразований – когнитивного моделирования. На рисунках 1.1 – 1.2 приводятся примеры когнитивных карт.

Рисунок 1.1 - Пример когнитивной карты некоторой экономической ситуации, разработанной в системе когнитивного моделирования “КАНВА”

Рисунок 1.2 - Пример когнитивной карты, разработанной в системе когнитивного моделирования “ iThink ”

Наиболее общее определение когнитивного компьютерного моделирования приводится в , где под ним понимается синтез традиционного компьютерного моделирования и когнитивной компьютерной графики.
Понятие когнитивных мегакарт вводится в как специальной разновидности классических когнитивных карт. Здесь же рассматриваются их классификация и примеры.

Под когнитивной компьютерной графикой (ККГ) будем понимать создание таких моделей представления знаний, в которых была бы возможность представлять как объекты, характерные для вербально - логического, символьного уровня мышления, так и образы-картины, характерные для несимвольного мышления. ККГ непосредственно связана с процессом научного творчества .

1.2 Задачи когнитивной компьютерной графики

В настоящее время компьютерная графика - это одно из наиболее бурно развивающихся направлений новых информационных технологий. Так, в научных исследованиях, в том числе и в фундаментальных, характерный для начального этапа акцент на иллюстративной функции КГ все более смещается в сторону использования тех возможностей КГ, которые позволяют активизировать свойственную человеку способность мыслить сложными пространственными образами. В связи с этим начинают четко различать две функции КГ: иллюстративную и когнитивную.

Иллюстративная функция КГ позволяет воплотить в более или менее адекватном визуальном оформлении лишь то, что уже известно, т.е. уже существует либо в окружающем нас мире, либо как идея в голове исследователя. Когнитивная же функция КГ состоит в том, чтобы с помощью некоего графического изображения получить новое, т.е. еще не существующее даже в голове специалиста знание или, по крайней мере, способствовать интеллектуальному процессу получения этого знания.
Иллюстративные функции КГ реализуются в системах декларативного типа при передаче пользователям артикулируемой части знания, представленной в виде заранее подготовленной информации с графическими анимационными - и видео иллюстрациями.

Когнитивная же функция КГ проявляется в системах процедурного типа, когда пользователи "добывают" знания с помощью исследований, как на математических моделях изучаемых объектов, так и в процессе анализа оперативной деятельности ЛПР на различных видах объектов контроля и управления. Понятно, что поскольку этот процесс формирования знаний опирается на интуитивный правополушарный механизм мышления, сами эти знания в существенной мере носят экспертный характер .

1.3 Задачи когнитивной компьютерного моделирования

Когнитивный подход в моделировании ориентирован на то, чтобы активизировать интеллектуальные процессы субъекта и помочь ему зафиксировать свое представление проблемной ситуации в виде формальной модели. Как упоминалось и ранее в качестве такой модели обычно используется когнитивная карта ситуации.
Технология когнитивного анализа и моделирования позволяет системно охарактеризовать и обосновать сложившуюся ситуацию и на качественном уровне предложить пути решения проблемы в этой ситуации с учетом факторов внешней среды.

Применение когнитивного анализа и моделирования открывает новые возможности прогнозирования и управления в различных областях:
– в экономической сфере это позволяет в сжатые сроки разработать и обосновать стратегию экономического развития предприятия, банка, региона или даже целого государства с учетом влияния изменений во внешней среде;
– в сфере финансов и фондового рынка – учесть ожидания участников рынка;
– в военной области и области информационной безопасности – противостоять стратегическому информационному оружию, заблаговременно распознавая конфликтные структуры и вырабатывая адекватные мер

2 Классификация задач когнитивной компьютерной графики и моделирования

Сами по себе понятия когнитивная графика и когнитивное моделирование существенно отличаются. Соответственно отличаются и разработки, которые ведутся в этих направлениях. Но эти две области компьютерных наук невозможно рассматривать отдельно. Они находятся в тесной взаимосвязи и исследуют проблемы, дополняющие друг друга.
Как в когнитивном моделировании, так и в когнитивной графике выделяются 3 основные направления, решаемых задач, представленные в таблице 1.

Таблица 2.1 Классификация задач ККМ и ККГ

	ККМ	ККГ
1	задача вербализируема, но не решаема или трудно решаема без применения некоторых нетрадиционных методов, например, экспертных систем	создание таких моделей представления знаний, в которых была бы возможность однообразными средствами представлять как объекты, характерные для логического мышления, так и образы-картины, с которыми оперирует образное мышление
2	моделирование когнитивных процессов, связанных с пониманием и обработкой текстово-графической информации, т.е. разработка систем типа “Текст - рисунок” и “Рисунок - текст”	визуализация тех человеческих знаний, для которых пока невозможно подобрать текстовые описания
3	системы восприятия и оценки” -во многом сходно с пунктом 1, однако, здесь критична не столько сложность задачи, сколько объем исходной информации и время, дающееся на принятие решения	поиск путей перехода от наблюдаемых образов-картин к формулировке некоторой гипотезы о тех механизмах и процессах, которые скрыты за динамикой наблюдаемых картин

Однако имеющиеся на сегодняшний день исследования, разработки и программные продукты фактически не разграничивают задачи на ККМ и ККГ, а решают их вместе в рамках одного из трех направлений.

2.1 Повышение когнитивности отображаемой динамики процессов

Очень часто возникает проблема критичности времени реакции оператора на изменение определенных параметров в системах управления реального времени. Оператор должен в случае возникновения аномальной ситуации принять решение о корректности поведения соответствующих подсистем. Принятие неадекватных или неправильных решений может привести к значительным материальным потерям.

Для уменьшения времени, необходимого для восприятия той или иной информации, при ее предъявлении имеет смысл обращаться не столько к малопроизводительному “механизму” логики, сколько к более мощному – интуитивно ассоциативному мышлению.
В данном случае когнитивный подход учитывает, что информация, представленная в виде изменения формы, цвета фигуры, искажение ее пропорций, воспринимается гораздо быстрее, чем та же информация в текстовом виде.

2.2 Когнитивное моделирование процессов для последующего анализа

Цель когнитивного моделирования заключается в генерации и проверке гипотез о функциональной структуре наблюдаемой ситуации до получения функциональной структуры, способной объяснить поведение наблюдаемой ситуации.

Основные требования к компьютерным системам когнитивного моделирования – это открытость к любым возможным изменениям множества факторов ситуации, причинно-следственных связей, получение и объяснение качественных прогнозов развития ситуации (решение прямой задачи «Что будет, если …»), получение советов и рекомендаций по управлению ситуацией (решение обратной задачи «Что нужно, чтобы …»).
Узким местом существующих систем когнитивного моделирования ситуаций является несогласованность их пользовательского интерфейса и алгоритмов обработки с психологическими особенностями субъективного измерения значений и силы взаимовлияния факторов наблюдаемой ситуации. Эта несогласованность приводит к ошибкам и заблуждениям эксперта при определении силы взаимовлияния факторов, которые включаются в когнитивную модель ситуации. Разработка стратегии поведения субъекта на основе когнитивной модели с заблуждениями, естественно, приводит к стратегиям-заблуждениям.

2.3 Качественная визуализация данных

В течение многих тысячелетий основными носителями интеллектуального человеческого знания являлись речь, текст и статичное изображение. Но все эти носители могут лишь описывать динамику какого-либо процесса, но не воспроизводить ее. Со временем человеческое знание углубляется и значительно усложняется, поэтому для его передачи необходимы средства, способные отображать динамику, а не описывать ее. Одним из первых таких носителей является видео изображение, но оно не способно отобразить динамику большинства процессов. В дальнейшем для решения этой проблемы стали использовать компьютерное моделирование.

Но недостаточно просто передать знание. Необходимо передать его в такой форме, чтобы оно было доступно для понимания познающего. В этом и заключается отличие КМ от ККМ и проблема выбора категорий представления знаний.Дело в том, что с детства человека учат мыслить категориями реального мира, которые он может осязать, видеть и т.п. Но чем старше ребенок, тем больше абстрактных категорий и методов манипулирования ими ему приходится усваивать.

Кроме того, поток информации все время возрастает и меняется. В вузах обучение представляет собой запоминание бесконечного нагромождения схем, графиков и абзацев сложно читаемого и труднодоступного для понимания текста. Каждый день в памяти приходится фиксировать сотню абстрактных объектов и взаимосвязи между ними. А многие понятия, описывающие динамику какого-либо процесса, часто оказывается сложно передать даже в нескольких схематических рисунках.
Таким образом, в когнитивных моделях должна быть выбрана такая репрезентация научных понятий, которая бы способствовала запуску механизмов мышления и побуждала обучаемого не запомнить какие-то знания, а осознавать их.

О необходимости учитывать особенности интеллектуального восприятия информации говорится и в . В качестве примера приводятся способы отображения полей физических характеристик технических объектов и алгоритмы построения соответствующих изображений, обладающих высоким когнитивным потенциалом. Так распределения усилий пластины, невозможно представить себе без моделирования. А вот выбор модели представления зависит от конкретного индивидуума.

Рисунок 2.1 – Распределение усилий в пластине (два варианта).

3 Классификация программных продуктов, использующих идеи когнитивного компьютерного моделирования и графики.

3.1 Поддержка когнитивного интерфейса

Повышение когнитивности интерфейсов взаимодействия человека и машины решает рассмотренную выше задачу критичности времени реакции оператора.
Например, если на пульт оператора, управляющего сложной технологией в реальном времени выводится информация от нескольких тысяч датчиков дискретного и непрерывного типа, для ее отображения используется множество видео образов (мнемосхем, таблиц и т.п.). Оператор должен осмыслить всю эту информацию и в случае возникновения аномальной ситуации принять решение о коррекции поведения соответствующих подсистем. Принятие неадекватных или неправильных решений может привести к тяжелым материальным или даже людским потерям, время же имеющееся на обдумывание, исчисляется минутами. Поэтому люди, выполняющие роль операторов или диспетчеров в таких ситуациях, зачастую испытывают стрессовые перегрузки.

Активными разработками в этом направлении занимается компания "ТАСМО-БИТ":
-КОГРА – когнитивная интеллектуальная система реального времени для оперативного управления
-ДИЭКС – динамическая экспертная система оперативной диагностики состояния оборудования экологически опасных объектов и производств.
-ДИКОБРАЗ – система предназначена для построения пользовательского интерфейса и настройки взаимодействия между элементами пользовательского интерфейса и элементами доступа к внешним источникам данных.
На рисунке 3.1 представлены средства, внедренные в рамках пользовательского интерфейса системы СПРИНТ-РВ на блоке 5 Нововоронежской АЭС.

Рисунок 3.1 – Пример когнитивного пользовательского интерфейса .

3.2 Когнитивное моделирование в пакетах имитационного моделирования

Не любая среда имитационного моделирования может быть когнитивной. Для этого необходимо чтобы выполнялись задачи когнитивной графики, т.е. необходимо как минимум наличие в этой среде объектов, характерных для логического мышления или образов-картинок, с которыми оперирует образное мышление.
Так, например, для моделирования бизнес процессов разработаны методологии и стандарты, позволяющие их описывать и наглядно представлять. SADT - является одной из самых известных и широко используемых систем моделирования. SADT - аббревиатура слов Structured Analysis and Design Technique (Технология структурного анализа и проектирования) - это графические обозначения и метод описания процессов. SADT может применяться на всех стадиях жизненного цикла системы. Признание полезности SADT привело к стандартизации и публикации ее части, предназначенной для функционального моделирования, как методологии и стандарта функционального моделирования IDEFO.
Эти и другие стандарты использованы в таких пакетах как BPwin фирмы Logik Works, ProCap 6.0, ProSim 7.0, SmartER 5.0 компании Knowledge Based Systems Inc. и др.
Визуализация предметной области в большинстве имеющихся на сегодняшний день программных пакетов осуществляется с помощью классических когнитивных карт. Первые такие модели были изобретены еще в начале 80-х. На них базируется большинство современных систем динамического моделирования в финансах, политике и бизнесе.
Среди наиболее популярных современных разработок можно назвать компании Hyper Logic, IntelligenceWare, InfraLogic, Aptronix, Oracle и многие другие. Пакет CubiCalc фирмы HyperLogic является одной из наиболее мощных экспертных систем на основе нечеткой логики.
На постсоветском пространстве наибольшей популярностью пользуются пакеты iThink и Simulink. Однако эти пакеты достаточно сложны в использовании, хотя по документации ориентированы на «обычных менеджеров».
Последние годы разработки и собственно готовые пакеты аналогичных систем появились и на отечественном рынке. Среди них:
- программные комплексы "Ситуация", "Компас", "КИТ" созданными в ИПУ РАН
- система когнитивного моделирования «КАНВА», Кулинич А. А.
- системное когнитивное моделирование КТР ЭВС Кутаков С. В.
и др.
Отдельно в этом направлении следует выделить работы А.Е. Янковской. Визуализация и обоснование принятия решений базируются на элементах когнитивной графики, в основу которых положено 4 способа графической визуализации: гистограмма специального типа, равносторонний треугольник, круговая диаграмма с отрезком и прямоугольником, карта Карно. 3.3 Пакеты для разработки качественной визуализации данных Часто знания о техническом объекте, полученные в ходе исследований на многомерных математических моделях и представленные в обычной символьно-цифровой форме, недоступны для анализа человеком из-за достаточно высокого уровня абстрактности информации.
Наиболее общий подход решения этой проблемы реализован в пакете DeductorStudio, который позволяет отображать одни и те же данные множеством различных способов. Особого внимания заслуживает совместная работа нескольких российских вузов: виртуальный фонд естественнонаучных и научно-технических эффектов "Эффективная физика". Проект является учебно-методическим и справочным средством, реализованным на основе современных Internet-технологий, и ориентирован на разные уровни образования (среднее общее; начальное, среднее, высшее и послевузовское профессиональное). Каждый эффект в фонде помимо формализованного и обычного описания имеет анимацию, иллюстрирующую сущность эффекта. В разработках технопарка ДонНТУ класс анимируемых явлений не ограничивается физикой. Уже несколько лет существует портал магистров, в котором каждая научная работа содержит поясняющую анимацию. Еще одним инструментом повышения когнитивности обучения является визуальное программирование – программирование, в котором для передачи семантики используется более чем одно измерение. Замечательная особенность Визуального программирования в том, что оно способствует развитию алгоритмических способностей интеллекта без изучения особенностей и тонкостей внутренней архитектуры компьютера или ОС. Визуальное программирование помогает преодолеть координационный барьер и барьер понимания. Т.е. любому обучаемому для написания программы не нужно изучать особенности синтаксиса операторов, переменных, и т.д.
К таким средам разработки можно отнести VUFC (Visual Unix Filter Components), SIVIL – это язык программирования и библиотека подпрограмм в картинках, LegoRobolab и многие другие.

Выдающиеся достижения в этой области принадлежат Зенкину А.А. Он исследования знание порождающие возможности когнитивной компьютерной графики . Разработанные им системы позволяют работать с образами (пифограммами) абстрактных математических объектов, которые активируют работу правого полушария человеческого мозга, ответственного за визуальное мышление и созидательную интуицию. Это позволяет обнаруживать новые научные факты, идеи, гипотезы. Таким образом, им были получены нетривиальные результаты в теории чисел, логике и теории множеств.

Рисунок 3.3 – Пример с параболой система ДСТЧ - Диалоговая Система для исследования проблем аддитивной Теории Чисел .

Одним из наиболее эффективных методов отображения многомерных векторов информации являются пиктографики – схематические изображения. Типичным примером такого отображения являются лица Чернова.

Лица Чернова представляют собой схематичное изображение лиц, определенным чертам которых соответствуют относительные значения заданных характеристик. Таким образом, разным наборам данных будут соответствовать разные выражения лиц Чернова, позволяющие получить общее представление о состоянии системы и о степени отклонений от нормы отдельных ее характеристик. Например, слишком большие глаза могут указывать на отклонение от нормы соответствующей характеристики на фоне нормы остальных. Иногда этот способ графического представления позволяет выявить скрытые картины взаимосвязей между данными, которые не могут быть обнаружены другими методами.

4 Выводы

В ходе данной работы были изучены цели и задачи когнитивной компьютерной графики и моделирования. Рассмотрена их классификация.
Были изучены пакеты и инструментальные средства, реализующие идеи когнитивных наук.
Установлено, что когнитивное моделирование и графика являются на сегодняшний день перспективными, быстро развивающимися направлениями компьютерных наук, охватывающими достаточно широкий класс прикладных задач.
Наиболее перспективным на сегодняшний день направлением когнитивного компьютерного моделирования на нашем рынке является создание ситуационных центров и экспертных систем, позволяющих принимать решение в трудно формализуемых задачах и обладающих доступным для обычного пользователя интерфейсом. Так как такие системы все больше начинают пользоваться спросом в бизнес среде.
Существующие западные версии таких систем стоят достаточно дорого, реализуются на дорогостоящем оборудовании и трудно доступны для понимания обычного пользователя.
Это с одной стороны открывает еще одну незаполненную нишу на рынке труда, так как наблюдается дефицит специалистов в области обслуживания и настройки таких систем. А с другой стороны дает возможность конкурировать отечественным разработчикам, за счет более низкой себестоимости.

Ниже представлен апплет моделирующий лица Чернова для разных состояний пациента. Размеру глаз соответствует температура пациента, кривизне улыбки - верхнее давление (грустная улыбка - высокое давление) и наличию/отсутствию боли в горле соответствует наличие/отсутствие ушей пиктографика.
Апплет появится ниже в браузере, поддерживающем Java.

Литература

Сайт: ИПУ РАН, Сектор-51 "Когнитивный анализ и моделирование ситуаций": http://www.ipu.ru/labs/lab51/projects.htm.
Кулинич А.А. Субъектно-ориентированная система концептуального моделирования «Канва». Материалы 1-й Международной конференции «Когнитивный анализ и управление развитием ситуаций». Москва, октябрь, 2001 г.
Аноприенко А.Я. От вычислений к пониманию: когнитивное компьютерное моделирование и опыт его практического применения на примере решения проблемы Фестского диска // Научные труды Донецкого государственного технического университета. Выпуск 6. Серия "Информатика, кибернетика и вычислительная техника" (ИКВТ-99). - Донецк: ДонГТУ. - 1999. - С. 36-47
Аноприенко А.Я Когнитивные мегакарты: опыт реконструкции культурообразующих моделей и образов мира // Научные труды ДонНТУ. Выпуск 39 - Донецк: ДонГТУ. - 2002 - С. 206-221
Шемакин Ю. И. Начала компьютерной лингвистики: Учеб. пособие. М.: Издательство МГОУ, А /О "Росвузнаука ", 1992.
Геловани В.А., Башлыков А.А., Бритков В.Б., Вязилов Е.Д. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды: Едиториал УРСС. – 2001.
Соловов А.В. Проектирование компьютерных систем учебного назначения: Учебное пособие. Самара: СГАУ, 1995. 138с.
ЗенкинА.А, .ЗенкинА.А., Когнитивная Реальность:Порождение Творческих Решений В Науке, Образовании, Управлении. //Труды Международной конференции "Пользовательский интерфейс в современных компьютерных системах". - Орел, Россия, 1999
Chernoff H.: "Using faces to represent points in K-dimensional space graphically", J. ASA, 1973, № 68.

При написании реферата (июнь 2006) магистерская работа еще не завершена. Окончательное завершение - январь 2007г. Полный текст работы и все материалы по теме могут быть получены у автора или его руководителя после указанной даты.

УДК 002.53; 004.89; 621.3.068 Дата подачи статьи: 14.03.2014

КОГНИТИВНЫЕ ТЕХНОЛОГИИ ВИЗУАЛИЗАЦИИ МНОГОМЕРНЫХ ДАННЫХ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

В.В. Цаплин, к.в.н., доцент, главный научный сотрудник (НИИ «Центрпрограммсистем», просп. 50лет Октября, 3а, г. Тверь, 170024, Россия, [email protected]); В.Л. Горохов, д.т.н., профессор (Санкт-Петербургский государственный архитектурно-строительный университет, ул. 2-я Красноармейская, 4, г. Санкт-Петербург, 190005, Россия, [email protected]); В.В. Витковский, к.ф.-м.н., профессор (Специальная астрофизическая обсерватория РАН, пос. Нижний Архыз, 1, Карачаево-Черкесия, 369167, Россия, [email protected])

В статье изложены принципы когнитивной машинной графики и приведены примеры ее практического применения для разработки систем поддержки принятия решений (СППР). Феномен когнитивной машинной графики состоит в генерации на экране дисплея изображений, создающих в сознании человека-оператора зрелищные образы. Эти образы имеют эстетическую привлекательность и стимулируют интуицию человека. Изображение на дисплее создает в его сознании движущийся трехмерный образ, который формируется всей совокупностью многомерных данных и визуально отображает свойства изучаемой предметной области. При восприятии этих образов человек-

оператор способен выявлять отдельные геометрические свойства наблюдаемого образа и связывать их с предметным содержанием обрабатываемых многомерных данных. Весьма важной является возможность сочетать предлагаемую когнитивную технологию с современными возможностями интеллектуальных программных интерфейсов и программ многомерного статистического анализа данных. Предлагаются принципиально новые алгоритмические подходы к когнитивной визуализации, основанные на гиперболической геометрии и алгебраических многообразиях. В определенном смысле можно говорить о появлении нового вида СППР - когнитивных систем поддержки принятия решений.

Ключевые слова: когнитивный образ в многомерном пространстве, когнитивная визуализация многомерных статистических данных, алгоритмы когнитивной визуализации обстановки, системы поддержки принятия решений, чрезвычайные ситуации.

Received 14.03.2014

MULTIDIMENSIONAL DATA VISUALIZING COGNITIVE TECHNOLOGIES FOR DECISION-MAKING INTELLIGENT SUPPORT Tsaplin V. V., Ph.D. (Military Sciences), Associate Professor, Chief Researcher (Research Institute «Centerprogramsistem», 50 let Oktyabrya Ave. 3a, Tver, 170024, Russian Federation, [email protected]);

Gorokhov V.L., Dr.Sc. (Engineering), Professor (St. Petersburg State University of Architecture and Civil Engineering, 2nd Krasnoarmeyskaya St. 4, St. Petersburg, 190005, Russian Federation, [email protected]);

Vitkovskiy V. V., Ph.D. (Physics and Mathematics) (Special Astrophysics Observatory of the Russian Academy of Sciences, Nizhny Arkhyz 1, Karachaevo-Cherkesiya, 369167, Russian Federation, [email protected])

Abstract. The article describes principles and examples of cognitive machine graphics for developing Decision Support Systems (DSS). The cognitive machine graphics phenomenon is displaying graphic representations which create spectacular images in the human operator brain. These images stimulate its descriptive impressions, closely related to the intuitive mechanisms of thinking. The cognitive effect is in the fact that man perceives the moving projection as three-dimensional picture characterized by multidimensional data properties in the multidimensional space. After the multidimensional data visual aspects study there appears the possibility for a user to paint interesting separate objects or groups of objects by standard machine drawing. Next user can return to the image rotation procedure to check the intuitive user"s ideas about the clusters and the relationship in multidimensional data. It is possible to develop the cognitive machine drawing methods in combination with other information technologies. They are the packets of digital images processing and multidimensional statistical analysis. The proposed method was based on the idea of possibility to assemble a cognitive image as object in hyperbolic space. In special sense it is possible to say that new kind of DSS - Cognitive Decision Support Systems (CDSS) appear.

Keywords: cognitive image in multidimensional space, cognitive visualization of the multidimensional statistical data, algorithms of environment cognitive visualization, decision support systems, emergency situations.

В настоящее время приобретает актуальность проблема оперативного анализа большого объема динамически изменяющихся параметров всего комплекса исследуемых объектов. Такая проблема возникает, например, в военной сфере при тактическом анализе боевых действий, техногенных катастроф, стратегическом планировании и моделировании использования комплексов вооружений, при создании нового поколения диспетчерских систем, отражающих обстановку в контролируемом воздушном или ином оперативном пространстве. Эти проблемы интенсивно решаются в рамках как стратегического и тактического боевого искусства (с использованием всего арсенала современной математики: теории исследования операций, теории оптимального управления и оптимизации), так и создания автоматизированных комплексов современных вооружений .

При решении этих и других подобных проблем приходится сталкиваться с рядом существенных трудностей, связанных с огромной ролью интуиции оператора, которая опирается на присущие человеку возможности непосредственного восприятия боевой обстановки или чрезвычайной ситуации (ЧС). Современные условия боевых действий и техногенных катастроф оставляют оператора наедине с терминалами, где одновременно

фиксируются тысячи параметров, которые он не в состоянии оперативно воспринять и творчески переработать в своем сознании. Основная трудность в том, что человек - всего лишь элемент сложной автоматизированной системы контроля и управления, которая не адаптирована под его творческие возможности. Разработанные ранее в рамках эргономики методы встраивания оператора в такую систему отчасти позволили адаптировать его к так называемым эрготехническим системам, но огромный потенциал творческой и профессиональной интуиции не использовался в полной мере.

Однако благодаря прогрессу в области когнитивных наук, когнитивной психологии, гносеологии и информационных технологий появились принципиально новые возможности для радикального решения означенных проблем. Этот прогресс особо проявился в создании новых технологий и методик когнитивной машинной графики .

Принципы работы. Предлагаемый авторами подход позволяет осуществлять проекцию многомерных данных, представленных в виде грассма-новых многообразий, на произвольно заданную оператором-исследователем плоскость в многомерном конфигурационном (фазовом) простран-

Рис. 1. Стратификация пострадавших Рис. 2. Стратификация источников при обеспеченности регионов ЧС по срокам и регионам

техническими средствами спасения

Fig. 2. Danger sources Fig. 1. Regions stratification stratification on date

on technical ensuring means and region

Рис. 3. Стратификация состояния и наличия технических средств спасения по регионам

Fig. 3. Regions stratification on salvation facilities and technical condition

стве. При этом подбор наилучшего положения плоскости проекции осуществляет сам пользователь, опираясь на свою интуицию и когнитивный образ перед глазами. Имея возможность активно влиять на ориентацию плоскости проекции в многомерном пространстве, исследователь свободен от предварительных соображений о статистической (геометрической) структуре данных, которые представляют объекты. Человек непосредственно видит на экране проекции кластеров или многомерных поверхностей, в которые формируются его данные. Этот зрелищный образ стимулирует его интуитивное понимание исследуемых объектов .

Ниже приведен краткий пример использования разработанных авторами средств когнитивной визуализации обстановки, способных решать задачу активной и управляемой стимуляции интуиции и эмпирического опыта оператора для принятия адекватных решений в современной сложной и быстроменяющейся обстановке. Кроме этого, предлагаются и развиваются принципиально новые алгоритмические подходы, основанные на гиперболической геометрии и алгебраических многообразиях.

Пример когнитивной визуализации - когнитивный анализ техносферных опасностей, выпол-

ненный в рамках сотрудничества с МЧС России. Исследование проводилось с участием и экспертизой сотрудников ВНИИ ГОЧС (ФЦ) («Всероссийский научно-исследовательский институт по проблемам гражданской обороны и чрезвычайных ситуаций МЧС России» (Федеральный центр науки и высоких технологий)). В качестве исходных данных для анализа использована информация о ЧС, зафиксированных в 1-м квартале 2012 года (703 ЧС). Возникшие на сотнях объектов ЧС анализировались по следующим выделенным параметрам: месяц, состояние, масштаб, регион, количество пострадавших, количество погибших, личный состав, техника, источник ЧС.

Возможные варианты когнитивных образов в статическом положении для анализа этих ЧС (проекция многомерного облака на плоскость, заданную парой осей параметров) приведены на рисунках 1-3.

Можно сделать вывод, что использование визуализации многомерных статистических данных с помощью генерации когнитивного образа в качестве дополнительного инструмента при анализе и прогнозе ЧС позволило обратить внимание на их особые классы, которые без использования интуитивного восприятия когнитивных образов обнаружить не удавалось.

Рис. 4. Когнитивные образы в гиперболическом визуализаторе Fig. 4. Cognitive images in hyperbolic visualizator

Новые алгоритмы когнитивной визуализации. Предлагается дальнейшее развитие алгоритмов когнитивной визуализации на основе интерпретации к-мерного проективного пространства Рк в ^-мерное гиперболическое пространство в ^ с последующим преобразованием последнего в когнитивный трехмерный образ. Такое формирование гиперболической геометрии многомерных данных происходит с использованием плюккеро-вых координат . Подобные алгоритмы способны когнитивно визуализировать даже терабайтные совокупности объектов. Когнитивный образ подобного типа показан на рисунке 4.

Гиперболический алгоритм визуализации поддерживает эффективный режим взаимодействия с иерархиями гораздо большего размера, чем обычные средства визуализации иерархий. Если обычный двухмерный визуализатор в окне 600x600 пикселей может отобразить 100 узлов, то гиперболический браузер может отобразить 1 000 узлов, из них около 50 находятся в фокусе и легко читаются.

Это особенно важно при анализе статистических связей, факторном анализе, обнаружении целей и при их распознавании. Процедура динамической визуализации не опирается на неполные и, возможно, ложные априорные сведения о природе объектов, а значит, не привнося в проекции искажающее влияние той или иной модели, дает возможность использовать визуализированные образы в условиях глубокой априорной неопределенности предметной области боевых действий и вооружений . Авторами выполнена разработка мультиплатформенных Java-версий программных систем SpaceWalker и , способных реализовать технологии когнитивной визуализации оперативной обстановки для диспетчерских служб широкого профиля.

Появляется еще одна возможность когнитивного контроля малейших изменений в состоянии объектов. Как показали исследования, даже малые изменения параметров объектов существенно изменяют их когнитивные образы, что позволяет оператору мгновенно заметить изменение характеристик объектов. Следует подчеркнуть, что использование гиперболической геометрии при создании когнитивного образа позволяет визуально представлять содержание терабайтных многомерных массивов. Кроме того, использование перечисленных применений когнитивной графики будет еще более эффективным при ее внедрении в сетевые технологии. Впечатляющий эффект может быть получен при внедрении метода оперативного анализа в онлайновых системах космического мониторинга .

оперативный анализ большого объема многомерных данных - от планирования операций до мониторинга и моделирования технических систем.

Литература

1. Гаррет Р., Лондон Дж. Основы операций на море; [пер. с англ.]. М.: Воен. изд-во МО, 1974. 268 с.

2. Когнитивный подход; [отв. ред. В.А. Лекторский]. М.: «КАНОН+» РООИ «Реабилитация», 2008. 464 с.

3. Прокопчина С.В., Шестопалов М.Ю., Уткин Л.В., Куприянов М.С., Лазарев В.Л., Имаев Д.Х., Горохов В.Л., Жук Ю.А., Спесивцев А.В. Управление в условиях неопределенности: монография. СПб: Из-во СПбГЭТУ «ЛЭТИ», 2014. 303 с.

4. Зенкин А.А. Когнитивная компьютерная графика. М.: Наука, 1991.

5. Cook D., Swaine D.E. Interactive and Dynamic Graphics For Data Anlysis. Spriger, 2009. 345 p.

6. Горохов В.Л., Муравьев И.П. Когнитивная машинная графика. Методы динамических проекций и робастная сегментация многомерных данных: монография; [под ред. А.И. Ми-хайлушкина]. СПб: СПбГИЭУ, 2007. 170 с.

7. Lo A. Big data, Systemic Risk, and Privacy-Preserving Risk Measurement / Big Data &Privacy - Work Shop Summary Report June 19, 2013 Massachusetts Institute of Technology, 2013. 45 p.

8. Розенфельд Б.А. Многомерные пространства. М.: Наука, 1966. 647 с.

9. Клейн Ф. Высшая геометрия. М.: УРСС, 2004. 400 с.

1. Garret R.A., London J.Ph. Fundamentals of naval operations analysis. United States Naval Institute Publ., 1970, 254 p. (Russ. ed.: Osnovy analiza operatsiy na more. Moscow, Voennoe izdatelstvo, 1974, 268 p.).

2. Lektorskiy V.A. (Ed.) Kognitivnyiy podkhod . Moscow, KANON+ ROOI Reabilitatsiya Publ., 2008, 464 p.

3. Prokopchina S.V., Shestopalov M.Yu., Utkin L.V., Kupriyanov M.S., Lazarev V.L., Imaev D.H., Gorokhov V.L., Zhuk Yu.A., Spesivtsev A.V. Upravlenie v usloviyakh neopredelyonnosti . Monograph, St. Petersburg, St. Petersburg Electrotechnical Univ. "LETI" Publ., 2014, 303 p.

4. Zenkin A.A. Kognitivnaya kompyuternaya grafika . Moscow, Nauka, 1991, 192 p.

5. Cook D., Swaine D.E. Interactive and dynamic graphics for data anlysis. Spriger Publ., 2009, 345 p.

6. Gorokhov V.L., Muravyev I.P. Kognitivnaya mashinnaya grafika. Metody dinamicheskikh proektsiy i robastnaya segmenta-tsiya mnogomernyikh dannykh . Monograph, St. Petersburg, St. Petersburg State University of Economics (UNECON) Publ., 2007, 170 p.

7. Lo A. Big data, systemic risk, and privacy-preserving risk measurement. Big Data & Privacy - Workshop Summary Report. 2013, Massachusetts Institute of Technology Publ., 2013, 45 p.

8. Rozenfeld B.A. Mnogomernyie prostranstva . Moscow, Nauka, 1966, 647 p.

9. Kleyn F. Vyisshaya geometriya . Moscow, URSS Publ., 2004, 2nd ed., 400 p.

10. Vitkovskiy V., Komarinskiy S. 6-D visualization of multidimensional data by means of cognitive technology. Astronomical Data Analysis Software and Systems (ADASS) XIX. Mizumoto Y., Morita K.-I., Ohishi M. (Eds.). USA, San Francisco, 2010, pp. 449-553.