Когнитивная графика. Когнитивная компьютерная графика

Презентация по дисциплине: «Компьютерная графика» на тему: «Когнитивная компьютерная графика»Выполнил:
Студ.гр. ГК-308
Григорян С.С.
Проверила:
к.э.н., асс. Кадырова Е.Н.

Когнитивная компьютерная графика

Базой когнитивной компьютерной графики являются мощные ЭВМ и высокопроизводительные средства визуализации.

Основные задачи когнитивной компьютерной графики

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.

Уже сегодня мы можем со всей определенностью утверждать, что на наших глазах рождается принципиально новая человеко-машинная реальность, создающая предпосылки интенсивной технологии познания. Речь идет о новых направлениях в области человеко-машинного взаимодействия и искусственного интеллекта - системах когнитивной графики и виртуальной реальности.

Психологами доказано, что связывать умственные способности человека только с высшим вербально-логическим уровнем психического отражения действительности неправомерно. Это отражение включает в себя также сенсорно-перцептивный и образный уровни и соответствующие им способности, которые проявляются в процессах ощущения, восприятия, образной памяти и воображения, поэтому возникает необходимость в создании средств для развития таких способностей. На сегодняшний день уровень развития вычислительных средств так высок, что это позволило начать разработку средств для построения систем, работающих не только на символьно-логическом, но и на сенсорно-перцептивном и образном уровнях. И ведущая роль здесь принадлежит указанным двум новым направлениям развития современной вычислительной науки.

Термин когнитивная графика впервые был рассмотрен русским ученым А.А.Зенкиным в его работе по исследованию свойств различных понятий из теории чисел . Используя зрительные образы абстрактных числовых понятий, он получил результаты, которые раньше получить было невозможно. Направление работ по когнитивной графике бурно развивается, и уже сейчас существует много подобных систем в различных предметных областях: в медицине , для поддержки принятия решений по управлению сложными технологическими системами , в системах, базирующихся на естественном языке .

Следует отметить две функции систем когнитивной графики: иллюстративную и познавательную. Если первая функция обеспечивает чисто иллюстративные возможности, такие как построение диаграмм, гистограмм, графиков, планов и схем, различных картинок, отражающих функциональные зависимости, то вторая позволяет человеку активно использовать свойственную ему способность мыслить сложными пространственными образами.

Термин "виртуальная реальность" ввел в обращение бывший компьютерный хэкер Джа-рон Леньер, создавший в 1984 году фирму "Ви-Пи-Эл Рисерч Корп." в г. Фостер штат Калифорния. Это первая компания по созданию ВР-систем . С начала 90-х годов стали проводиться конференции по средствам моделирования виртуальной реальности и построению систем, позволяющих человеку действовать в условиях среды, которая может качественно отличаться от условий той реальности, в которой он живет.

Существуют два свойства, позволяющие отличить программу, создающую "виртуальный мир" (ВР-система), от традиционных систем компьютерной графики.

1. Кроме простой передачи зрительной информации эти программы одновременно воздействуют еще на на несколько органов чувств, среди которых - слух и даже осязание.

2. ВР-системы взаимодействуют с челове ком, а в наиболее совершенных из них пользо ватель, к примеру, может дотронуться рукой до объекта, существующего лишь в памяти ком пьютера, надев начиненную датчиками пер чатку. В ряде систем можно воспользоваться джойстиком или мышью - тогда можно сделать что-либо с изображенным на экране предметом (скажем, перевернуть его, подвинуть или ос мотреть с обратной стороны).

Разработка систем, в основе которых лежит модель виртуальной реальности, вынуждает решать ряд проблем, характерных для мультимедиа-технологий и технологий когнитивной графики. В данной работе рассматриваются проблемы, связанные с разработкой графических средств для генерации образных представлений динамических сцен, представляющих различные реальности, в том числе и воображаемые.

Рассмотрим задачу построения системы виртуальной реальности для обучения на основе парадигмы "воображаемого мира" физическим законам статики, кинематики и динамики. Будем рассматривать следующий динамический мир: трехмерное замкнутое пространство, совокупность объектов в нем, деятель в данном пространстве (он же обучаемый, назовем его Актором). Задача деятеля - понять законы, присущие миру, в котором он находится и действует, совершая некоторые физические действия с объктами во времени и пространстве.

Выделим основные типы понятий, с которыми будет сталкиваться Актор. Это - объекты, отношения, движения и физические действия. Поставим задачу построения воображаемого мира, отображающего эти категории; при этом состояния такой воображаемой реальности будем описывать в виде текстов на обычном естественном языке. Важным модулем такой ВР-системы является подсистема, строящая по тексту динамически изменяющийся графический образ. Для решения данной задачи используется система ТЕКРИС, разрабатываемая авторами . Ниже рассматриваются общее описание системы ТЕКРИС и графические средства для построения подобных систем.

Структурная схема системы ТЕКРИС

Система ТЕКРИС представляет собой набор программных средств, позволяющих по тексту на естественном языке построить динамически изменяющийся графический образ описанной ситуации. В качестве ограничений, налагаемых на исходное описание, следует отметить следующее: 1) в тексте обязательно присутствует описание начальной статической сцены; 2) все последующие изменения в сцене являются результатом действий, производимых некоторым субъектом (человеком, роботом). Типичным примером такого описания может служить следующее:

В комнате находится стол. На столе стоит лампа. Рядом со столом стоит стул. Позади стола недалеко слева находится книжный шкаф. Справа от стула стоит диван. Иван стоит рядом со шкафом. Иван подошел к столу. Взял лампу. Поставил ее на шкаф.

Структурная схема системы представлена на рисунке 1. На данной схеме программные компоненты представлены в виде прямоугольников, а исходный и промежуточные файлы - в виде овалов.

Описание динамической ситуации на естественном языке поступает на вход лингвистического процессора. Используя словарь предметного мира, он преобразует текст во внутреннее фреймовое представление, которое затем поступает на вход решателя и планировщика.

Решатель, используя блок качественных физических рассуждений и логический блок, строит описание траектории развития ситуации в виде временной последовательности сцен, отражающей динамику развития заданной текстом ситуации.

Планировщик строит графический образ каждой сцены из заданной последовательности, вычисляя для этой цели габариты и координаты всех составляющих сцену объектов, а также формирует необходимые для отображения траектории перемещения предметов и передает все это на вход визуализатора.

Визуализатор последовательно с некоторой задержкой воспроизводит сгенерированные образы на экране дисплея. Например, для указанного выше текстового описания будет сгенерирована начальная сцена, представленная на рисунке 2.

Так же, как лингвистический процессор привязан к предметной области посредством словаря терминов, так и визуализатор имеет привязку к этой же области через базу графических объектов.

База графических объектов представляет собой набор трехмерных описаний предметов и субъектов, которые могут встречаться в анализируемых сценах. Чтобы создать базу для конкретного приложения, используется дополнительная программа, называемая библиотекарь графических объектов.

Рис. 2. Начальная сцена База графических объектов

База графических объектов состоит из набора описаний предметов и субъектов, связанных с рассматриваемой предметной областью. Каждый объект базы данных состоит из имени (или типа), уникального для данной базы (например, "стул", "стол", "диван" и т.п.), и описания состава и взаимного расположения компонентов, его составляющих.

Базисным элементом, из которого строятся все графические объекты, является прямоугольный параллелепипед (см. рис. 3). Для построения сложных объектов в качестве компонентов также могут использоваться ранее определенные другие объекты. Например, для построения такого сложного объекта как "Иван" вначале можно определить следующие более простые объекты: "голова", "рука", "нога", а затем построить "Ивана" из уже имеющихся "кирпичиков".

На рисунке 3 представлен объект "стол", состоящий из пяти базисных элементов. Для каждого объекта определяется прямоугольный параллелепипед, в который он может быть вписан (на рисунке обозначен пунктирной линией), и базисный угол, в котором находится начало координат объекта.

Кроме того, для каждого объекта определяется набор цветов, которыми раскрашиваются его составные части при отображении на экране компьютера:

количество цветов

Для задания одного цвета указываются три тройки чисел где тип закраски определяет порядок смешивания основных цветов:
тип закраски i

тип закраски2

тип закраскиз

При визуализации используется четыре типа закраски сплошным основным или комбинированным цветом, как это изображено на рисунке 4.

Три набора чисел позволяют задать три различных оттенка цвета для раскраски различ

компонент л

Каждый компонент объекта определяется своим положением (координатами относительно базисного угла), габаритами и цветом граней.

Компонент, являющийся базисным элементом, описывается следующим образом:

2) координаты базового угла в системе

координат объекта;

3) углы поворотов вокруг осей системы

координат объекта до совпадения с осями координат элемента;

4) габариты элемента (dx, dy, dz);

5) номер цвета.

Компонент, являющийся в свою очередь объектом, задается следующим образом: 1)тип(=1);

2) имя объекта;

3) координаты базового угла;

4) углы поворотов;

5) габариты;

6) номер цвета.

При визуализации объекта все его компоненты упорядочиваются в зависимости от расстояния до области проекции (экрана дисплея). Вначале отрисовываются самые дальние компоненты, затем ближние, что позволяет закрыть от наблюдателя невидимые части дальних компонентов.

Грани прямоугольного параллелепипеда также упорядочиваются в порядке приближения к области проекции. Для каждой вершины грани осуществляется перевод трехмерных координат из системы координат сцены в двухмерные координаты экрана дисплея по формулам указанным ниже (см. рис. 5). Затем определяется направление вектора нормали и выбирается соответствующий тип закраски грани, после чего на экране дисплея вычерчивается соответствующий грани четырехугольник. Поскольку ближние к наблюдателю элементы выводятся в последнюю очередь, то они закроют собой невидимые грани.

Рис. 5. Проекция объекта на плоскость визуализации

Координаты точки, принадлежащей элементу, в системе координат объекта (х, у, z) вычисляются по следующим формулам:

где (х\ у", z1) - координаты точки в системе элемента;

(xq, уо", zq) - координаты базового угла; tij - направляющие косинусы, т.е. cos угла между осями / и j системы объекта.

Для вычисления направляющих косинусов используется следующая формула:

sina-sinp-cosy+cosa-sinp -cosa-sinp -cosy+sina-sinp

Sina-sinp-siny+cosa-cosy cosa-sinp-siny+sina-cosy

Sina-cosp cosa-cosp

Матрица М задает последовательное вращение вокруг оси х на ос, у на р, z на у. Координаты проекции точки на область экрана вычисляются аналогичным образом.

Библиотекарь графических объектов

Библиотекарь графических объектов представляет собой программу, предназначенную для создания набора предметов и субъектов, которые могут встречаться в анализируемых текстах. Данная программа позволяет создавать новую базу объектов, загружать уже имеющуюся базу, сохранять базу в файл, добавлять к базе новый объект, модифицировать и удалять объект.

Рис. 6. Рабочий экран библиотекаря графических объектов

ных частей, а также значения параметров текущего (редактируемого) компонента.

Все остальное место на экране занимают три ортогональные проекции объекта и его изометрическая проекция, причем имеется возможность изменять точку зрения на объект, задавая углы поворотов вокруг осей координат.

Главное меню программы содержит следующие пункты:

База - создание новой базы объектов, сохранение и загрузка старой базы.

Вид - изменение изометрической проекции (вращение объекта).

Объекты - вывод списка всех объектов, имеющихся в базе, с возможностью перехода к выбранному объекту.

Компонент - задание значений параметров для компонента объекта (положение, габариты, цвет).

Цвета - задание набора цветов для объекта.

Комната - построение и просмотр комнаты из имеющихся объектов (в рассматриваемой версии не реализовано).

Выход - выход из программы.

Расположенные под главным меню кнопки выполняют следующие функции:

Рабочий экран программы приведен на рис. 6. В верхней части экрана расположено главное меню, в нижней - набор основных цветов (16 цветов) и четыре типа закраски. В левом верхнем (после меню) углу экрана расположены пять кнопок для создания и редактирования объекта. Непосредственно под ними расположено наименование объекта, список его состав-

Добавить новый базовый или составной компонент к объекту

Изменить размер (габариты) компонента

Изменить местоположение компонента

Повернуть компонент

Удалить компонент

При создании нового объекта создается прямоугольный параллелепипед с размерами, определяемыми по умолчанию. Размеры компонентов объекта задаются целыми числами в диапазоне от 1 до 400, поэтому при создании базы объектов необходимо масштаб определить таким образом, чтобы отображаемые (не реальные) размеры объекта попали в этот интервал.

Для изменения размеров компонента необходимо нажать кнопку "Size". После этого программа перейдет в режим изменения габаритов, что осуществляется путем перемещения правого нижнего угла соответствующего компоненту прямоугольника в одной из трех ортогональных проекций. Перемещение производится с помощью манипулятора "мышь" при нажатой левой клавише.

Перемещение компонента осуществляется аналогичным образом при нажатии кнопки "Move". Для поворота компонента следует нажать кнопку "Turn". Добавление нового компонента осуществляется при нажатии кнопки "New". При выполнении любой операции с компонентом автоматически пересчитываются габариты объекта и координаты всех его компонентов.

При необходимости с помощью кнопки "Del" компонент объекта может быть удален, что также приводит к пересчету координат и габаритов. Помимо положения и размеров для каждого компонента объекта определяются три оттенка цвета его граней. Выбор того или иного оттенка зависит от положения плоскости грани (ее нормали) в пространстве. Если компонент в свою очередь является объектом, то происходит наследование цветов подобъекта с возможностью их замены на цвета редактируемого объекта.

Для задания цветов объекта или определения цвета компонента необходимо выбрать пункт "Цвета" из главного меню. На экран дисплея будет выведено окно (рис. 7).

В левой части этого окна приведен список цветов объекта, в правой - образец закраски для трех возможных случаев, в нижней - четыре кнопки.

Для задания закраски необходимо выбрать грань (А, В или С) и из нижней части экрана тип закраски, основной (левая клавиша "мыши") и дополнительный (правая клавиша) цвета. При нажатии кнопки "Сохранить" выбранный цвет присваивается компоненту. Кнопки "Добавить" и "Удалить" позволяют добавлять и удалять элементы списка цветов.

В случае отсутствия манипулятора "мышь" для задания значений параметров компонента можно использовать пункт главного меню "Компонент". В этом случае на экране появится окно, изображенное на рисунке 8. В верхней части этого окна задается имя компонента (на рис. "левая ручка" кресла), которое при необходимости можно изменить.

В левой половине окна задаются значения параметров компонента, в правой - набор кнопок для перебора компонентов, добавления и удаления, задания цвета и сохранения и отказа от сохранения изменений.

С помощью этого окна, используя одни лишь клавиши, можно полностью описать объект. Для задания значения параметра необходимо перейти к требуемой строке с помощью клавиш управления курсором ("Вверх", "Вниз") и напечатать новое значение. Отметим, что на рисунке 8 значения габаритов указаны серым цветом, т.е. являются недоступными для изменения, так как ручка кресла в свою очередь является объектом и наследует его размеры.

Закончив редактирование одного объекта, можно перейти к созданию или редактированию другого. Перед выходом из программы базу объектов следует сохранить в файл для дальнейшего использования в программе визуализации трехмерных сцен.

Визуализация трехмерных сцен

Программа-визуализатор может работать в двух режимах. Основным является режим, при котором планировщик строит текущую трехмерную сцену и передает ее для отрисовки визуализатору. При другом режиме работы планировщик формирует последовательность сцен для анализируемого текста и записывает ее в файл, который в дальнейшем используется визуализатором. В этом случае ви-зуализатор выступает в качестве демонстратора сгенерированных последовательностей.

На вход программы подаются два файла - база графических объектов и последовательность сцен - в следующем виде:

Одна сцена отделяется от другой с помощью специальной команды PAUSE (пауза между сценами).

Каждая сцена описывается в виде последовательности команд:

Команда 1

Команда т

Команды подразделяются на команды описания объектов и управляющие команды. Команда описания содержит следующие поля:

Уникальное имя объекта, используемое

в дальнейших сценах;

Тип объекта (имя в базе);

Координаты левого заднего нижнего

угла в системе координат комнаты;

Углы поворотов вокруг осей Координат

Модификатор размера (L - большой, М -

средний, S - малый);

Цвет (от 0 до 8). Если цвет=0, то объект

изображается тем цветом, который используется в базе. В противном случае: 1 - черный, 2 - синий 8 - белый.

Среди множества объектов, описывающих начальную сцену обязательно должен присутствовать объект типа "сцена" (комната). Данный объект является встроенным (отсутствует в базе графических объектов). Он задает размеры комнаты, а также позицию наблюдателя. Задавая каждый раз заново новые углы поворотов, можно менять позицию наблюдателя для просмотра ранее не видимых объектов. Например, на рисунке 9 изображена вторая сцена рассмотренного в начале статьи текста под другим углом зрения.

Рис. 9. Вторая сцена под другим углом зрения

Для создания последовательности сцен используются следующие управляющие команды:

PAUSE - пауза между сценами;

MOVE - перемещение объекта в новую

позицию;» TRACE - показать траекторию перемещения объекта;

DEL - удалить объект из сцены

(используется для визуализации понятия "взять").

В заключение можно отметить, что разрабатываемые графические средства ориентированы на использование в интеллектуальных САПРах, роботах, в системах обучения, построения компьютерных игр,"в системах виртуальной реальности. Программные средства системы позволяют представлять данные, выраженные в текстовой и графической формах и манипулировать ими.

Следующим шагом в развитии этих средств является разработка системы, позволяющей манипулировать в пределах не одной отдельно взятой сцены, а в некоторой их совокупности, что позволит создавать более сложные миры.

При рассмотрении проблем построения методов и средств для создания систем новых поколений в области человеко-машинного взаимодействия (в широком смысле этого слова) еще раз хочется подчеркнуть исключительную роль образных, невербальных представлений в различных творческих и интеллектуальных процессах, включая обучение, открытие новых знаний, управление сложными объектами и др., поэтому так необходимы новые средства, помогающие использовать весь спектр человеческих способностей. И здесь, несомненно, важная роль принадлежит компьютерным системам с новыми технологиями поддержки этих способностей, в частности, на основе систем когнитивной графики и виртуальной реальности.

Список литературы

5. Зенкин А А. Когнитивная компьютерная графика // М.: Наука, 1991.-С. 187.

7. Ракчеева Т.А. Когнитивное представление ритмической структуры ЭКГ // Программные продукты и системы. - 1992. -Л6 2.- С. 38-47.

4. Еремеев А.П., Короткое О.В., Попов А.В. Визуальный контролер для систем поддержки принятия решений // Труды / Ш конф. по искусственному интеллекту. Тверь.-1992. Т. 1.- С. 142-145.

2. Бахарев И.А., Ледер В.Е., Матекин М.П. Инструментальные средства интеллектуальной графики дня отоб-

ражения динамики сложного технологического процесса // Программные продукты и системы. -1992. - № 2.- С. 34-37.

8. V.Bajdoun, LXitvintseva. SJvfalitov et al. Tekris: The intelligent system for text animation // Proc. of East-West Conf. on Art. Intell. EWAIC93. September 7-9, Moscow, Russia. 1993.

3. Гамильтон Дж., СмитЭ., Мак Уильяме Г. и др. Виртуальная реальность // Бизнес уик. - 1993. - № 1.

6. Литвинцева Л.В. Концептуальная модель системы визуализации трехмерных динамических сцен // Программные продукты и системы. №2.1992.

1. Байдун В.В., Бунин А.И., Бунина О.Ю. Анализ текстовых описаний динамических пространственных сцен в системе ТЕКРИС // Программные продукты и системы. -1992. -№3. - С. 42-48.

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.

4. КОГНИТИВНАЯ КОМПЬЮТЕРНАЯ ГРАФИКА В ИНЖЕНЕРНОЙ ПОДГОТОВКЕ

Появление и развитие средств интерактивной компьютерной графики (ИКГ) открывает для сферы обучения принципиально новые графические возможности, благодаря которым учащиеся могут в процессе анализа изображений динамически управлять их содержанием, формой, размерами и цветом, добиваясь наибольшей наглядности. Эти и ряд других возможностей ИКГ слабо еще осознаны педагогами, в том числе и разработчиками информационных технологий обучения, что не позволяет в полной мере использовать учебный потенциал ИКГ. Дело в том, что применение графики в учебных компьютерных системах не только увеличивает скорость передачи информации учащимся и повышает уровень ее понимания, но и способствует развитию таких важных для специалиста любой отрасли качеств, как интуиция, профессиональное "чутье", образное мышление.
Воздействие ИКГ на интуитивное, образное мышление привело к возникновению нового направления в проблематике искусственного интеллекта, названного в работе когнитивной (т.е. способствующей познанию) компьютерной графикой. В данном разделе рассматриваются роль и место когнитивной компьютерной графики в инженерной подготовке, обсуждается ряд известных и предлагаются новые более когнитивные способы графического отображения полей физических параметров, описываются алгоритмы построения соответствующих изображений и приводятся результаты сопоставления рассмотренных способов визуализации с позиций их когнитивной эффективности.

4.1. Дуализм человеческого мышления
Человеческое сознание использует два механизма мышления . Один из них позволяет работать с абстрактными цепочками символов, с текстами и т.п. Этот механизм мышления обычно называют символическим, алгебраическим или логическим. Второй механизм мышления обеспечивает работу с чувственными образами и представлениями об этих образах. Его называют образным, геометрическим, интуитивным и т.п. Физиологически логическое мышление связано с левым полушарием человеческого мозга, а образное мышление - с правым полушарием.
Основные различия в работе полушарий головного мозга человека обнаружил американский ученый Р. Сперри, который однажды в лечебных целях рискнул рассечь межполушарные связи у больных эпилепсией . Человек, у которого было "отключено" правое полушарие, а "работало" левое, сохранял способность к речевому общению, правильно реагировал на слова, цифры и другие условные знаки, но часто оказывался беспомощным, когда требовалось что-то сделать с предметами материального мира или их изображениями. Когда же работало одно "правое" полушарие, пациент легко справлялся с такими задачами, хорошо разбирался с произведениями живописи, в мелодиях и интонациях речи, ориентировался в пространстве, но терял способность понимать сложные речевые конструкции и совершенно не мог сколько-нибудь связно говорить.
Каждое из полушарий человеческого мозга является самостоятельной системой восприятия внешнего мира, переработки информации о нем и планирования поведения в этом мире. Левое полушарие представляет собой как бы большую и мощную ЭВМ, имеющую дело со знаками и процедурами их обработки. Естественно-языковая речь, мышление словами, рационально-логические процедуры переработки информации и т.п. - все это реализуется именно в левом полушарии. В правом же полушарии реализуется мышление на уровне чувственных образов: эстетическое восприятие мира, музыка, живопись, ассоциативное узнавание, рождение принципиально новых идей и открытий и т.п. Весь тот сложный механизм образного мышления, который нередко определяют одним термином "интуиция", и является правополушарной областью деятельности мозга.
Нередко правополушарное мышление связывают с деятельностью в искусстве. Иногда это мышление даже называют художественным. Однако и более формализованные виды деятельности в существенной мере используют интуитивный механизм мышления. Любопытны высказывания крупных ученых о роли интуиции в научной деятельности. "Подлинной ценностью, - говорил А. Эйнштейн , - является, в сущности, только интуиция. Для меня не подлежит сомнению, что наше мышление протекает, в основном, минуя символы (слова) и к тому же бессознательно". И в другом месте: "Ни один ученый не мыслит формулами" .
Даже такая абстрактная формализованная область науки, как математика, в существенной мере использует правополушарное мышление. "Вы должны догадаться о математической теореме прежде, чем вы ее докажите; вы должны догадаться об идее доказательства прежде, чем вы его проведете в деталях" . А. Пуанкаре высказывается еще более определенно: " ... для того, чтобы создать арифметику, как и для того, чтобы создать геометрию или какую бы то ни было науку, нужно нечто другое чем чистая логика. Для обозначения этого другого у нас нет иного слова, кроме слова "интуиция" .
Различие между двумя механизмами мышления можно проиллюстрировать принципами составления связного текста из отдельных элементов информации: левополушарное мышление из этих элементов создает однозначный контекст, т.е. из всех бесчисленных связей между предметами и явлениями оно активно выбирает только некоторые, наиболее существенные для данной конкретной задачи . Правополушарное же мышление создает многозначный контекст, благодаря одновременному схватыванию практически всех признаков и связей одного или многих явлений. Иными словами логико-знаковое мышление вносит в картину мира некоторую искусственность, тогда как образное мышление обеспечивает естественную непосредственность восприятия мира таким, каков он есть.
Человеческое мышление и человеческое поведение обусловлено совместной работой обоих полушарий человеческого мозга. В одних ситуациях преобладает логический компонент мышления, в других - интуитивный. По мнению психологов все люди делятся на три группы: с преобладающим "левополушарным" мышлением, с "правополушарным", со смешанным мышлением. Это разделение генетически предопределено, и существуют специальные тесты для определения склонности к тому или иному типу мышления .
Описанные выше фундаментальные различия между лево- и правополушарной стратегией переработки информации имеют прямое отношение к формированию различных способностей. Так, для научного творчества, т.е. для преодоления традиционных представлений, необходимо восприятие мира во всей его целостности, что предполагает развитие способностей к организации многозначного контекста (образного мышления). И действительно, существуют многочисленные наблюдения, что для людей, сохраняющих способности к образному мышлению, творческая деятельность менее утомительна, чем рутинная, монотонная работа. Люди же, не выработавшие способности к образному мышлению, нередко предпочитают выполнять механическую работу, причем она им не кажется скучной, поскольку они как бы "закрепощены" собственным формально-логическим мышлением. Отсюда ясно, как важно с ранних пор правильно строить воспитание и обучение, чтобы оба нужных человеку типа мышления развивались гармонично, чтобы образное мышление не оказалось скованным рассудочностью, чтобы не иссякал творческий потенциал человека.
В разработке интеллектуальных систем, как отмечает Д.А. Поспелов, имеет место "левополушарный крен" . Еще в большей, по-видимому, степени такой "левополушарный крен" характерен и для современного образования, в том числе для используемых в нем компьютерных методов и средств. Явление это не такое уж безобидное. Негативное влияние компьютеризации инженерной подготовки, о котором говорилось выше (см. п. 3.1), во многом объясняется слабым воздействием используемых компьютерных систем на интуитивный, образный механизм мышления.
В связи с этим четкое выделение неявных, подсознательных компонент знания позволяет также четко ставить задачу их освоения, формулировать соответствующие требования к методам и средствам обучения, в том числе и к методам компьютерной графики.

4.2. Иллюстративная и когнитивная функции компьютерной графики

В настоящее время интерактивная 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 ИКГ все более смещается в сторону использования тех возможностей ИКГ, которые позволяют активизировать "... свойственную человеку способность мыслить сложными пространственными образами" . В связи с этим начинают четко различать две функции ИКГ: иллюстративную и когнитивную .

Иллюстративная функция ИКГ 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 ИКГ состоит в том, чтобы с помощью некоего ИКГ-изображения получить новое, т.е. еще не существующее даже в голове специалиста знание или, по крайней мере, способствовать интеллектуальному процессу получения этого знания.

Основная идея различий иллюстративной и когнитивной функций ИКГ, выделенная в работе при описании использования ИКГ в научных исследованиях, хорошо вписывается в классификацию знаний и компьютерных систем учебного назначения (см. п. 1.1). Иллюстративные функции ИКГ реализуются в учебных системах декларативного типа при передаче учащимся артикулируемой части знания, представленной в виде заранее подготовленной информации с графическими, анимационными, аудио- и видеоиллюстрациями (рис. 4.1). Когнитивная же функция ИКГ проявляется в системах процедурного типа, когда учащиеся "добывают" знания с помощью исследований на математических моделях изучаемых объектов и процессов, причем, поскольку этот процесс формирования знаний опирается на интуитивный правополушарный механизм мышления, сами эти знания в существенной мере носят личностный характер. Каждый человек формирует приемы подсознательной умственной деятельности по-своему. Современная психологическая наука не располагает строго обоснованными способами формирования творческого потенциала человека, пусть даже профессионального. Одним из известных эвристических подходов к развитию интуитивного профессионально-ориентированного мышления является решение задач исследовательского характера. Применение учебных компьютерных систем процедурного типа позволяет в существенной мере интенсифицировать этот процесс, устранив из него рутинные операции, сделать возможным проведение различных экспериментов на математических моделях.

Рис. 4.1. Концептуальное различие между когнитивной и иллюстративной функциями компьютерной графики

Роль ИКГ в этих учебных исследованиях трудно переоценить. Именно ИКГ-изображения хода и результатов экспериментов на математических моделях позволяют каждому учащемуся сформировать свой образ изучаемого объекта или явления во всей его целостности и многообразии связей. Несомненно также, что ИКГ-изображения выполняют при этом прежде всего когнитивную, а не иллюстративную функцию, поскольку в процессе учебной работы с компьютерными системами процедурного типа у учащихся формируются сугубо личностные, т.е. не существующие в таком виде ни у кого, компоненты знаний.

Конечно, различия между иллюстративной и когнитивной функциями компьютерной графики достаточно условны. Нередко обычная графическая иллюстрация может натолкнуть каких-то учащихся на новую мысль, позволит увидеть некоторые элементы знания, которые не "вкладывались" преподавателем-разработчиком учебной компьютерной системы декларативного типа. Таким образом, иллюстративная по замыслу функция ИКГ-изображения превращается в функцию когнитивную. С другой стороны, когнитивная функция ИКГ-изображения при первых экспериментах с учебными системами процедурного типа в дальнейших экспериментах превращается в функцию иллюстративную для уже "открытого" и, следовательно, уже не нового свойства изучаемого объекта.

Тем не менее, принципиальные отличия в логическом и интуитивном механизмах мышления человека, вытекающие из этих различий формы представления знаний и способы их освоения, делают полезным в методологическом плане различение иллюстративной и когнитивной функции компьютерной графики и позволяют более четко формулировать дидактические задачи ИКГ-изображений при разработке компьютерных систем учебного назначения.

4.3. Задачи когнитивной компьютерной графики

В предисловии к работе известный специалист в области искусственного интеллекта Д. А. Поспелов сформулировал три основных задачи когнитивной компьютерной графики. Первой задачей является 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. Вторая задача - визуализация тех человеческих знаний, для которых пока невозможно подобрать текстовые описания. Третья - поиск путей перехода от наблюдаемых образов-картин к формулировке некоторой гипотезы о тех механизмах и процессах, которые скрыты за динамикой наблюдаемых картин.

Разработчики систем инженерного анализа, автоматизированного проектирования и учебных компьютерных систем процедурного типа имеют дело со второй из описанных здесь задач когнитивной графики, когда знания о техническом объекте, полученные в ходе исследований на многомерных математических моделях и представленные в обычной символьно-цифровой форме, становятся недоступными для анализа человеком из-за большого объема информации. Рассмотрим далее ряд способов отображения полей физических характеристик технических объектов и алгоритмы построения соответствующих изображений, обладающих высоким когнитивным потенциалом.

4.4. Исходные предпосылки алгоритмов визуализации

Будем считать, что набор стандартных графических функций, которые используют программисты при разработке учебных прикладных программ, позволяет высвечивать на экране дисплея точку, указав ее координаты и цвет, проводить отрезок прямой линии, указав его цвет и координаты концов, осуществлять геометрические преобразования координат и преобразования проецирования.

Будем также считать, что изображаемое поле физических характеристик представлено в виде дискретных значений в узлах плоской сети элементов (ПСЭ) треугольной или четырехугольной формы. Эта сеть может отображать или все поле, либо его фрагмент, например, сечение трехмерного поля плоскостью. Заметим, что такая форма представления параметров естественна для ряда численных сеточных методов, например, широко используемый в САПР метод конечных элементов предполагает сеточную аппроксимацию.

Итак, на входе прикладных графических программ, реализующих рассматриваемые ниже алгоритмы, должно быть топологическое и геометрическое описание ПСЭ со значениями отображаемых характеристик в узлах сети. Топологию сети удобно хранить в виде матрицы, в каждой строке которой указан номер элемента ПСЭ и номера окружающих его узлов. Геометрическое описание ПСЭ - это матрица, в строках которой указаны координаты узлов сети.

В зависимости от способа визуализации будем использовать два вида аппроксимации отображаемых параметров в пределах элемента ПСЭ: постоянную и билинейную. Для постоянной аппроксимации в пределах четырехугольного элемента ПСЭ величина изображаемого параметра , где - величины параметров в узлах сети, окружающих элемент ПСЭ.

Для билинейной аппроксимации введем безразмерные координаты и и вспомогательный квадрат (рис. 4.2). Соответствующее преобразование координат и изображаемого параметра осуществляется по формуле, аналогичной так называемым функциям формы в методе конечных элементов :

(4.1)

Рис. 4.2. Трансформация произвольного четырехугольника во вспомогательный квадрат.

Для регуляризации алгоритмов элемент треугольной формы будем считать частным случаем четырехугольника, у которого совмещены два соседних угла.

Рассмотрим последовательно 7 способов отображения физических характеристик: 4 способа - для визуализации скалярных полей и 3 способа - для отображения векторных характеристик, таких как напряженность или магнитная индукция электромагнитного поля, линии тока в аэрогидродинамике, распределение усилий или армирующего набора в силовых конструкциях. Будем иллюстрировать рассматриваемые способы фрагментами графического диалога, ведущегося в тренажерах и учебных ППП системы КАДИС.

4.5. Сплошные цветографические изображения

Суть этого способа визуализации заключается в том, что внутренняя область ПСЭ закрашивается в различные цвета, соответствующие определенным интервалам величины изображаемого параметра. Обычно используется цветовая гамма, в которой по мере убывания величины параметра цвета меняются от теплых (красного и желтого) к холодным (синему и фиолетовому). Изображение строится по элементам ПСЭ. Алгоритмы закраски элемента базируются либо на идее построчного сканирования по вспомогательному квадрату с шагом, соответствующим размерам элемента растровой сетки дисплея, и окраской этих элементов, называемых пикселями или пэлами , в соответствии с выражением (4.1), либо на идее растрового сканирования вдоль оси и построения цветных отрезков вдоль оси . Во втором алгоритме цвет отрезка определяется интервалом , а координаты концов отрезка находятся из (4.1) для фиксированных значений и границ заданных интервалов . Переход цветовой палитры через границы элементов ПСЭ происходит плавно, поскольку аппроксимирующая функция (4.1) линейна вдоль сторон четырехугольников ПСЭ, что обеспечивает непрерывность поверхности отображаемого параметра.

Для монохромных дисплеев по таким алгоритмам могут строиться тоновые изображения (рис. 4.3).

Рис 4.3. Тоновое изображение оптимального распределения материала в пластине под нагрузкой .

4.6. Линии равного уровня

Построение линий равного уровня (ЛРУ) осуществляется по элементам ПСЭ. Два следующих алгоритма основаны так же, как и алгоритмы закраски, на сканировании по сетке вспомогательного квадрата, шаг которой соответствует растру дисплея. В одном из этих алгоритмов на линиях сетки сканирования, параллельных оси , отыскиваются точки с заданными значениями уровней изображаемого параметра. Точки с равными значениями параметра на соседних линиях сканирования соединяются отрезками прямых линий, если между этими точками нет "впадины" или "возвышения" билинейной поверхности (4.1). Построенные отрезки, удлиняясь в процессе сканирования, образуют семейство ЛРУ на каждом элементе ПСЭ. В другом алгоритме задаются не значения уровней, а интервалы величин, образующие ряд "полос" заданного уровня. Построение ЛРУ осуществляется закраской полос. Толщина ЛРУ на экране дисплея зависит от заданной ширины интервала и от характера изменения отображаемой поверхности. В обоих алгоритмах стыковка ЛРУ на границах элементов ПСЭ происходит естественным образом, поскольку аппроксимирующая функция (4.1) линейна вдоль сторон четырехугольников ПСЭ (см. рис. 3.22).

4.7. Точечные изображения

Поле каждого элемента ПСЭ на экране дисплея заполняется светящимися точками. Плотность расположения точек соответствует величине отображаемого параметра. Заполнение участков ПСЭ с постоянной плотностью (это может быть поле всего четырехугольника или его части) осуществляется с помощью датчика случайных чисел (ДСЧ). Такое заполнение сглаживает разрывы отображаемой поверхности даже при постоянной аппроксимации параметра в пределах одного элемента ПСЭ (рис. 4.4). Перед построением точечного изображения отыскивается максимальное значение , которому ставится в соответствие плотность заполнения точек, равная 80-90% от плотности сплошной закраски. По этому пределу нормируется в дальнейшем плотность заполнения точек на каждом четырехугольнике ПСЭ. При построении изображения на элементе ПСЭ вспомогательный квадрат предварительно разбивается осями и на четверти, поскольку стандартные ДСЧ оперируют числами в интервале . В пределах каждой четверти плотность точек считается постоянной. Координаты точек и определяются с помощью ДСЧ, преобразуются по формуле (4.1) в координаты и и далее переводятся в экранную систему координат. Цвет точек определяется по заданным цветовым интервалам с использованием выражения (4.1).

Рис. 4.4. Точечное изображение оптимального распределения материала в пластине под нагрузкой .

4.8. Полигональные сети

Изображение выводится на дисплей в виде центральной проекции поверхности отображаемого параметра. Поверхность аппроксимируется сетью треугольников и четырехугольников с прямыми сторонами. Такую сеть принято называть полигональной . Простейшая полигональная сеть может быть получена отображением ПСЭ на параметрическую поверхность (рис. 4.5). Наглядность изображения в существенной мере зависит от выбора положения точки зрения наблюдателя при центральном проецировании и от наличия или отсутствия невидимых участков поверхности. Построение полигональных сетей по заданным ПСЭ не представляет трудностей и не требует больших вычислительных затрат. Соответствующий алгоритм сводится к обычным геометрическим преобразованиям координат и преобразованиям проецирования узловых точек базовой ПСЭ и параметрической поверхности, которые затем соединяются отрезками прямых линий. Однако анализ видимости линий существенно увеличивает вычислительные затраты, иногда на два - три порядка .

4.9. Изображения в виде ориентированных отрезков переменной длины

Этот способ применяется для отображения векторных характеристик, например, силовых потоков . Для него используется постоянный закон аппроксимации параметров в пределах элемента ПСЭ. Ориентированные отрезки изображаются в центрах элементов, их длины в выбранном масштабе соответствуют величинам параметров (рис. 4.6). Перед построением изображения вычисляется из соображений наглядности максимальная длина отрезка, относительно которой нормируются в дальнейшем отрезки на всех элементах. Изображение строится по элементам ПСЭ. В центре четырехугольника помещается местная прямоугольная система координат, одна из осей которой ориентируется в направлении изображаемого параметра. Далее в координатах местной системы определяются концевые точки отрезка так, чтобы его середина совпала с центром элемента, производится преобразование полученных координат в общую систему и проводится прямая линия, соединяющая концевые точки отрезка.

Рис 4.6. Распределение усилий в пластине, представленное в виде ориентированных отрезков пременной длины .

4.10. Изображения в виде коротких ориентированных отрезков постоянной длины

Этот способ визуализации также предназначен для отображения векторных характеристик. После каждого элемента ПСЭ заполняется с помощью ДСЧ короткими ориентированными отрезками постоянной длины. Плотность расположения отрезков соответствует величине изображаемого параметра (рис. 4.7). Перед построением изображения вычисляется из соображений наглядности максимальная плотность отрезков, относительно которой нормируется плотность отрезков на всех элементах ПСЭ. В центре четырехугольного элемента ПСЭ помещается прямоугольная местная система координат, одна из осей которой ориентирована в направлении изображаемого параметра. Координаты средних точек отрезков определяются с помощью ДСЧ так, как это делается при построении точечных изображений. В дальнейшем построение каждого отрезка производится также, как в предыдущем алгоритме.

Рис 4.7. Распределение усилий в пластине, представленное в виде коротких ориентированных отрезков постоянной длины .

4.11. Изображения в виде ориентированных решеток

Для этого способа визуализации так же, как и для двух предыдущих способов, используется постоянная аппроксимация по элементам ПСЭ. Поле элемента заполняется решеткой в виде одного или двух семейств однонаправленных линий, плотность и ориентация которых соответствуют величинам и ориентациям изображаемых характеристик (рис. 4.8). Для идентификации семейства используется цвет. Построение изображения производится на основе тех же алгоритмических идей, что и в предыдущих двух способах: определяется предельная плотность решетки; на каждом элементе строится прямоугольная местная система координат; внутри элементов проводятся отрезки прямых линий, концы которых располагаются на сторонах элементов.

Рис. 4.8. Распределение усилий в пластине, представленное в виде ориентированных решеток .

4.12. Управление изображениями

В процессе анализа результатов расчетов пользователь прикладной программы должен иметь возможность выбрать способ изображения и настроить его для достижения наибольшей наглядности. При настройке изображения можно выбирать: цветовую гамму (количество, вид и последовательность используемых цветов); количество уровней для построения ЛРУ; положение точки зрения наблюдателя и вид центрального проецирования для полигональных сетей; длину коротких ориентированных отрезков; коэффициент контрастирования.

Контрастирование изображений можно применять для более четкого выделения закономерностей в распределении изображаемых параметров, при этом разница между большими и малыми величинами искусственно завышается. Контрастирование осуществляется с помощью следующей зависимости: , где, где - количество частных критериев; - оценка по частному критерию, ; - весовой коэффициент, учитывающий значимость соответствующего критерия, .
В качестве частных критериев использовались 8 показателей, характеризующих следующие аспекты рассматриваемых способов: адекватность целям и содержанию проектирования силовых конструкций; адекватность методикам обучения, реализованным в учебных прикладных программах; естественность и доступность для восприятия человеком; удобство для анализа качественных закономерностей распределения параметров; эстетическая привлекательность; простота управления построением изображения; быстрота формирования изображения; алгоритмическая простота.
Исследование проводилось с помощью экспертных оценок метода Дельфи . В качестве экспертов привлекались преподаватели вузов и инженеры, разработчики и пользователи учебной и промышленной САПР силовых конструкций . Результаты исследований показывают, что при интерактивном проектировании силовых конструкций для отображения скалярных характеристик целесообразно использовать точечные изображения, а для отображения векторных полей - ориентированные решетки (рис. 4.9). Более детально результаты и методика исследования описаны в работе .

Рис 4.9. Результаты исследований эффективности различных способов визуализации:
а - скалярные изображения; б - векторные изображения.