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 :
- 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.
- Визуализация тех человеческих знаний, для которых пока невозможно подобрать текстовые описания.
- 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.
Многочисленные исследования психологов, посвященные анализу процесса решения задач людьми, показали, что наиболее трудоемкими в этом процессе являются первые два этапа. Максимальное усилие человек тратит на процесс перехода от неясного ощущения некоторой ситуации к четко сформулированной задаче. Как правило, именно этот этап воспринимается большинством исследователей, как творческий. На чем формируется замысел задачи и ищется ее формулировка. Далее во многих случаях дело касается лишь применения профессиональной.
Этапы формулировки задачи в условиях использования алгебраического подхода остаются вне поля зрения науки. Проблема эта явно не является алгоритмической. Каждая задача имеет индивидуальный характер, и существование каких-либо общих процедур, кроме чисто методологических (типа алгоритмов поиска изобретения, здесь вряд ли возможно). Однако, как неоднократно отмечали крупные математики, которые всерьез задумывались над процедурами математического творчества, на этапе поиска формулировки задачи весьма часто важную роль играли геометрические представления и модели. И интересно, что зачастую они не были прямо связаны с характером решаемой задачи, а просто ассоциативно вызывали эту постановку. Такой же феномен отмечают и психологи. Попробуем перечислить особенности, которые характерны для нового направления в информатике, получившем название когнитивная графика. Более подробное обсуждение этого направления содержится в первой в мировой литературе монографии, специально посвященной когнитивной графике.
Компьютерная графика - это область информатики, которая охватывает все стороны формирования изображений с помощью компьютера.
Появившись в 1950-х годах, она поначалу давала возможность выводить лишь несколько десятков отрезков на экране.
Базой компьютерной графики стали фундаментальные науки: математика, химия, физика и т.д.
Компьютерная графика используется практически во всех научных и инженерных дисциплинах для наглядности восприятия и передачи информации. Общепринятой практикой считается также использование компьютерного моделирования при обучении пилотов и представителей других профессий (тренажеры). Знание основ компьютерной графики сейчас необходимо и инженеру, и ученому.
Конечным результатом применения средств компьютерной графики является изображение, которое может использоваться для различных целей.
Когнитивная компьютерная графика - компьютерная графика для научных абстракций, способствующая рождению нового научного знания. Технической основой для нее являются мощные ЭВМ и высокопроизводительные средства визуализации
Примером применения когнитивной компьютерной графики в прикладной информатике может быть когнитивная визуализация блок-схем алгоритма, трехмерное представление объектов исследование, визуальное представление моделей данных и т.д.
Аналогичная методика была использована для периодичных функций. Как известно графики периодичных функций имеют повторяющие участки, следовательно, если переложить график периодичной функции на ноты, то музыка будет иметь повторяющиеся фрагменты.
Решение задачи контроля исполнения национальных проектов требует учета множества факторов. Масштабность и динамичность ситуации при реализации национальных проектов вызывает необходимость оперативной обработки значительного объема исходных данных, выработки и принятия адекватных и своевременных решений.
При этом возникает проблема восприятия и интерпретации разнородной информации лицом, принимающим решения, что обусловливает актуальность решения задачи поиска форм ее представления, исключающих или снижающих неоднозначность понимания текущей ситуации.
Мышление человека построено так что, размышляет человек не словами и цифрами, а образами. Точно также обстоит дело и с восприятием информации об окружающем мире: образы, формируемые различными органами чувств, воспринимаются целиком.
Исследования показывают что, наибольшую важность имеет именно визуальная составляющая воспринимаемого образа. Отсюда следует необходимость первоочередного решения задачи визуализации числовых и нечисловых (вербальных, графических) исходных данных и результатов их аналитической обработки.
В рамках науки информатики когнитивная компьютерная графика развивается в следующих направлениях:
– исследование общих построения когнитивных графических образов способов, методов когнитивной компьютерной графики;
– исследование индивидуальных особенностей восприятия, в частности его апперцепции;
– разработка модели восприятия информации ЛПР;
– формирование алфавита понятийно-образного языка представления данных, включающего стереотипные символы, отображающие предметы и явления окружающего мира с той или иной степенью подобия, ассоциативно понятные графические примитивы, из которых синтезируются ГО любой сложности, и вспомогательные символы, необходимые для связи графических примитивов и привлечения внимания к наиболее актуальным ГО;
– исследование свойств ГО, воздействующих на ЛПР при их восприятии на уровне ощущений, – энергетических, геометрических, динамических;
– формирование «грамматики» понятийно-образного языка, то есть базовых правил формирования ГО и когнитивных сцен;
– разработка прототипа подсистемы визуализации результатов информационно-аналитического сопровождения контроля исполнения приоритетных национальных проектов на основе понятийно-образного языка представления данных;
– экспериментальная проверка эффективности разработанного прототипа по показателям оперативности, полноты, точности восприятия информации ЛПР.
Основные направления прикладной когнитивной науки. Искусственный интеллект: возможности и ограничения. Экспертные системы и системы поддержки принятия решения. Моделирование принятия решений в экономике и проблема человеческой рациональности. Проблема обработки естественного языка и системы машинного перевода. Основные направления робототехники: проблемы моделирования построения движения, ориентировки в пространстве и обучения мобильных роботов. Взаимодействие человека с компьютером: основные подходы и методы исследования. Когнитивная эргономика. Дизайн и компьютерная графика. Виртуальные реальности.
Широкое распространение гипертекстовых технологий и тесно связанной с этими технологиями мультмедиа-парадигмы также стимулирует развитие когнитивной графики. Как известно, мультимедиа-парадигма уравнивает в правах тексты и изображения. В нелинейном представлении (в виде сети), характерном для гипертекстовых технологий, мультимедиа-парадигма позволяет осуществлять навигацию по сети, как на уровне текста, так и на уровне изображений, осуществляя в любой момент переход от тектса к изображениям, и наоборот.
Таким образом, системы вида "Текст-Рисунок" и "Рисунок-Текст" оказываются тесно связанными с мультимедиа-парадигмой и когнитивной графикой, и сами являются одним из результатов взаимодействия средств когнитивной графики и гипертекстовой технологии.
В системах автоматизации научных исследований когнитивная графика может использоваться в качестве средства визуализации идей, которые еще не получили какого-либо точного выражения. Еще одним примером использования этих средств может служить специальная когнитивная графика для выбора базисных операций в нечетких логиках, в которой глобальное цветовое распределение синих и красных областей характеризует "жесткость" определения операций типа конъюнкции и дизъюнкции.
В этой области когнитивная графика используется на этапе формализации проблем и в процедуре выдвижения правдоподобных гипотез.
В области систем искусственного интеллекта когнитивная компьютерная графика позволит достичь больших результатов чем другие системы благодаря алгебраическому и геометрическому подходу к моделированию ситуаций и различных вариантов их решения.
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.
Эта основная идея различий иллюстративной и когнитивной функций ИКГ хорошо вписывается в классификацию знаний и компьютерных систем учебного назначения. 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. 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, 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.
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. 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 функций компьютерной графики и позволяют более четко формулировать дидактические задачи ИКГ-изображений при разработке компьютерных систем учебного назначения.
Список использованных источников
1. Зенкин A.A. Когнитивная компьютерная графика. – М.: Наука, 1991.– 192 с.
Cтраница 1
Когнитивная компьютерная графика активизирует образное, интуитивное мышление человека и тем самым способствует зарождению новых идей и гипотез, стимулирует появление нового знания. Она в ряде случаев расширяет и уточняет поставленные задачи, способствует идентификации решаемых задач и проектируемых систем. Рассматриваются требования к создаваемым системам и подсистемам когнитивной компьютерной графики, вопросы их создания, использования в интеллектуальных системах и взаимодействия с естественным интеллектом человека. Развитие систем с машинной графикой и все более широкое их применение в научных исследованиях в дальнейшем трансформировались в направление когнитивной компьютерной графики. Системы с когнитивной компьютерной графикой позволяют исследователям увидеть глубинные закономерности и в значительной степени усиливают конструкторскую мысль инженеров-разработчиков. Актуальной проблемой развития графического интерфейса, качественно улучшающего общение человека с компьютером, является интеллектуализация такого интерфейса на основе новых когнитивных методов. Рассматриваются различные возможные проблемные области применения систем и интерфейсов с когнитивной компьютерной графикой, а также ряд конкретных систем и подсистем, наделенных функциями когнитивной компьютерной графики. Затрагиваются вопросы практической реализации интеллектуального инструментария для проектирования систем, использующих когнитивную компьютерную графику. Даются примеры такого инструментария.
Когнитивная компьютерная графика, продуцируя графические образы структур и свойств абстрактных объектов, активизирует образное, интуитивное (правополушарное) мышление человека и тем самым в результате работы мозга активизирует и левополушарное, абстрактное мышление и таким образом способствует зарождению новых идей и гипотез, стимулирует появление нового знания. Она в ряде случаев расширяет и уточняет поставленные задачи, способствует идентификации решаемых задач и проектируемых систем. Практически никакое символьное, вербальное, левополушарное знание о каком-то объекте (явлении, ситуации) не в состоянии обеспечить такое предельно четкое и ясное восприятие и представление об этом объекте (явлении, ситуации), которое может дать визуальное восприятие и правополушарное мышление.
Когнитивная компьютерная графика в ряде случаев способствует уточнению, идентификации решаемых задач и проектируемых сложных систем.
Все шире интерфейсы с когнитивной компьютерной графикой используются в процессах обучения и в процессах контроля знаний. При этом эффективность применения такой технологии воздействия на человеческий разум базируется на разнообразии подходов к изложению информации и использовании различных форм представления информации и предопределяется включением в процессы обучения и контроля различных органов восприятия информации человеком. В комплексе подготовки космонавтов, описанном в [ 9 ], используются графические средства, позволяющие строить 3D модели и трехмерные миры. Эти средства позволяют реализовать эффективное обучение и контроль знаний обучаемых, являясь по своей сути средствами когнитивной компьютерной графики.
Зенкин, 1991 ] Зенкин А.А. Когнитивная компьютерная графика.
Для проектирования систем, использующих когнитивную компьютерную графику, необходимо наличие интеллектуального инструментария, который реализует наиболее важные базовые функции. Желателен инструментарий, позволяющий строить системы, обладающие инвариантностью к различным областям их применения и достаточной мобильностью в плане их использования в различных перспективных операционных и вычислительных средах. Такая инструментальная библиотека должна создавать и отображать трехмерные графические объекты при ориентации на современные программные среды, привязывать к графическим объектам произвольную информацию, предоставлять возможность использования графических материалов, накопившихся при работе с другими графическими системами, а также обеспечивать ряд необходимых сервисных возможностей. Такая библиотека весьма перспективна для использования в различных новых технологиях интеллектуального интерфейса с когнитивной компьютерной графикой.
Развитие систем с машинной графикой, и все более широкое их применение в научных исследованиях и обучении в дальнейшем трансформировались в направлении когнитивной компьютерной графики, определенная иллюстрация которого дана в данной работе. Системы с когнитивной компьютерной графикой позволяют исследователям увидеть глубинные закономерности и в значительной степени усиливают конструкторскую мысль инженеров-разработчиков. Актуальной проблемой развития графического интерфейса, качественно улучшающего общение человека с компьютером, является интеллектуализация такого интерфейса на основе новых когнитивных методов.
Графический интерфейс не только осуществляет визуализацию образов конкретной предметной области, но и наполняет графические образы определенным содержанием нового качества, особенно интерфейс, использующий когнитивную компьютерную графику. Поэтому насущной проблемой графического интерфейса является его интеллектуализация на основе новых когнитивных методов - в целях повышения эффективности принятия решений человеком. Когнитивная компьютерная графика, интерфейсы, реализованные на базе когнитивной графики, необходимы в различных системах, основанных на знаниях. В них возникает потребность при решении задач, связанных с графами, с трехмерным отображением местности и сложных технических изделий и конструкций, тела человека, с построением всевозможных поверхностей. Интерфейсы с когнитивной компьютерной графикой могут применяться во всевозможных проблемных областях: медицине, статистике, строительстве, архитектуре, математике, физике, микроэлектронике и др. Эти интерфейсы могут эффективно использоваться в различных познавательных целях.
Таким образом, современные системы с когнитивной компьютерной графикой, как правило, во-первых, способствуют порождению принципиально нового знания в исследуемой предметной области, которое без когнитивной компьютерной графики может быть просто недоступно для естественного интеллекта человека.
Итак, современные системы с когнитивной компьютерной графикой интел-лектуализируют информационные технологии, они, как правило, способствуют порождению принципиально нового знания в исследуемой предметной области, причем порою просто недоступного для естественного интеллекта человека без когнитивной компьютерной графики. В перспективе системы с когнитивной компьютерной графикой могут служить уникальным инструментом исследования закономерностей и процессов образного, интуитивного мышления человека для выявления законов функционирования правого полушария человеческого мозга и его взаимодействия с левым полушарием, обеспечивающим рационально-логическое мышление.
Если в интеллектуальной системе с БЗ, ориентированной, например, на некоторую область научных исследований и разработок, используется подсистема машинной графики, в которой ключевым моментом является общение пользователя с визуальными образами объектов исследуемой предметной области и отношений между ними, то такая графическая подсистема по сути представляет из себя подсистему когнитивной компьютерной графики.
Можно сказать, что становление и развитие систем с машинной графикой и все более широкое их применение в научных исследованиях в дальнейшем трансформировались в направление когнитивной компьютерной графики. Системы с когнитивной компьютерной графикой, например, математикам позволяют увидеть и осознать глубинные теоретико-числовые закономерности. Для инженеров-исследователей и разработчиков сложных технических проектов эти системы превращают в зримую реальность задуманные и проектируемые изделия и объекты, позволяя тщательно исследовать еще на геометрической модели целый ряд технических и физических тонкостей проектируемых деталей и узлов объекта новой техники, и тем самым в значительной степени усиливая конструкторскую мысль проектировщика. Эти системы позволяют расширить и уточнить поставленные задачи, способствуют идентификации создаваемых объектов, изделий и систем.
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.