Современные достижения математической статистики, в части создания непараметрических, нечетких и робастных алгоритмов обнаружения, устойчиво работающих при неизвестных распределениях шума, оказали серьезное влияние на методы мониторинга в экологии и астрофизике [1-10]. Робастные алгоритмы, в свою очередь, послужили причиной появления алгоритмов формирования наглядных графических образов, позволяющих "увидеть" человеку-оператору многомерные свойства объектов, изучаемых в процессе мониторинга [7]. Такие алгоритмы и их программная реализация получили название когнитивной машинной графики.

Серьезные исследования в эргономике показали исключительно важную роль, которую играют наглядные графические образы в процессе принятия решений оператором и практиком, при эксплуатации систем мониторинга [1,7].

Такого рода системы, позволяющие включать интуицию и неформальные знания оператора-исследователя в процессе мониторинга и количественно описывать его результат, целесообразно выделить в специальный подкласс информационно-производящих человеко-машинных систем. Для краткости этот класс можно назвать техногностическими системами, подчеркнув существенную особенность этих систем.

2.Когнитивная машинная графика и информационные техногностические системы.

В настоящее время появился ряд алгоритмов и программных продуктов способных обеспечить интеграцию интуитивных, эмпирических знаний пользователя с объективными количественными результатами мониторинга [например 8]. Это прежде всего алгоритмы байесовской статистики, которые основаны на понятиях субъективной вероятности. Кроме того это алгоритмы теории нечетких множеств, которые основаны на понятиях возможностей Заде, функциях принадлежности. И наконец это алгоритмы теории интервальных статистических моделей Кузнецова В..П..

Суть подобного рода алгоритмов состоит в том, что на основе числовых данных мониторинга, для каждого объекта изучаемого в процессе исследования, формируется набор его характеристик, который представляет собой точку в многомерном пространстве этих характеристик. Такими характеристиками могут быть измеренные параметры коллектива объектов и мониторинга. Примером такой структуры данных могут являться каталоги наблюдаемых объектов в астрофизике, радиолокации или при дистанционном зондировании объектов в экологии.

Такими характеристиками могут являться также значения яркости на отдельных участках изображения, полученные в разных спектральных диапазонах (имеем набор спектро-зональных изображений). В качестве таких характеристик могут выступать статистические характеристики текстуры на отдельных участках изображений.

Соответствующие алгоритмы и программные средства обеспечивают визуализацию этого многомерного образа (позволяют оператору увидеть этот образ), а затем позволяют оператору вынести свое субъективное решение по классификации объектов на изображении.

В разработанной авторами системе многомерные данные мониторинга представляются в виде динамического псевдотрехмерного образа который пользователь после визуального изучения сегментирует на отдельные области, соответствующие различным классам объектов мониторинга.

В случае, когда в качестве многомерного набора данных выступает пакет спектрозональных изображений это решение в интерактивном режиме используется для задания объективных параметров системы обнаружения (сегментации) на изображении.

В любом случае результаты принятия решений количественно представляются в виде отношений распределений обнаружений по модельным и реальным изображениям с участием и без участия оператора. Распределения строятся, как частотная оценка встречаемости объектов с данными наборами характеристик. Распределения могут носить многомерный характер.

Принципиальной эргономической особенностью данного подхода является возможность наглядного представления совокупности объектов на изображении в виде специального эргономически наглядного и привлекательного графического образа совокупности объектов. Такой образ не только наглядно характеризует совокупность объектов, но и несет количественную информацию о его свойствах.

При этом данный псевдотрехмерный образ оставляет яркое впечатление в мозгу оператора и тем самым способствует активизации памяти, активизации процессов творческого мышления оператора. Такие процессы в психологии получили название когнитивных, т.е. способствующих активизации познавательных способностей человека. Вполне естественно, что алгоритмы и программы порождающие такой образ получили название когнитивных.

Эргономический анализ причин такого интересного явления показал, что, возможно, мозг человека особенно остро и ярко реагирует на графические данные обладающие инвариантными свойствами к динамическим преобразованиям. Такими инвариантными свойствами часто обладают непараметрические (т.е. свободные от распределения статистики). Эти статистики в настоящее время лежат в основе многих алгоритмов обработки оптических изображений. Кроме того эти непараметрические статистики обладают чрезвычайно важной способностью обеспечивать устойчивость и надежность качества обработки оптических изображений в условиях априорной неопределенности в отношении помеховой обстановки.

Трудной проблемой остается задача количественного учета влияния оператора при его субъективных решениях о параметрах обнаружителей после изучения когнитивных образов объектов. В данной работе предлагается процедура сопоставления распределения результатов обнаружений по реальным изображениям и по модельным изображениям.

7. Gorohov V.L., Vitkovskij V.V.Algorithmic Methods and software for nonparametric estimation of distributions of non-uniform observation date // Turkish Jornal of Physics.1994. Vol.18, N 9

8. Kodratyev K.Ya, Buznikov A.A., Pokrovsky O.M. Global Change and

Remote Sensing. Chichester, New York, New York, Brisbane, Toronto, Singa-

pore. John Whilley and Sons. Praxis Publishing,1996.