А.А.Бузников *, А.В.Пожаров **, В.Л.Горохов **, С.В.Иванов**

Санкт-Петербургский государственный электротехнический университет “ЛЭТИ”

*-кафедра ФЭОП, **-кафедра ИЗОС

Cмысловой основой модели информационного продукта, реализуемого на ЭВМ, являются разработанные алгоритмы обработки данных. На основе одной модели возможно создавать множество информационных продуктов, различающихся характером информации, сложностью, типом шкалы. В этом заключается характер “мягкости” обработки данных.

Пример такого продукта - пакет программ для обнаружения и сегментирования экологических объектов [1].

Основная “мягкость” обработки данных заключается в лингвистическом шкалировании получаемой информации [2,3]. Как правило эти алгоритмы реализуются посредством выбора из нескольких возможных результатов далеко не только чисто цифровой информации, а и текстовой. В рамках этой модели процесс обработки данных мониторинга с участием исследователя-оператора в когнитивной системе представляется, как процесс обнаружения ряда объектов и регистрации (измерения) значений ряда параметров для каждого объекта.

Процесс обнаружения осуществляется например по яркости пикселов на данном участке изображения объекта в заданном спектральном диапазоне.

Все измеренные значения яркости в данных диапазонах для каждого пикселя заносятся в специальную базу данных, сюда же заносятся результаты обнаружения объектов. Такая база называется каталогом объектов. Аналогичная система существует и для астрофизических наблюдений.

Подобная модель данных часто называется обзором. В качестве интегральной характеристики, описывающей весь комплекс результатов обзора, принимается интегральная функция распределения (ИФР) объектов по измеренным характеристикам объектов (яркостям, потокам), используемая в экологии, астрофизике, биологии.

Рассмотрим аналитическое представление формирования ИФР мониторинга, которое может послужить обобщенной моделью процесса анализа оптических изображений. Важной особенностью этой модели является то, что в нее можно естественным образом включить результаты имитационного и функционального моделирования, не только всех принципиальных процессов мониторинга, но и моделирование участия оператора исследователя.

Пусть P(F) функция распределения объектов по потокам F (нормированное число обнаруженных объектов с измеренной яркостью объекта).

P(S) - истинная функция распределения объектов с потоком S.

Процесс получения P(F) можно представить в виде интегрального соотношения:

Условная вероятность P(F/S) может формально трактоваться, как вероятность того, что объект с потоком S может быть наблюдаем в интервале потоков F и dF. Это условное распределение описывает весь процесс наблюдений связанный с мониторингом, включая все эффекты селекции.

В любом случае возможно машинное моделирование P(F/S) в виде функциональной или имитационной машинной модели. Машинная модель функционального типа позволяет достаточно детально промоделировать работу наблюдательного инструмента (например, телескопа ) и отразить результаты работы в виде условного распределения P(F/S). Подобного типа идеология машинного эксперимента носит название метода статистических эквивалентов.

Не менее интересным является машинное моделирование P(S). Машинное моделирование "истинного" распределения позволяет моделировать различные теоретические модели коллектива наблюдаемых объектов ( в астрофизике это могут быть различные космологические модели, в экологии и биологии это могут быть математические модели поведения коллективов биологических объектов). Уже на этом этапе можно учесть ряд эффектов селекции связанных слишком тесно с природой изучаемых объектов.

Кроме того в качестве P(S) может выступать распределение объектов в виде аналитической зависимости, полученной как итог предыдущих наблюдений разных исследователей с учетом теоретических представлений.

После задания P(F/S),P(S), то возможно вычисление P(F) с помощью интегрального соотношения (1). При этом возможно сравнение результатов наблюдений P(F) с результатами моделирования P(F)*. В работу функциональной машинной модели легко включить человека-оператора и затем посмотреть, как влияет работа оператора в рамках системы мониторинга на результат P(F)*. Здесь возможно построение целой серии машинных моделей, позволяющих имитировать работу системы мониторинга для оператора. Оператор реагирует на действие системы, и результаты воздействия оператора отражаются в характере поведения ИФР. Отметим, что оператор реагирует на когнитивные образы с помощью системы байесовского вывода или системы нечетких измерений и тем самым вносит свои интуитивные знания и эмпирический опыт в процесс мониторинга.

Результаты машинных экспериментов с функциональными и имитационными моделями, могут быть выражены в виде статистических эквивалентов типа P(F/S).

Предложенная математическая модель процесса анализа изображений, не только позволяет корректно включать результаты машинного моделирования в цикл планирования и обработки данных, но и получать интегральные оценки качества (полноты и устойчивости) информационного продукта.

Для этого введем ряд квалиметрических параметров.

Прежде всего, это полнота наблюденных данных по отношению к идеальной модели (или к одной из идеальных i моделей) Pi(S):

Затем полнота наблюдаемых данных по отношению к результатам наблюдения на машинной модели:

Все эти характеристики полноты (2-3) описывают разные аспекты процесса наблюдений и, самое главное, позволяют через моделирование учесть и оценить роль и место человека во время процесса "добывания информации" в условиях априорной неопределенности. Его роль должна состоять в снижении уровня априорной неопределенности.

Рис.1 Экранная форма.

Наиболее наглядно это можно видеть на примере экрана действующей системы. Рассмотренная модель информационного продукта позволяет количественно описать процесс получения новых знаний с использованием интуиции оператора-исследователя.

1. А.А.Бузников, В.Л.Горохов, Я.В.Логачев, М.В.Андреев ”Непараметрические методы сегментирования многоспектральных аэрокосмических изображений для экологического мониторинга”, с.31-37, Известия СПбГЭТУ, выпуск1,1998.

2. И.А.Брусакова, Д.Д.Недосекин, С.В.Прокопчина "Проектирование баз знаний и экспертных систем" 1993, с.57.

4. А.В.Пожаров, Н.И.Папутская, И.С.Захаров ”Быстрый токсикологический тест с использованием хемотаксиса Paramecium Caudatum”//Инфузории в биотестировании: Тез. докл. междунар. конф.,1998г./ Арх. ветеринар. наук СПб, 1998, с.53-58.