117468 (Афизикальные принципы психического отражения и их моделирование в технических системах), страница 3

Примером использования особой структурной организации разного рода признаков является система распознавания центрированных знаков /Патент №3651461.../. Здесь в качестве структуры обобщенных признаков выступает специальный, заранее составленный алгоритм выявления характерных особенностей изображений определенного набора знаков по их положению относительно заданной центральной полосы растра.

Из этого краткого перечня видно, что способы построения систем распознавания образов, предусматривающие предварительные анализ и составление описания свойств объектов, естественно, оказываются функционально сугубо ограниченными, поскольку могут быть успешно использованы только для распознавания заранее заданного класса объектов (например, знаков стандартного типографского шрифта). Поэтому системы распознавания, построенные на основе этих способов, можно определить как узкофункциональные. Преодоление этой узкой функциональности потребовало разработки специальных математических методов распознавания образов /Васильев. 1983; Горелик... 1985; Верхаген... 1985/. В основе этих методов лежит идея о проведении специальных преобразований исходного описания изображений и «нахождении в признаковом пространстве таких решающих границ (решающих правил), т.е. границ между классами, придерживаясь которых можно обеспечить наибольшую точность распознавания» /Горелик... 1985, с. 19/. Особая роль при этом отводится процессу обучения системы, который осуществляется путем показа отдельных объектов или явлений, в результате чего распознающая система автоматически приобретает способность реагировать одинаковыми ответами на изображения объектов, принадлежащих к данному классу, и различными - на изображения объектов, не принадлежащих к этому классу. Здесь распознавание характеризует действия ухе обученной системы. В целом задача обучения ставится по аналогии с человеческим способом опознания образов.

Характерный для этого подхода образ мышления исследователя иллюстрируют рассуждения М.А. Айзермана /1962/. В первые годы изучения проблемы распознавания образов Айзерман писал, что есть «непонятная нам пока способность живого мозга. Если взять много разных букв «А» и «Б», и ученику, который не знает букв, показывать различные их начертания и говорить лишь «это буква «А» и «это буква «Б», то через некоторое время ученик сможет отличать буквы «А» от букв «Б», и при том не только те, которые ему показывали ранее, но и все остальные начертания этих букв» /Айзерман, 1962, с. 174/. Здесь при постановке проблемы распознавания образов автор определяет их по аналогии со «зрительным восприятием, которое происходит у человека в результате наблюдения различных фигур, т.е. он опирается на уже готовые продукты отражения. Принимаются результаты отражения буквы «А» как геометрической формы и рассматривается тот феномен восприятия, согласно которому любое начертание буквы «А» относится человеком к классу «А». Далее ставится задача, как обеспечить такую идентификацию. М.А. Айзерман считал, что должны быть найдены и заложены в программу какой-либо один или невольное число универсальных «признаков», лежащих в основе самого понятия «образ» /там же, с. 176/. и полагал, что такой универсальный алгоритм может быть создан на основе «гипотезы компактности» Э.М. Бравермана /1962/. Компактность двух множеств точек (принадлежащих изображению или его признаковому описанию) позволяет сформулировать относительно простые правила (алгоритм) для разделения этих множеств (т.е. отделения, например, заданных начертаний букв «А» от всех других букв) и является универсальным свойством широкого класса изображений. Одновременно, это свойство определяет и способ построения системы распознавания, т.е. становится характеристикой процесса опознания. Таким образом, видно, что, разрабатывая проблему имитации процессов опознания человека, автор поставил задачу исследования и выдвинул гипотезу о самом процессе на основе постулата отождествления характеристик процесса с его результатом.

В панораме известных подходов к моделировании процессов непосредственно-чувственного восприятия особое место занимают системы отображения и распознавания изображений типа перцептронов /Патент №3192505... Патент №4318083.../. Они построены с использованием процедуры детерминированных или статистических суммаций или взвешивания аналоговых сигналов, представляющих разные части изображения, с последующим выделением результатов посредством пороговых элементов. Структура связей перцептрона может меняться в процессе обучения, что обусловливает возможность настройки на выделение объектов определенного класса. Фундаментальные исследования перцептронов проведены Ф. Розенблаттом /1965/. По его мнению, перцептрон прежде всего и главным образом является моделью мозга, а не устройством, служащим только для распознавания образов. Под моделью мозга подразумевается любая теоретическая система, которая объясняет его функции. Розенблатт также пытается преодолеть узкофункциональный подход к созданию искусственных систем отражения. Он критикует модели так называемого монотипного приближения, метод построения которых сводится к детальной разработке логического устройства в виде специализированной вычислительной машины, предназначенной для вычисления некоторой заранее заданной «психологической функции», например, такой, которая получается в результате распознавания алгоритма или преобразования стимула» /Розенблатт, 1965, с. 28/. Монотипным моделям он противопоставляет генотипные, которые строятся «в виде множества алгоритмов, порождающих некоторый план физических систем» /там же, с. 28/. Таким образом, генотипный подход имеет дело со свойствами систем, подчиняющихся заданным законам организации, а не с некоторой логической функцией, осуществляемой конкретной системой /там же, с. 35/.

Вместе с тем, возможность реализации полиалгоритмичности системы автор видит в переходе от детерминированной к статистической ее организации. С помощью введения в систему случайных факторов он надеется отчасти воссоздать известные свойства функциональной пластичности и гибкости человеческого восприятия. Но здесь, так же как и в других кибернетических концепциях, при разработке способов построения перцептронов Розенблатт принимает имплицитные основания естественнонаучного физикального образа мышления, хотя и не использует продукты восприятия прямо для описания процессов отражения. Анализ показывает, что Розенблатт связывает восприятие с процессом разделения объектов на классы по их свойствам и признакам. Здесь он опирается на известные результаты, полученные в различных областях физиологии и психологии (в том числе гештальтпсихологии и концепции Гибсона)[3]. Это разделение заранее конкретно не задается, но изначально предполагается, и на его основании определяется исходная организация структуры сети взаимосвязей между элементами перцептрона, а также сдаются правила регулировки функциональных зависимостей между переменными и алгоритм преобразования свойств сети. При переходе с одного множества классов на другое или при решении другого класса задач заново выделяются характерные признаки объективного множества классов и соответственно изменяется функционально-структурная организация перцептрона (осуществляются переналадка и обучение). Необходимость такой перестройки обусловлена тем, что в основе способа построения системы используется ограниченный аналитический метод расчленения и фиксации определенного ряда пространственных свойств объектов. В результате этого структура и метод обработки информации оказываются зависящими от обобщенных характеристик объектов.

С момента начала работ над перцептронами Розенблаттом в Корнеллском университете в 30-х годах их простота и кажущаяся перспективность обнадеживали и подкупали исследователей. Так М.М. Бонгард в книге «Проблемы узнавания» существующие перцептроны понимает как системы «стандартного (не зависящего от конкретной задачи) преобразования пространства рецепторов» и ставит перед собой задачу построения системы, осуществляющей «переменное (различное для разных задач) преобразование пространства рецепторов» /Бонгард, 1967/. Он исходит из представления о процессе узнавания как процессе классификации, основанном на анализе признаков, и пытается сформировать такие обобщенно-абстрактные признаки, которые могут служить исходными кирпичиками для построения соответствующей поставленной задаче классификации объектов в более широком диапазоне разделения классов.

Ограниченность возможностей перцептронов выявили Н. Минский и С. Пейперт /1971/. В их книге «Перцептроны» приведено несколько задач и строгое доказательство того факта, что перцептроны не могут с ними справиться. Одна из таких задач связана с установлением свойства связности предъявляемой геометрической фигуры[4]. Эти основные факты ограниченности перцептрона в сравнении с возможностями человеческой зрительной и отражательной системы разрушили основания для неоправданно больших надежд, которые возлагались на перцептроны и их способность к распознавании.

Таким образом, в целом можно заключить, что. несмотря на кажущуюся универсальность перцептронов, т.е. независимость их организации от свойств выбранных классов объектов, область отображаемой системой реальности ограничивается самим исходным теоретическим основанием построения системы, в котором продукт отражательного процесса имплицитно выступает в качестве заранее заданного постулата при создании ее процессуально-структурной организации, т.е. происходит воссоздание процесса через собственный продукт. Это является причиной отсутствия в перцептронах возможностей полифункционального отражения и приводит к их функциональной ограниченности, т.е. монофункциональности.

Такая монофункциональность является отличительной чертой всех известных способов построения систем отражения. Например, определенный интерес представляют способы автоматических преобразований дискретизированных изображений в специально созданных структурах, построенных с использованием бинарных арифметических /Патент №3597731.../ или логических /Патент №2813731.../ операций. Эти способы предназначены для выполнения функции сжатия или локализации отдельных частей изображения (что позволяет, например, определять точки оптической плотности и использовать метод градиентов Дж. Гибсона). Полученные результаты обрабатываются с помочью специальных программ на ЭВМ. Важно отметить, что процесс сжимающего отображения происходит для любых возможных вводных изображений, т.е. казалось бы, нет ограничений на классы отображаемых объектов. Однако, при разработке этих способов выбор структуры и метода обработки информации здесь так же исходно ограничен представлением о монофункциональной операции локализации или сжатия отдельных частей изображений. Поэтому, как и ранее, в силу исходной ограниченности основания, использованного при разработке этих способов, они применимы для отображения только определенного (хотя и весьма широкого) класса объектов, обладающих соответствующей решаемой задаче свойствами. В случае перехода к отображению объектов с качественно новыми свойствами из области решаемых задач требуется строить новую структуру, осуществляющую аналогичный процесс сжатия, а также изменять алгоритм последующей обработки. Таким образом, несмотря на кажущуюся универсальность, т.е. независимость выбранной отображающей структуры и принципа сжатия от общих характеристик объектов, область отображаемой системой реальности исходно ограничивается. Это обусловливает функциональную ограниченность указанных выше способов и монофункциональность соответствующих систем.

Кроме уже рассмотренных следует упомянуть исследования, которые связаны с моделированием процессов переработки информации у человека (как зрительной. так и других модальностей) и в том числе модели процессов распознавания образов /Линдсей... 1974; Патент №3701095... Соколов... 1983; и др./. Они опираются на результаты ряда психологических и нейрофизиологических исследований (в частности, можно указать на упоминавшиеся в разделе 1 теории гештальтпсихологов и Дж. Гибсона и особенно на эксперименты Д. Хьюбела и Т. Виэеля). Эти направления исследований, как нейрофизиологические, так и кибернетические, исходят из представления о том, что процесс переработки информации человеком осуществляется через посредство особых детекторов специфических особенностей стимулов. Так, например. П. Линдсей и Д. Норман, «развивая теории распознавания образов, представляют систему зрительного отраженния в виде иерархической структуры, в которой первичные детекторы выделяют геометрические признаки изображений (линии, углы, кривые и т.п.) и далее по совокупности взаимоотношений выделенных признаков выносится решения о предъявляемой форме» /Линдсей... 1974/. При этом авторы не обращают внимания на тот факт, что представление о детектировании признаков внутренне противоречиво, поскольку непонятно, откуда же человеческий мозг может заранее знать о существовании, например, такого признака как прямой угол. Это означает, что представление о процессе восприятия строится здесь на основе продуктного подхода, причем в его явной форме, когда продукты процесса восприятия человека - геометрические признаки изображений прямо становятся характеристикой процесса восприятия. Таким образом, анализ показывает, что представление о процессе непосредственно-чувственного восприятия, как процессе, основанном на выделении и переработке признаков, оказало значительное влияние на постановку задач имитационного моделирования функций восприятия (в частности, опознания) в искусственных системах отражения. Более того, можно констатировать, что в течение последних 20-ти лет развитие этого направления проходит под знаком все более углубленного использования признакового подхода. Это явление весьма показательно и закономерно, поскольку для создания систем восприятия все шире применяются современные электронно-вычислительные машины. В силу специфики своей организации, ЭВМ требует преобразования данного комплекса входных физических воздействий в специализированный набор числовых данных. В результате такого преобразования, как правило, теряется пространственно-временная форма входного воздействия, и, естественно, что для выявления ее особенностей (при распознавании образов) необходимо проводить специальный анализ и вводить новые, ранее не использованные. формы описания признаков.

Современные системы восприятия изображений с помощью ЭВМ предназначены для преобразования изображения сцены в ее описание, которое, как правило, включает в себя результаты распознавания объектов, составляющих сцену, и определение их свойства взаимных связей /Дудо... 1976: Уинстон, 1980/. Типовая система восприятия включает следующую последовательность операций: поиск отличительных локальных образов (признаков) изображения; сопоставление признаков областей при наличии нескольких изображений сцены с разных точек видения (пространственная интерпретация); сегментация изображения - разбиение его на области, относящиеся к поверхностям определенных объектов и их частей; распознавание объектов сцены по признакам их видимых частей, которое проводится путем сравнения наблюдаемых областей с предполагаемыми конфигурациями. Из этого описания хорошо видно, что имитационная модель восприятия строится в данном случае полностью на основе естественнонаучного физикального образа мышления, когда процесс опознания определяется через посредство свершившихся продуктов этого процесса - признаков изображения сцены. Интересно отметить, что исследования по созданию систем машинного зрения на основе функционально-структурного анализе сцен оказали определенное воздействие на представления психологов, в результате чего появились работы, направленные на неправомерное, с нашей точки зрения, обоснование этого подхода с позиций психологии /Величковский, 1982/.

Ограниченность возможностей известных кибернетических способов моделирования восприятия и мышления в настоящее время отчетливо осознается исследователями, как философами и психологами, так и многими кибернетиками. Обсуждению ограниченности оснований кибернетического подхода к явлению отражения посвящена обширная литература /Дрейфус X. Чего не могут вычислительные машины (критика искусственного разума). М.: Прогресс, 1978. 334 с.; Вейценбаум. 1982;: Брушлинский. 1979; Тюхтин. 1983; и др./. Однако, необходимо отметить, что критика проводится с использованием того же естественнонаучного, физикального подхода. Это не позволяет глубоко понять существо выявляемых ограничений Ограниченность кибернетических методов выявляется в сравнении с функциональными возможностями человека. В частности, большую роль в современных дискуссиях о путях и возможностях моделирования отражательных процессов играет положение о существовании у человека «неявного», интуитивного личностного знания, т.е. человек умеет (узнает) много больше, чем это можно вербализовать и формализовать. X. Дрейфус ссылается на пример езды на велосипеде. Рациональное содержание движений велосипедиста можно выразить правилом: ехать так, чтобы кривизна траектории его пути была все время обратно пропорциональна квадрату скорости. «Это, однако, не является способом объяснения его действий. Формализация говорит лишь о том, что происходит в мозгу или разуме велосипедиста в процессе выполнения им этой задачи» /Дрейфус X. Чего не могут вычислительные машины (критика искусственного разума). М.: Прогресс, 1978. 334 с., с.144‑145./. Вместе с тем попытка формализовать - т.е. представить в терминах множества четко определенных независимых друг от друга элементов - процесс разумного поведения (мышления и восприятия) человека, для которого, как указывает X. Дрейфус, любой факт «приобретает смысл только в контексте человеческой деятельности» /Дрейфус X. Чего не могут вычислительные машины (критика искусственного разума). М.: Прогресс, 1978. 334 с., с.171./, приводит к неразрешимому противоречию - антиномии. С одной стороны, имеется тезис: для каждого данного контекста всегда должен существовать более широкий контекст; в противном случае не было бы никакого способа различения релевантных и нерелевантных фактов. С другой стороны, имеется и антитезис: должен существовать какой-то первичный, ни к чему не сводимый контекст, не требующий интерпретации; иначе возникнет бесконечная редукция контекстов, и мы никогда не сможем приступить к формализации /Дрейфус X. Чего не могут вычислительные машины (критика искусственного разума). М.: Прогресс, 1978. 334 с., с.186/. Один из путей разрешения этой антиномии Дрейфус видит в моделировании процесса развития ребенка и предполагает, что если запрограммировать изначальные рефлексы младенца и «обеспечить машине возможность обучения, то, быть может, окажется возможным решить проблему распознавания контекстов» /Дрейфус X. Чего не могут вычислительные машины (критика искусственного разума). М.: Прогресс, 1978. 334 с., с.187/. Вместе с тем, «первоначальный переход от неизменных реакций к реакциям гибким, основанным на учете смысла ситуации, по-прежнему остается неясным» /Дрейфус X. Чего не могут вычислительные машины (критика искусственного разума). М.: Прогресс, 1978. 334 с., с.187./. Если не принимать бесконечную редукцию контекстов по времени, то «так называемый глобальный контекст должен распознаваться в терминах, фиксировании, не зависящих от контекста признаков, и тогда мы не столько решаем проблему, сколько игнорируем ее» /Дрейфус X. Чего не могут вычислительные машины (критика искусственного разума). М.: Прогресс, 1978. 334 с., с.187./. Из приведенных рассуждений видно, что, обсуждая проблему формализации познавательных процессов и. в частности, распознавания контекстов, Дрейфус неявно исходит из того основания, что глобальный контекст должен быть определен в терминах результатов акта его отражения (познания), или вообще с использованием тех самых знаний, которые заключает в себе контекст. Иными словами, представление о процессе отражения контекста или ситуации строится на основе знаний (как продуктов отражения), которые могут быть, в принципе, почерпнуты из данного контекста или ситуации. В результате остается скрытым сам момент реализации процесса отражения (познания), а распознавание определенного таким образом контекста оказывается возможным только с. помощью зависимых или не зависимых от него признаков. И здесь получается, что распознавание с помощью зависимых признаков фактически невозможно, а введение не зависящих от контекста признаков заставляет отказаться, как от иллюзорной, от той гибкости, которую мы старались объяснить, что в целом приводит автора к выводу: «По всей видимости, не существует ни способа проникновения внутрь ситуации, ни способа распознавания ее извне» /Дрейфус X. Чего не могут вычислительные машины (критика искусственного разума). М.: Прогресс, 1978. 334 с., с.188./.