KAPITOLA III. ENVIRONMENTÁLNÍ ASPEKTY LETECKÉ DOPRAVY (ČAST 5)

Jestliže

                                                   

pak se kauzální citlivost mění podmíněné pravidlo, platící v oblasti stavového prostoru objektů O1, On.

Proces probíhající na systému s objekty Oi je charakterizován ve stavovém prostoru "intenzivních" a "extenzívních" veličin (Pi(t), Ve(t)), symbolicky

Informační zobrazení procesů - procesní informační systémy můžeme charakterizovat grafy přiřazenými relacím

                          

Toto přiřazení umožňuje strukturální interpretaci složitých informačních systémů, hodnocení zpětných vazeb a kvalitu převozu a zpracování informace v dílčích informačních systémech, přičemž informační segment vychází z grafického popisu uvedeného na obr. 3.14.

Obr. 3. 14.      Informační segment

Graf vychází z maticového vyjádření

Matici [Ti] nazveme přenosovou matici i-tého informačního segmentu (segmentu informačního systému).

Informační výkon je zcela nová míra, kterou zavádíme jako nástroj pro hodnocení efektivity informačních systémů. Tuto míru vytváříme jako součin

a pak hovoříme o okamžitém informačním výkonu.

S informačním výkonem souvisí i pravděpodobnost správného výběru varianty řešení, pravděpodobnost správného rozhodnutí - obr. 3.15.

Objekty reálného světa a technologie jejich poznávání
Objekty reálného světa můžeme charakterizovat z hlediska různých časoprostorových rozlišovacích úrovní. Volba časoprostorové rozlišovací úrovně je velmi důležitá proto, abychom objekt neidentifikovali jenom na základě jednotlivostí anebo naopak, aby důležité vlastnosti objektu nezůstaly skryty ve velikostí celku. Příkladem špatně nastavené rozlišovací úrovně může být vzdálenost, ze které se snažíme rozpoznat nápis na velikém posteru. V případě, že budeme ve velmi malé vzdálenosti od posteru a budeme mít před sebou jen jedno z písmen rozpoznáme strukturu tohoto jednoho písmena a nebudeme schopni identifikovat smysl celého posteru. Z veliké vzdálenosti budeme schopni přečíst na posteru pouze hlavní hesla psaná největšími písmeny a mnohý z detailů pro velkou vzdálenost nebude identifikovatelný. Rozlišovací úroveň je důležitá i z hlediska identifikace vlastností, které vyjadřujeme daty, údaji. Data naměřená na objektu jsou vstupními údaji pro rozpoznávání objektu. Data charakterizující systém, definovaný na objektu, můžeme uspořádat do vektoru, který budeme nazývat obraz, neboť "zobrazuje" objekt z hlediska zvolené definice systémů. Úlohu poznávání objektů reálného světa a technologie řešení této úlohy můžeme rozdělit do dvou částí:
    Zpracování naměřených dat, a tím vytvoření reprezentace, která obsahuje podstatné charakteristiky potřebné pro zařazení do tříd,
    Klasifikace - zařazení do tříd podle zvoleného kritéria.
Reprezentace získaná zpracováním naměřených dat představuje vstupní údaj pro klasifikaci. Podle použité reprezentace a následující klasifikace můžeme metody poznávání objektu rozdělit na příznakové metody a strukturální neboli syntaktické metody. Příznakové metody se soustřeďují zejména na kvantitativní ocenění významných vlastností objektu, který je prezentován prostřednictvím obrazu. Získané číselné hodnoty veličin, které popisují obraz, nazýváme příznaky. Všechny příznaky, jimiž objekt charakterizujeme, můžeme uspořádat tak, že budou utvářet vektor příznaků. Prostor tvořený těmito vektory nazveme příznakový prostor. Na obr. 3.16 je uvedeno blokové schéma poznávání objektu, který je zprostředkován prostřednictvím obrazu.

 
Obr. 3. 16.    Poznávání objektu prostřednictvím obrazu.

Základem úlohy poznání objektu je dostatečná zásoba znalostí, které reprezentují příznaky zobrazeného objektu. Celou úlohu můžeme rozdělit na dvě části, tak jak je to znázorněno na obr. 3.16a to část vlastního rozpoznávání objektu a část, která představuje analýzu úlohy. Vlastní proces poznávání objektu je vyčlenění příznaků v obrazu, které objekt charakterizují. Tento proces se děje na základě volby předpokládaných příznaků, tak jak byly vybrány z báze znalostí a jsou v bloku nastavení výběrového pravidla použity k sestavení takového pravidla, které indikátor třídy rozpoznáváni z vektoru příznaků vybere ty příznaky, jež jsou indikátorem třídy, do které je možné objekt zařadit. Cílem úlohy je zpracovat data tak, aby bylo dosaženo přijatelné klasifikace při nejjednodušších klasifikátorech. K řešení této úlohy můžeme také použít známé množiny obrazů, které jsou uloženy v bázi znalostí a jimž je přiřazena správná klasifikace. Hovoříme někdy o tom, že poznávání objektů je založeno na srovnávání s etalony, standardy, které máme zařazeny v určitých rámcích a v těchto rámcích vyhledáváme standardní funkce. V této příznakové metodě významnou roli hrají číselně změřené údaje, zvolená metrika, metody měření, zatímco v následující metodě, v metodě strukturální, používáme k reprezentaci popisných elementů. Těmito popisnými elementy jsou nejednodušší kvalitativní charakteristiky a relace mezi nimi. Popisné prvky se samozřejmě také odvozují z obrazu. V literatuře bývají popisné elementy často nazývány primitiva a pokládáme je za dále nedělitelné. Důležitou vlastností strukturálních metod je možnost vytvářet popis rekurzivně pomocí metod jednodušších. Na obr. 3.17 je opět uvedeno blokové schéma, tentokrát strukturální metody. Důležitá je zde opět báze znalostí, která obsahuje primitiva i relace mezi nimi.
 
Obr. 3. 17.      Poznávání objektu strukturální metodou.

Musí být k dispozici i inferenční mechanismus, jímž budeme hodnotit strukturální popis vytvořený nad obrazem, spolu se strukturálními popisy, které jsou vybrány z bloku primitiv a relací, výsledkem inference gramatik strukturálního popisu pak je klasifikace relačních struktur, které nabízí strukturální popis obrazu. Výsledkem klasifikace relačních struktur je opět indikátor třídy, který nám dovoluje obraz zařadit do známé třídy obrazů a identifikovat objekt, jehož obraz byl předmětem řešené úlohy. Máme přitom na paměti, že indikátor třídy je vlastně popisem obrazu. Popis obrazu vlastně reprezentuje informační obraz objektu, a systémy, které využíváme k identifikaci objektu; identifikaci prvků modelů, prvků nad objektem, k identifikaci vazeb, funkcí, genetického kódu a dalších důležitých vlastností objektu, můžeme hodnotit z hlediska schopnosti interpretovat informaci, z hlediska schopnosti generovat tok informací směrem k informačnímu systému nebo k jiným subjektům komunikace. Systém pro sběr dat charakterizující objekt reálného světa můžeme charakterizovat čtyřmi parametry. Informací I1, kterou jako data, údaje zpracované nad modelem objektu přijímací systém získal, informační tok F1, který vstupuje do sběrného systému dat a na druhé straně informaci F2 resp. množství informace I2, které systém sběru dat je schopen předat na svém výstupu a tok informací F2 informační tok, který je schopen vytvářet tento systém na svém výstupu. Vztahy mezi systémy, veličinami jako je množství informace a informační tok, je možné charakterizovat maticí

 


 

There are currently no posts in this category.