ИНФОРМАТИВНЫЕ ПРИЗНАКИ ЗАДАЧ ВИЗУАЛИЗАЦИИ
А.А. Захарова, А.В. Шкляр
Институт кибернетики Национального исследовательского Томского политехнического университета
Содержание
2. Признаки задач визуализации
Аннотация
В работе приведены результаты исследований применимости визуальных методов исследований для анализа данных, имеющих различное происхождение и уровень формализации. Выделены признаки задач визуализации, позволяющие осуществлять оптимальный выбор визуальных моделей данных.
Ключевые слова: Визуализация данных, метафора визуализации, анализ данных, когнитивные системы, представление информации.
1. Введение
Построение визуальной модели для информации, находящейся в распоряжении исследователя, может быть сформулировано как самостоятельное исследование для широкого множества задач. Привлечение визуальных методов изучения может быть обосновано, прежде всего, требованием оптимизации затрат времени, необходимого для анализа информации и принятия решения, соответствующего целям исследования. Результативность применения визуальных моделей данных, оцениваемая как с точки зрения ресурсоемкости решений, так и с позиций использования когнитивных особенностей этого вида анализа, создала условия для появления значительного числа разных типов визуальных моделей и способов их практического использования.
Ранообразие уже существующих визуальных моделей и активное использование современных технологических достижений в области компьютерной обработки данных для создания их новых вариантов – все это позволяет рассматривать задачи визуализации как расширяющееся множество, экземплярами которого являются задачи, для которых визуализация является результативным методом анализа. Возникает необходимость обобщенного описания представителей этого множества, упорядоченной системы общих характеристик, выявления их сходств и различий. Целями создаваемой типологии задач визуализации следует считать систематизацию, объяснение сути и обоснование применимости многочисленных способов взаимодействия между наблюдателем и визуальным образом, опирающиеся на собственные характеристики визуальных моделей и задач, для решения которых они применяются.
2. Признаки задач визуализации
Под словами «задача визуализации» в контексте рассматриваемых вопросов подразумевается построение визуальной модели исследуемых данных, адекватной целям их анализа. Это позволяет ввести определение визуальной модели, независящее от специфических аспектов конкретной задачи. Визуальной моделью мы будем называть специально созданный объект, находящийся в соответствии с другим, изучаемым объектом, обладающий некоторыми, зрительно воспринимаемыми свойствами (рис. 1). Соответствие между объектом и его визуальной моделью локализовано во времени и пространстве, может быть постоянным или одномоментным, определенным или управляемым.
S0 → Z0, S1(t) → Z1(t), S2(t,r) → Z2(t,r),
где S0, .., S2 – исследуемые предметы, Z0, .., Z2 – визуальные модели. Такое соответствие не является взаимнооднозначным и определяется, в значительной мере, лишь авторами моделей. Если учесть, что каждый предмет – и Si, и Zi является объектом, проявляющим себя через некоторое конечное множество свойств, то в терминах теоретико-множественного подхода предыдущее утверждение выглядит так:
Si (t,r)= {P(S)j(t,r)} → Zi(t,r)={P(Z)k(t,r)} , j = 1..n(Si), k = 1..n(Zi)
где P(S)j – свойство объекта, n(Si) – количество свойств предмета Si, отображаемых в визуальной модели, n(Zi) – число воспринимаемых характеристик модели, соотнесенных со свойствами предмета Si.
Сопоставление между объектами Si и Zi реализуется как взаимодействие Fmap ={f} между объектами, изменяющее свойства модели Zi на основании свойств Si [1]. На этом основании, можно утверждать, что модель Zi содержит в себе информацию о состоянии объекта Si, т.е.
I(S:Z) = {P(Z)k(t,r)} | Fmap(S): P(S)j → P(Z)k
где - I(S:Z) информация об объекте S в объекте Z.
Визуальные модели создаются для изучения особенностей исследуемой информации, поэтому наиболее очевидной характеристикой, способной рассматриваться как основание для разделения на группы, можно считать свойства исследуемых объектов, точнее типы их признаков {P(S)j}. Однако для задач, в которых предметом изучения является система объектов S={Si}, комплексная характеристика T({Si}), учитывающая природу произвольного признака каждого представителя системы S, становится неудобным критерием для выделения типов моделей в силу значительного разнообразия и необходимости обоснованного выбора ограниченного множества признаков.
Значимым для восприятия визуальной модели является правильное понимание наблюдателем происхождения или природы изучаемых предметов. Согласно [2], в общем случае, предметы можно разделить на эмпирические и абстрактные. Эмпирическими считаются объекты, воспринимаемые наблюдателем непосредственно при помощи системы собственных ощущений, либо с использованием измерительных приборов. К этой же категории относят предметы, информация о которых получена из достоверных источников, а не самим исследователем в ходе наблюдений. В этом случае, исчезает требование локализации исследователя и изучаемого предмета во времени и пространстве. Развивая этот подход, выделяют реальные эмпирические объекты и гипотетические. Последние характеризуются тем, что наблюдение их невозможно, а существование определется по последствиям взаимодействия с другими предметами.
Рис. 1. Параметры задач визуализации данных, оказывающие существенное влияние на построение их решений
В ряде задач изучение свойств предмета приводит к принятию решения об исключении из рассмотрения некоторого подмножества его признаков, и тогда в качестве исследуемого возникает новый объект. Если исключенные признаки являются значимыми для существования исходного предмета, то полученный новый объект является абстрактным, а его исследование обусловлено особенностями задачи, решаемой исследователем. Таким образом, визуальная модель Za абстрактного объекта Sa
Za = {P(Z)k} | Fmap(S): P(Sa)j → P(Z)k, P(S)n →Ⱶ P(Z)}.
Из вышесказанного следует, что процедура сопоставления Fmap между исходным объектом и визуальной моделью в качестве результата всегда получает реальный эмпирический объект, и это является ее основной задачей.
С точки зрения изучения визуальных моделей как инструментов обработки и анализа информации, имеет смысл классифицировать их не прямолинейно, устанавливая однозначное соответствие между типами исходных данных и создаваемой моделью данных, а определяя приемы визуализации, оптимальные для исследования данных конкретной задачи. Под оптимальностью в этом подходе подразумевается скорость и правильность понимания смысла визуализируемой информации, оцениваемая по эффективности принятых решений. Появление субъективной составляющей, зависящей от особенностей индивидуального восприятия и влияющей на оценку визуальной модели, требует или выдвижения более четких признаков классификации, или привлечения особенностей восприятия к формированию типологии задач визуализации.
В общем смысле, визуальную модель произвольных данных можно рассматривать как специальный тип знаков. Определение знака, как материально выраженной замены предметов, явлений, определений, служащей для обмена информацией [3], позволяет сделать это утверждение. Соответственно, множество моделей {Zi} может рассматриваться как знаковая система, а изучаться – с применением понятий и методов семиотики.
Используя представления Ч. Пирса [4], можно утвержать, что визуальная модель в качестве знака, соответствущего определенному предмету, является результатом соглашения. Это значит, что форма знака, т.е. воспринимаемый визуальный образ, не связана напрямую с исходным объектом, а определяется исследователем из собственных соображений. Следовательно, визуальная модель является объектом, зависящим от множества субъективных факторов.
Z(P(S), H(S)map) = {P(Z)k(t,r)} | Fmap(S): P(S)j → P(Z)k; Fmap= {fn} | H(S)map: P(S)j → f(Z)n ,
где H(S)map – выбранная исследователем система сопоставлений между признаками исходного предмета и элементами визуальной модели.
Знаковая природа визуальных моделей имеет свои следствия. Произвольный характер сопоставления H(S)map приводит к разделению моделей по особенностям воздействия на наблюдателя. Понимание любого зрительного образа, являющегося знаковым представлением неизвестного (изучаемого) объекта, зависит, прежде всего, от двух явлений: восприятия и осведомленности. Эти два взаимодополняющих обстоятельства являются первой ступенью в интерпретации зрительной информации [5].
Традиционно, использование визуальных моделей подразумевает стремление их создателей к интерпретируемости, начинающейся одновременно с ознакомлением. Этот подход определяет влияние индивидуальных особенностей восприятия исследователя на качественную оценку визуальной модели. Формируется набор факторов Hres, описывающий взаимодействие между наблюдателем и образом.
Z = Z(P(S), Hres); Hres = {H(S)map , H(Z)arch},
где признаки H(Z)arch описывают правила информирования исследователя о свойствах модели.
Во множестве H(Z)arch можно выделить несколько подмножеств, включающих в себя правила, отличия которых друг от друга влияют на модель Z значимым образом с точки зрения интерпретируемости. Подмножество hscl приводит к созданию визуальных моделей, образы которых интерпретируются за счет введения в модель дополнительных объектов – шкал. Этот прием активно используется во многих исследованиях, а его результативность объясняется естественной способностью зрительного восприятия к быстрому сравнению некоторых свойств предметов. В данном случае происходит сопоставление отображенных в модели признаков изучаемого объекта с эталонным предметом:
Harch = {hscl, href, hmet}.
Подмножество href обычно определяет создание моделей систем изучаемых предметов, если для понимания исходной информации достаточно сопоставления образов объектов или их частей между собой. Для визуального восприятия эта ситуация может быть более эффективной, так как не требует присутствия в зрительном поле дополнительных объектов. Простейшим примером таких задач визуализации является изучение схем структурных связей.
В отдельную группу выделены правила hmet, регулирующие понимание визуальной модели наблюдателем в тех ситуациях, когда используемая метафора представления создает образ, требующий предварительного объяснения и обучения исследователя, либо обращается к дополнительным возможностям восприятия. Примером в этом случае является ассоциативное мышление, вызывающее понимание смысла исходной информации через обращение к сопоставлению с образами, значение которых уже знакомо исследователю. Результат взаимодействия с собственными знаниями наблюдателя менее контролируем, однако наиболее интересен для когнитивных процессов [6].
Описанное таким образом множество Harch является параметром типизации визуальных моделей. На практике, предпочтение в выборе между типами визуализации может быть сделано после предварительного анализа информационной основы модели и сопоставления с целями визуализации (рис. 2). В приведенном примере показано состояние визуальной модели поведения жидкости в установке по исследованию процессов износа в результате трения. Жидкость под давлением попадает в пространство рабочей камеры установки в верхней части и движется по кругу, омывая трущиеся детали, и выводится из камеры внизу. Цветовая кодировка в визуальном образе позволяет определять направление и относительную величину скорости жидкости внутри рабочего пространства установки.
|
|
|
Рис. 2 Визуальная модель распределения скоростей вязкой жидкости в экспериментальной установке.
В приведенном примере движение жидкости моделировалось системами частиц, и информация о характере их движения являлась доступными, но трудно интерпретируемыми данными. Простое цветовое кодирование, сопоставляющее трем пространственных осям определенные цвета, позволяет интерпретировать одновременно поверхностные и динамические параметры, опираясь на быстрое цветовое восприятие.
Тип hscl выглядит более привычным и содержательным, однако работа со шкалами любого типа требует времени для визуального сопоставления или считывания символьных обозначений, введенных в наблюдаемый образ. Правила сопоставления href позволяют локализовать внимание исследователя на качественных зрительных признаках, не требуя реконструкции точных значений атрибутов модели. Соответственно, каждый из указанных путей получения визуальных моделей приводит к получению результатов, обладающих различной эффективностью, ресурсоемкостью и областью применения.
Tint = T({P(Z)k(t,r)}) ; Z = Z(P(S), Hres , Tint),
где время интерпретации Tint , зависящее от свойств модели, является требованием задачи визуализации и для многих из них имеет принципиальное значение. При построении образов быстротекущих или сильнопеременных процессов, обычно уменьшается способность наблюдателя к актуальному пониманию изучаемой информации, так как длительность индивидуального процесса восприятия ее образа превосходит скорость его обновления. Использование способности человеческого восприятия к быстрому сравнению или обнаружению изменений в зрительном поле [5] позволяет обходить эту трудность.
Процесс интерпретации для задач визуализации можно рассматривать как последовательность быстрых и не всегда управляемых аналогий, результатом которых становится сопоставление объекта с образом или системы объектов с комплексной моделью. Точность и безошибочность интерпретации для любых визуальных моделей зависит как от их собственных характеристик, заложенных авторами, так и от персонального ассоциативного мышления или свойств восприятия исследователя. Необходимо заметить, что когнитивная ценность моделей, использующих особенности типа href или hmet может быть, в некоторых ситуациях, даже выше, чем у моделей первого типа, так как они способны инициировать понимание исходных данных, не отвлекая ресурсы на считывание значений.
Другой характеристикой визуальных моделей, имеющей существенное влияние на их функциональность, следует считать размерность пространства представления модели. В данном случае речь идет о комплексной характеристике, позволяющей создавать вариативное представление одних и тех же данных с целью достижения необходимого уровня интерпретируемости образа. Размерность визуальной модели может быть повышена при использовании помимо адекватно воспринимаемого трехмерного визуального пространства еще и временной составляющей, то есть при создании анимированной модели. Этот прием обладает хорошей воспринимаемостью, позволяет управлять вниманием наблюдателя, изменять масштаб шкал, усиливать восприятие происходящих изменений и многое другое [6].
Существенным преимуществом при появлении в пространстве представления модели временной составляющей можно рассматривать потенциальную возможность для создания изменяющихся компонент, как для динамических исходных данных, так и для постоянных. В визуальных моделях, отображающих сложно воспринимаемые пространственные данные, построение динамических решений может позволить эффективно добиться их правильного понимания. Традиционными решениями, использующими эти приемы, являются перемещающиеся сечения твердых тел, эхо-эффекты для быстродвижущихся объектов или поэтапное построение всей визуальной модели [7].
Размерность пространства представления визуальной модели является параметром в решении задачи визуализации и может изменяться, помогая решать несколько проблем. С одной стороны, увеличение размерности является приемом, позволяющим наращивать информационную емкость образа. В данном случае, под информационной емкостью понимается объем информации, эффективно интерпретируемый наблюдателем в единицу времени. Следует отметить, что уменьшение размерности исходных данных при применении операций сворачивания для многих задач визуализации приводит к более сложной интерпретируемости их образов.
С другой стороны, зрительное восприятие является сложным многоплановым процессом, принципы которого нам до конца не ясны, и достижение контролируемой интерпретируемости визуальной модели требует выполнения множества условий [5]. Существуют образы, восприятие и осмысление которых можно прогнозировать с высокой степенью точности, но эти образы просты и привычны. Усложнение, дополнение и трансформация даже известных видимых объектов в большинстве случаев приводит к тому, что наблюдатель начинает формулировать собственные предположения, идентифицирующие новый образ в рамках персонального опыта и знаний. Если целью взаимодействия с визуальным образом информации является творческое осмысление, когнитивный поиск или обнаружение неизвестных противоречий, то подключение субъективного восприятия может оказаться полезным и успешным средством анализа. Если же целью визуализации является точная информированность о текущем или прошедших состояниях системы, то требуется сопровождение визуальной модели подсистемами, определяющими корректное понимание исходных данных в течение времени интерпретации.
Привычным и естественным способом дополнения пространства представления модели данных является использование способности различать цвета. Глаз обычного человека способен различать значительное количество цветовых оттенков. Этот быстрый процесс, не требующий специальной подготовки, позволяет одномоментно получать информацию из разных участков зрительного поля, запоминать и фиксировать различия между ними. Цветовое восприятие, даже в упрощенном виде, дает наблюдателю возможность воспринимать не только заданные цвета объектов, являющихся составными частями модели, но и видеть любые изменения этих цветов, в том числе переходящие из одного в другой. Все это позволяет говорить об использовании цвета в визуальных моделях как о возможности увеличить размерность пространства представления.
Восприятие цвета, особенно если речь идет о динамически меняющейся композиции цветовых оттенков, также во многом опирается на особенности наблюдателя. При разработке визуальных моделей данных, рассчитанных на формирование у исследователя когнитивных ассоциаций, являющихся начальной стадией решения изучаемой задачи, появляется необходимость учитывания нюансов восприятия: культурных, национальных, возрастных и т.д. Понимание этого обстоятельства особенно важно при создании зрительных образов, восприятие которых происходит очень быстро, рассчитано на рефлекторную реакцию или обязано формировать заданный эмоциональный отклик.
Учитывание характерных особенностей восприятия наблюдателя при изучении вопроса о существовании типичных групп параметров, определяющих функциональность визуальных моделей, позволяет выделить еще несколько важных факторов, которые можно рассматривать как информативные признаки таких моделей. Включение характеристик наблюдателя как комплексного параметра в рассматриваемую систему задач визуализации приводит к ее замкнутости и делает возможным построение классификации объектов системы [2].
Визуальные модели произвольных данных, в широком контексте, следует рассматривать как способ коммуникации, инструмент, позволяющий передавать информацию как абстрактную категорию через специфичное осязаемое представление. Характерной чертой этого процесса является естественное дополнение начальной информации за счет индивидуальной специфики восприятия и осмысления увиденного со стороны наблюдателя. Таким образом, собственные свойства способа визуализации, примененного к источнику данных, способны инициировать или активизировать когнитивную интерпретацию исходной информации.
Считая визуализацию средством общения, то есть языковым инструментом, можно предположить, что параметры моделей, аналогичные некоторым характеристикам обычных языков, также могут стать основанием для создания типологии визуальных моделей. Так, выразительные средства, широко распространенные в построении литературных высказываний и во многом определяющие стилистику и информативность любого текста, нетрудно обнаружить как составные части визуальных моделей. Ярким и интуитивно понятным семантическим приемом, встречающимся как в разговорном языке, так и в визуализации, является использование метафор [8].
Еще одним примером, иллюстрирующим возможность рассмотрения визуализации как формализованного языка, является изучение ее структурных особенностей, то есть возможных правил построения визуальных моделей, определяющих соответствие заданным параметрам воспринимаемости или информативности образов. Указанный аспект исследования возможностей визуализации позволяет говорить о синтаксической структурированности визуальных моделей, а также о необходимости и допустимости определения закономерностей создания визуальных моделей с точки зрения их синтаксической корректности. Использование методов визуального анализа при обработке сложных данных, а также необходимость соответствия способов взаимодействия с визуальным образом повышенным требованиям, определяемым спецификой решаемой задачи, – все это неизбежно приводит к появлению приемов визуализации, сравнимых с закономерностями синтаксиса формального языка. Разнообразие таких приемов, связанное с особенностями решаемых задач, постановок проблематики, нюансами восприятия наблюдателей, для которых разрабатывается зрительный образ, а также качественными характеристиками ожидаемого результата, – вся совокупность обстоятельств позволяет говорить о синтаксических свойствах моделей как о еще одном основании для их типологии [6].
Продолжая сравнение с основополагающими понятиями, характерными для практических языков, следует особо выделить такие понятия, как семантика и лексика. С точки зрения изучения визуальных моделей каждое из них имеет существенное значение. Совокупность образов, используемых для создания визуальной модели произвольной информации, знакомая наблюдателю и не требующая дополнительных усилий для оправдания их применимости, является аналогом словаря языка.
Существование такой совокупности в виде обоснованной теми или иными соображениями системы понятий создает возможность для получения новых единиц визуального словаря или привлечения уже имеющихся к передаче информации, не свойственной им ранее. В свою очередь, такое новое изложение исследуемых данных является когнитивным приемом и соответствует основному предназначению визуальных моделей. Аналогично разговорным языкам, лексика визуальных моделей может варьироваться применительно к разным типам задач, специфике взаимодействия с моделями или по отношению к характерным чертам наблюдателей этих моделей. Построение словаря визуальных смысловых единиц, образующих систему идентификации более сложных образов, является одним из направлений для развития алгоритмов распознавания [9].
Авторами любой визуализации должен быть предварительно выбран и проанализирован способ, при помощи которого пользователь модели соотносит между собой зрительный образ и объект, свойства которого его породили. Свободное установление такого соответствия, свойственное творческому переосмыслению и легко реализуемое при помощи современных технологий визуализации, создают предпосылки для семантической неоднозначности визуальных моделей. Путями разрешения подобной ситуации могут становиться множество приемов.
Для задач визуализации, целью которых является контролируемое однозначное информирование пользователя о состоянии изучаемой системы используются приемы предварительной осведомленности, фиксирующие семантическую оценку визуального образа. Примером такого решения является сопровождение модели системой условных обозначений. Задачи, предлагающие наблюдателю самостоятельно определять информационную основу полученных изображений, ставят своей целью или обнаружение нового смысла в изучаемых данных, или неявно предполагают наличие у наблюдателя собственных сформированных или предсказуемых механизмов установления семантических связей. Вариативность построения визуальных моделей по отношению к связям между зрительным образом и его значением становится, таким образом, еще одним основанием для классификации визуальных решений.
3. Когнитивные преимущества
В [1] было рассмотрено несколько вариантов использования когнитивных возможностей визуализации. Во-первых, визуализация полученного решения как инструмент для его осмысления (решение-образ). Для этого случая характерно использование компьютерной графики как традиционного метода анализа, обладающего системой технических приемов и известной применимостью по отношению к исследуемым предметным областям.
Следующей возможностью указывался поиск путей решения для существующей задачи, основанием для которого может быть визуальный анализ исходных условий (образ-решение). Здесь предполагается, что осознанный выбор способов достижения необходимого решения возможен в том случае, если визуальный образ содержит когнитивные характеристики, достаточные для выбора последовательности действий, ведущей к решению. Оба варианта, на наш взгляд, представляют собой визуальный анализ данных, но на разных стадиях решения исходной задачи и, следовательно, визуальные модели в обоих случаях могут опираться на схожие инструменты (рис. 3).
Рис. 3. Визуальная модель процесса доставки лекарственных средств к пораженным внутренним органам. Использовалась технология просмотра 3D-анимации без использования стереоочков для наблюдения за исследуемым процессом применения модифицированных наночастиц.
Третьим способом, позволяющим реализовывать потенциал визуальных моделей, рассматривается метод, в котором применение визуальных образов для произвольных изучаемых данных позволяет сформулировать условия задачи для их изучения (образ-задача). Этот случай отличается от двух предыдущих тем, что при помощи визуализации анализируются не столько сами изучаемые данные, сколько причины их возникновения. Реализация когнитивных преимуществ визуального анализа здесь максиально зависима от выбора метафоры представления.
Все это позволяет считать цель задачи визуализации данных еще одним параметром классификации визуальных моделей. Значимость выбора метода решения, определяемого этим параметром крайне велика, потому что упрощает выбор метафоры, применяемой в модели, на начальном этапе решения задачи.
Рассмотрим применимость рассуждений, сделанных выше, к практическим задачам визуального анализа (рис. 4). Традиционная карта геораспределенной информации представляет собой визуальную модель, получаемую при помощи метафоры проецирования нерегулярной эмпирической информации на координатную плоскость, которая, являясь уже известной для наблюдателя моделью пространственного позиционирования, приводит к появлению образа исходной информации, пригодного для визуального анализа. Время интерпретируемости такой модели, обычно допустимо велико, поэтому размерность пространства представления модели или плотность привлеченных данных увеличивают, создавая высокую информативность модели как условие для результативного анализа. Метафора условных знаков является радикальным приемом снижения размерности, но в то же время становится требованием предварительной осведомленности исследователя. Целью визуальной модели для этого случая является принятие решения на основании интерпретации зрительного образа (образ-решение) и основные когнитивные характеристики модели нацелены на эффективное информирование исследователя, работающего с большим объемом данных.
Рис. 4. Динамическое построение визуальной модели сложных
геопространственных данных.
Переходное состояние визуальной модели, содержащей разнородные информационные
слои: традиционные геологические карты, результаты аэрофотосъемки, космоснимки,
а также данные, полученные в результате моделирования и обработки. Трехмерная
модель объединенных данных позволяет наблюдателю проводить быстрое
сопоставление и анализ, используя преимущества пространственного восприятия.
В приведенном примере проблема одновременного изучения различных типов данных, описывающих состояние общей пространственной модели, решается использованием последовательной динамичной смены визуальных моделей с применением частичного перекрытия. Кратковременная визуальная память [5] при этом делает возможным быстрое сопоставление особенностей (или их отсутствия) для различных данных. Сопоставление с моделью реального пространственного объекта и возможность изучения с любых точек наблюдения создают условия для быстрой интерпретации и анализа.
Задачи распознавания, например идентификации лиц, также могут быть рассмотрены как анализ визуальной модели. Для этого случая визуальной моделью является исследуемое изображение, а исходными данными – состояние системы, зафиксированное на изображении. Ключевым параметром анализа является время интерпретации, поэтому основные усилия в решении задач распознавания направлены на снижение размерности пространства представления и построения метафоры визуализации приводящей к интерпретируемости с заданной точностью.
Для задач неразрушающего контроля, имеющих дело с визуализацией реальных эмпирических данных, характерны иные требования к исследуемым изображениям. Интерпретация цифровых данных, полученных в ходе физических исследований, обычно затруднена недостоверной пространственной локализацией, поэтому получаемое зрительное представление может формировать противоречивое понимание. Метафора визуализации для таких задач может активно использовать дополнительные, не задействованные ранее свойства зрительного восприятия, чтобы создать условия для поиска нужного соответствия. Этот вариант следует отнести к категории «образ-задача», так как осмысление исходной информации при помощи визуальной модели приводит к формулированию вопросов о механизмах и причинах ее происхождения.
В приведенном ранее примере существует возможность построения визуального образа пространственного распределения значений плотности (рис. 5). В ходе реальных физических исследований получение визуальных данных, аналогичных по сути приведенному изображению, является распространенным результатом, отражающим состояние исследуемого объекта. Анализ такого визуального образа является случаем «образ-задача», так как зачастую приводит к постановке вопросов о причинах возникновения наблюдаемого состояния.
|
|
|
Рис. 5 Визуализация распределения плотностей, использующая
цветовое восприятие.
Представлен вариант визуализации пространственного распределения скалярной
величины. Интерпретация большого набора значений в этом случае существенно
упрощается при размещении в пространстве модели полупрозрачных образов и
возможности наблюдения за процессом во времени и с разных ракурсов.
4. Заключение
В ходе проводимого исследования изучены вопросы эффективного использования визуальных моделей для широкого круга практических и исследовательских задач. При определении информативных признаков визуализации авторами определены и описаны ключевые характеристики моделей данных, предложенные как основание для систематизации и анализа существующих или совершенно новых задач использования визуальных моделей. Выделенные авторами параметры позволили систематизировать выбор средств визуализации для специализированных задач и еще на этапе анализа условий решаемой задачи обосновывают степень целесообразности привлечения визуальных методов анализа.
Сделанные в работе утверждения позволили реализовать процедуру сопоставления между описанием изучаемой проблемы и методами визуального анализа, а также, в случае необходимости, параметрами результативности проводимого анализа. Приведено формальное математическое описание задач визуализации и свойств визуальных моделей. Предложенная классификация визуальных моделей использована при решении предметных задач и привела к эффективному построению необходимых решений.
Сделано утверждение о необходимости учета особенностей индивидуального восприятия наблюдателя при разработке визуальных моделей данных. Персональное зрительное восприятие, являющееся обязательным элементом в процедуре анализа и интерпретации данных, введено в описание модели данных и присутствует в наборе классификационных признаков. Указаны ограничения использования отдельных приемов визуализации, которые должны быть учтены при построении систем визуализации для реальных исследовательских задач.
За пределами исследования остался вопрос о выразительных средствах визуализации, формировании и свойствах словаря образов, средствах управления характеристиками зрительно воспринимаемого объекта. Изучение этих параметров визуальных моделей находится на очень раннем этапе и способно значительно усилить эффективность применения визуальных методов анализа информации.
Работа выполнена за счет средств субсидии в рамках реализации Программы повышения конкурентоспособности ТПУ.
Литература
[1] Яковив И.Б., «Взаимосвязь информации и знаков,» Information Technology and Security, № 1 (1), pp. 31-41, 2012.
[2] Зиновьев А.А., Основы логической теории научных знаний, Издание 2-е, испр. и доп. ред., М.: Издательство ЛКИ, 2010, p. 264.
[3] Соломоник Абрам, Философия знаковых систем и язык, Минск: МЕТ, 2002, p. 404.
[4] Пирс Ч.С., Начала прагматизма. Том 2. Логические основания теории знаков, СПб: Лаборатория метафизических исследований философского факультета СПбГУ; Алетейя, 2000, p. 352.
[5] C. Ware, Information Visualization, Third Edition (3rd Edition) Perception for Design (Interactive Technologies), Morgan Kaufmann, 2012, p. 536.
[6] А. А. Захарова и А. В. Шкляр, Метафоры визуализации, Научная визуализация. - 2013. – №2. – С. 16-24.
[7] Пескова О.В., «О визуализации информации», Вестник МГТУ им. Н.Э. Баумана. Сер. “Приборостроение”, 2012.
[8] Захарова А.А. и Шкляр А.В., «Построение многокомпонентных визуальных 3D-моделей с использованием разнородных источников информации, на примере создания геологических моделей».Известия Томского политехнического университета. - 2012 - Т. 320 - №. 5 - C. 73-79.
[9] Mazza R., Introduction to Information Visualization, London: Springer-Verlag Limited, 2009, p. 149.
[10] Bolotova Yu.A, Druki A.A. и Spitsyn V.G, «License plate recognition with hierarchical temporal memory model,» в 9th International Forum on Strategic Technology (IFOST-2014), Chittagong, October 21-23, 2014., 2014.
INFORMATIVE FEATURES OF DATA VISUALIZATION TASKS
A.A. Zakharova, A.V. Shklyar
Institute of Cybernetics. National Research Tomsk Polytechnic University
Abstract
Results of researches of visual research methods applicability for the analysis of the data having various origin and formalization level are given in this item. The features of visualization problems allowing to carry out an optimum choice of visual data models are allocated.
Key words: Data visualization, visualization metaphor, data mining, cognitive systems, information representation.
Bibliography:
[1] I.B.Jakoviv. Vzaimosvjaz' informacii i znakov []. Information Technology and Security, no. 1 (1), pp. 31-41, 2012.
[2] Zinov'ev A.A., Osnovy logicheskoj teorii nauchnyh znanij, Izdanie 2-e, ispr. i dop. red., M.: Izdatel'stvo LKI, 2010, p. 264.
[3] Solomonik Abram, Filosofija znakovyh sistem i jazyk, Minsk: MET, 2002, p. 404.
[4] Pirs Ch.S., Nachala pragmatizma. Tom 2. Logicheskie osnovanija teorii znakov, SPb: Laboratorija metafizicheskih issledovanij filosofskogo fakul'teta SPbGU; Aletejja, 2000, p. 352.
[5] C. Ware, Information Visualization, Third Edition (3rd Edition) Perception for Design (Interactive Technologies), Morgan Kaufmann, 2012, p. 536.
[6] A. A. Zaharova , A. V. Shklyar, Metafory vizualizacii, Nauchnaja vizualizacija. - 2013. – №2. – S. 16-24.
[7] Peskova O.V., "O vizualizacii informacii," Vestnik MGTU im. N.Je. Baumana. Ser. “Priborostroenie”, 2012.
[8] Zaharova A.A. , Shklyar A.V., «Postroenie mnogokomponentnyh vizual'nyh 3D-modelej s ispol'zovaniem raznorodnyh istochnikov informacii, na primere sozdanija geologicheskih modelej». Izvestija Tomskogo politehnicheskogo universiteta. - 2012 - T. 320 - №. 5 - p. 73-79.
[9] Mazza R., Introduction to Information Visualization, London: Springer-Verlag Limited, 2009, p. 149.
[10] Bolotova Yu.A, Druki A.A. and Spitsyn V.G, "License plate recognition with hierarchical temporal memory model," in 9th International Forum on Strategic Technology (IFOST-2014), Chittagong, 2014.