ПК-ностальгия
HOME
Железо
Программы
Оборудование
Статьи и публикации
Фототаблица
Ссылки
Почта
Гостевая
ПОИСК
Новости Яndex
О сайте

Этот сайт предназначен, прежде всего, людям, ностальгирующим по ушедшим РУССКОМУ СЛОВУ, Windows 3.1, ФОТОНУ, процессорам 486SX и иже с ними.
Конечно, времена должны идти вперед, но почему они обязательно должны уходить?

StuhlbergR 2007 ©

Беседы о поколениях ЭВМ

Н. Бусленко, В. Бусленко

©   Издательство "Молодая гвардия", 1977 г.

Все настойчивее вторгаются электронные вычислительные машины в науку и в народное хозяйство. О зарождении этих машин, принципе их действия, их развитии и влиянии на жизнь человека расскажут член-корреспондент АН СССР Н. Бусленко и его сын кандидат технических наук В. Бусленко.

Неарифметические применения ЭВМ (продолжение)

- Оказывается, и в области неарифметического применения ЭВМ вышла уже из младенческого возраста? Ведь игры и перевод - это уже не "детский лепет" новорожденного.

- Безусловно, здесь есть определенный прогресс. В настоящее время ЭВМ решает и более сложные задачи, например, автоматическое узнавание изображений, или, как говорят, "распознавание образов".

- Неужели это сложнее игры в шахматы? Ведь даже ребенок легко узнает знакомое лицо.

- Конечно, сложнее. Игры подчинены все-таки определенным формальным правилам, жестко регламентирующим поиск решения. Перевод также обусловлен словарем и грамматикой. Распознавание же - это тончайший интуитивный процесс, представить который как совокупность логических условий чрезвычайно трудно!

Любой человек легко отличит кошку от собаки, а вот дать формальное определение той и другой и объяснить, чем они отличаются, не так-то просто.

Методы распознавания образов, или автоматического узнавания, находят все более широкие применения на практике. В простейшем случае, чтобы узнать символ, достаточно суметь отнести его к одному из заранее выделенных классов. Так, если речь идет об узнавании букв русского алфавита (33 буквы), а буква есть некоторое сочетание черточек (длинных и коротких, горизонтальных и вертикальных, наклонных влево и вправо), то узнать одну букву - значит отнести заданное сочетание черточек к одному из 33 классов. Делается это так.

В памяти ЭВМ выделяется для этого 33 участка для размещения 33 эталонных строк. В каждой строке помещается "признаковый портрет" какой-нибудь одной буквы, состоящий из совокупности ее признаков. Он делится на две части: 1) грубый портрет и 2) дополнительные признаки.

Грубый портрет составляется в виде некоторого числа. Первая цифра означает количество длинных вертикальных черточек; вторая цифра - количество коротких вертикальных черточек; третья - длинных горизонтальных; четвертая - коротких горизонтальных; пятая - наклонных влево; шестая - наклонных вправо и т.д.

Представленный таким числом грубый портрет не всегда позволяет выделить одну конкретную букву, или, другими словами, грубые портреты различных букв могут совпадать. Например, буквы Н и П имеют по две вертикальные черточки и по одной горизонтальной короткой. Поэтому надо считать, что грубый портрет определяет только "тип" буквы. Правда, некоторые типы будут содержать ровно по одной букве; для них дополнительные признаки не нужны. Если же в тип входит несколько букв, то вводятся дополнительные признаки, позволяющие различать каждую букву внутри типа.

Дополнительные признаки можно построить на учете взаимного расположения черточек. Например, в типе, содержащем буквы Н и П, дополнительным признаком буквы П можно взять "короткая горизонтальная черточка сверху" и т.д.

Алгоритм узнавания букв в этом случае можно себе представить следующим образом. Считывается в определенный участок памяти ЭВМ при помощи специального электронно-оптического устройства заданная буква как совокупность черточек с учетом взаимного расположения. Этой совокупности нужно придать форму признакового портрета. Анализируется состав совокупности: имеются ли и сколько длинных вертикальных черточек (результат записывается как первая цифра портрета); имеются ли и сколько кортоких вертикальных черточек (результат записывается как вторая цифра портрета) и т.д. Получив грубый признаковый портрет, начинают сопоставлять его с содержимым каждой из 33 эталонных строк. Если грубый портрет совпадает с содержимым одной из эталонных строк, значит, выделился тип узнаваемой буквы. Далее следует анализ заданной совокупности черточек с целью определения дополнительных признаков и тем самым выделения конкретной буквы в типе.

На такого рода принципах строятся читающие автоматы, производящие ввод текста в ЭВМ. Практически эти автоматы устроены сложнее. Во-первых, обстоятельнее и полнее характеризуется ориентация черточек на плоскости - автомат должен читать текст, не зная, где верх или низ, при любом положении считываемого листа, в том числе, и "вверх ногами" и "боком", а также при любом расположении отдельных частей текста на листе. Во-вторых, реальный, даже печатный, текст имеет немало отклонений от стандартов: смещение отдельных букв, плохая пропечатка некоторых частей буквы, различная толщина черточек и т.п.

Автоматы, способные читать рукописные тексты, сталкиваются с еще большим разнообразием в начертании букв. Поэтому признаковые портреты содержат немало случайных погрешностей, и отнесение буквы к типу или выделение конкретной буквы в типе может быть сделано не вполне определенно, а лишь с некоторой вероятностью. Обеспечение надежной работы автомата требует включения в алгоритм узнавания ряда дополнительных частей, в том числе для расчета вероятностей различных гипотез и выбора гипотезы, обладающей наибольшей вероятностью.

Все рассматривамемые подходы обобщаются и распространяются на распознавание более сложных образов, чем буквы и вообще символы - цифры, знаки, условные обозначения и др. Сегодня они используются для расшифровки радарных снимков поверхностей планет с космических кораблей, расшифровки кардиограмм в медицине и даже для интерпретации геологических наблюдений и сейсмографических измерительных наблюдений с целью распознавания структуры глубинных подземных слоев и обнаружения месторождений полезных ископаемых: нефти, газа, каменного угля, руд.

Существенное значение приобретает в последнее время проблема обучения автоматов и алгоритмов. Предположим, что для управления каким-либо процессом сконструирован автомат или, что практически одно и то же, построен алгоритм, реализуемый на ЭВМ. Нередко случается, что по причине недостаточной изученности явлений управляемого процесса удовлетворительно работающий автомат создать невозможно. В некоторых случаях его удается "доучить" и добиться вполне приемлемого качества управления. Для этого нужно, во-первых, взять автомат с так называемой изменяющейся структурой, а во-вторых, создать обучающую приставку (или, когда речь идет об алгоритме, - обучающую программу).

Обучение производится следующим образом. Первоначально созданный автомат запускается в работу. Человек, наблюдая за течением управляемого процесса, оценивает его качество, например, по пятибалльной системе: "отлично", "хорошо" и т.д. Оценка вводится в обучающую приставку или программу и служит основанием для изменения структуры автомата или значений его параметров. Если качество управляемого процесса улучшается, внесенные изменения запоминаются и фиксируются. В противном случае они отбрасываются и выбираются новые. Обучение идет эффективно лишь в том случае, если приставка или программа изменяют структуру автомата не "как попало", не чисто случайным образом, а по определенным правилам, учитывающим наши знания об управляемом процессе. Здесь как раз и идет речь об эвристическом поиске правильной структуры автомата.

Процемм обучения может носить характер адаптации (приспособления) к изменяющимся условиям течения процесса или условиям внешней среды. Существуют специальные адаптивные системы, обладающие упомянутым свойством. Если оценку поведения управляемого объекта или управляющего автомата выполняет не человек, а некоторый автомат (или программа) по результатам измерения отклонений характеристик от требуемых значений и по этим отклонениям автоматически вырабатываются команды на перестройку структуры управляющего автомата, то уже можно говорить о так называемой самоорганизующейся системе.

Проблема самоорганизации - одна из ведущих в современной кибернетике. Она, с одной стороны, имеет выход на синтез все более и более сложных адаптивных автоматов, применяющихся для управления недоступными человеку процессами и объектами. А с другой - примыкает к проблеме создания интеллектуальных роботов и вообще искусственного интеллекта, также основанного на эвристических методах принятия решений и ориентирования в окружающей обстановке.

В основу большинства неарифметических применений положены математические модели рассматриваемых процессов. Математическая модель - это совокупность формул, уравнений, соотношений, алгоритмов или программ, которая имитирует формализованное (и потому огрубленное) поведение реального процесса.

В любых эвристических процессах, действительно, как бы моделируется поведение человека, решающего ту или иную задачу: шахматную, лингвистическую или задачу узнавания.

Математическое моделирование получило и самостоятельное развитие. Его специфической и весьма интересной разновидностью является имитационное моделирование, или, как говорят иначе, машинный эксперимент. Представление об имитационных моделях сложных процессов можно получить из следующего примера.

В торговом зале промтоварного магазина располагаются прилавки, где производится демонстрация товаров и выбор их покупателем, кассовые аппараты покупок и отдел контроля и выдачи. Покупатель, войдя в зал, направляется к прилавкам, выбирает товары и просит продавца-демонстратора выписать чек. Далее покупатель направляется к одному из кассовых аппаратов, становится в очередь и, подойдя к кассиру, оплачивает чек. Затем он идет в отдел контроля и выдачи и получает покупки. Предположим, что для обслуживания торгового зала выделено 10 сотрудников магазина. Ставится вопрос, как наилучшим образом, оптимально распределить этих сотрудников между рабочими местами в зале? Другими словами, сколько нужно выделить из этих 10 человек продавцов-демонстраторов, кассиров и продавцов-контролеров, выдающих покупки.

Очевидно, эта задача может быть решена путем натурального эксперимента. В самом деле, пусть выбирается первоначальный вариант распределения сотрудников в зависимости от длительности операций на рабочих местах и в соответствии с этим организуется работа торгового зала. В процессе работы следует вести наблюдение за загрузкой сотрудников и образующимися очередями за покупками. Наименее загруженных сотрудников нада перебрасывать туда, где образуются наибольшие очереди, и соответствующим образом менять организацию работы зала. Постепенно, путем последовательных реорганизаций, можно прийти к вполне примемлемому распределению продавцов.

[1] [2] [3]

Подраздел "Беседы о поколениях ЭВМ"

Большинство предоставленного здесь материала является цитированием со старых номеров компьютерных журналов, таких, как "Мир ПК" или "Компьютерра". К сожалению, все мои попытки связаться с этими изданиями по поводу вопроса о цитировании были безуспешны. Издания упорно хранили молчание. Что я разрешил себе расценивать как знак согласия, указывая, тем не менее, повсюду как выходные данные издания (с работающей ссылкой на Интернет-представительство), так и автора публикации. Тем более, что, в силу срока давности этих публикаций, вряд ли материал можно рассматривать как коммерческий или рекламный, пусть даже названия фирм здесь и присутствуют (уж без этого никуда). Ежели появятся какие претензии по оному поводу, прошу издания связаться со мной

Райво Штулберг


Rambler's Top100

Рейтинг@Mail.ru Сайт мышонка Портал HotINDEX: знакомства, товары, хостинг, создание сайта, Интернет-магазин, развлечения, анекдоты, юмор, эротика, погода, курсы валют и многое другое! Сайт Татьяны Полукаровой Каталог Ресурсов Интернет
Литературное ДАО

Автор обращает внимание на то, что никакой представленный здесь материал не служит рекламным целям ни фирм,ни их продкутам, а носит сугубо информационно-образовательный характер