Wykorzystanie inteligencji obliczeniowej w modelowaniu danych przestrzennych

1. Zakopane, 14.09.2006 • Wykorzystanie inteligencji obliczeniowej w modelowaniu danych przestrzennych Robert Olszewski

2. Model i modelowanie model 1 a three-dimensional representation of a person or thing, typically on a smaller scale. 2 (in sculpture) a figure made in clay or wax which is then reproduced in a more durable material. 3 something used as an example. 4a simplified mathematical description of a system or process, used to assist calculations and predictions. 5 an excellent example of a quality. 6..Oxford English Dictionary

3. Modelowanie danych przestrzennych • model kartograficzny - specyficzne odwzorowanie bytów rzeczywistych z pominięciem nieistotnych cech związków. Służy on ukazaniu charakterystycznych aspektów badanego fragmentu rzeczywistości w stopniu umożliwiającym jego poznanie (R. Weibel, 1991)

4. Modelowanie danych przestrzennych “.. the concept of generalization as processing based on understanding: instead of merely attempting to understand the graphical structure of map elements, the comprehension of their underlying geographical phenomena is demanded (...) It is interesting to note, however, that such a phenomenal approach to generalization has been promoted and taught in traditional cartography for many years (Imhof, 1965). Apparently this knowledge has been partly lost in contemporary cartography...” Robert Weibel “Amplified intelligence and rule-based systems”

5. Modelowanie danych przestrzennych "The good cartographer is both a scientist and an artist. He must have a thorough knowledge of his subject and model, the Earth.. He must have the ability to generalize intelligently and to make a right selection of the features to show. These are represented by means of lines or colors; and the effective use of lines or colors requires more than knowledge of the subject - it requires artistic judgment." Eduard Imhof„Cartographic Relief Presentation”, 1965

6. Modelowanie danych przestrzennych Modelowanie danych przestrzennych może być realizowane na wiele sposobów różniących się miedzy sobą zarówno pod względem przyjętej metodyki jak i stopnia automatyzacji samego procesu modelowania

7. Zdefiniowanie problemu Jak można pogodzić subiektywność procesu modelowania z jego automatyzacją?

8. Sen o cyborgu... sztuczna inteligencja?

9. Sen o lataniu...

10. Inteligencja obliczeniowa wnioskowanie to ... obliczenia

11. Inteligencja obliczeniowa • Ramon Lull, XIII wiek, kataloński filozof i teolog, franciszkanin, „Ars magna generalis et ultimata” - system logiczny, obejmujący wszystkie gałęzie wiedzy • Gottfried F. Leibniz, 1694 • Charles Babbage, 1792-1871, projekty maszyny różnicowej i maszyny analitycznej, „snującej myśli jak krosna Jacquarda snują włókna”. • John von Neumann, 1945 • Marvin Minksky, Allen Newell, Herbert Simon, 1958 - General Problem Solver,

12. CI i AI Inteligencja obliczeniowa (computational inteligence - CI) zajmuje się teorią i metodami rozwiązywania problemów, które są efektywnie niealgorytmizowalne Brak efektywnego algorytmu? • drobna zmiana może wymagać całkiem innego programu obliczeniowego • nie można przewidzieć wszystkich zmian

13. CI i AI • CI jest działem informatyki zajmującym się automatyzacją procesów akwizycji wiedzy. • AI to część CI posługująca się symboliczną reprezentacją wiedzy, zajmuje się rozumowaniem, tworzeniem systemów ekspertowych. W. Duch, 2005

14. Algorytmy ewolucyjne PatternRecognition Statystykawielowymiarowa AI, ES Logikarozmyta Uczenie maszynowe Wizuali-zacja Sieci neuronowe Metody probabilistyki CI i AI Inteligencja obliczeniowaData + KnowledgeSztuczna inteligencja

15. Metody inteligencji obliczeniowej • sztuczne sieci neuronowe • systemy wnioskowania rozmytego • algorytmy ewolucyjne • algorytmy genetyczne • algorytmy rojowe • ...

16. Inteligencja obliczeniowa w procesie uogólniania danych przestrzennych (L. Meng, 1998)

17. Opracowanie bazy wiedzy systemu • realizowane explicite – poprzez określenie jawnych reguł np. w systemie wnioskowania rozmytego (fuzzy inference system - FIS) • realizowane implicite – np. poprzez podanie poprawnych przykładów rozwiązań jako źródła wiedzy dla sztucznej sieci neuronowej (neural network - NN).

18. Systemy wnioskowania rozmytego Lofti A. Zadeh, 1965) FIS • zastosowanie tzw. zmiennych lingwistycznych (np. „dużo”, „mało”, „około połowy”), • określenie tzw. funkcji przynależności (z reguły silnie nieliniowych), • opracowanie tzw. reguł warunkowych „if → then”, • przeprowadzenie obliczeń rozmytych, • defuzyfikacja (wyostrzenie) uzyskanych wyników.

19. Systemy wnioskowania rozmytego wyłączenie prawa „wyłączonego środka”... albo: czym jest weekend?

20. Sztuczne sieci neuronowe • nie wymagają klasycznie rozumianego programowania, • „uczą się” na podstawie podanych przykładów, • naturalna zdolność dogeneralizacji uzyskanej wiedzy D. Patterson, 1996 NN

21. GRNN RBF Modelowanie rzeźby terenu z wykorzystaniem SSN

22. Modelowanie rzeźby terenu z wykorzystaniem SSN W = 0,0075 W = 0,0125 W = 0,0175 W = 0,0250 Stopień generalizacji:zmiana współczynników funkcji radialnej

23. Model hierarchiczny

24. pierwszy drugi trzeci.. Poziomy modelu TIN zachowanie topologii!

25. Zachowanie struktury dwie wersje “silnika” obliczeniowego: - fuzzy - neuro generalizacja modelu TIN zachowująca topologię podstawowych linii strukturalnych

26. Tradycja i nowoczesność

27. W naszej epoce, kiedy ludzie skłonni są bardziej niż kiedykolwiek mylić mądrość z wiedzą, a wiedzę z informacją i usiłują rozwiązać problemy życiowe w terminach techniki, rodzi się nowa odmiana prowincjonalizmu (..) Jest to prowincjonalizm nie przestrzeni, ale czasu; dla niego historia to jedynie kronika ludzkich wynalazków, które swoje odsłużyły i zostały wyrzucone na śmietnik; dla niego świat jest wyłącznie własnością żyjących, w której umarli nie maja żadnego udziału..” T.S. Eliot, 1944,Esej o Wergiliuszu Tradycja i nowoczesność