Předmět a cíle výzkumu

• MOTIVACE
• TEORETICKÝ VÝZKUM PODPORUJÍCÍ SLOŽITOST
• TEORETICKÝ VÝZKUM PODPORUJÍCÍ ZPRACOVÁNÍ OBRAZU
• ŘEŠENÍ PROBLÉMU PRAKTICKÝCH APLIKACÍ
• CHARAKTERIZACE VÝZKUMNÝCH AKTIVIT

MOTIVACE

Neočekávaně rychlý rozvoj výpočetní techniky v druhé polovině minulého století začíná umožňovat použití modelů a prostředků, kterými se ještě před dvaceti lety mohli zabývat pouze teoretici, i v běžných denně používaných aplikacích. Rychle rostoucí výkonnost počítačů otevírá možnost využívat stále důmyslnější postupy zpracování dat a na nich založených rozhodnutí. K tomu, aby náš výzkum a vývoj udržel krok s tímto dynamickým vývojem, stále méně stačí lokální úsilí jakkoli kvalitních pracovišť a založení vnitřně koordinovaného centra se stává nutností.

Mají-li tyto prostředky pomáhat lidem, musí zvládat neurčitost a vágnost, které jsou nedílnou částí lidského myšlení a sdělování. Ačkoliv psychologové tvrdí, že lidský mozek není schopen sloučit více než 7 faktorů, odborníci vytvořili postupy, které tuto hranici výrazně překračují. Například odborný lékař stanovuje diagnózu na základě desítek (někdy i více než sta) symptomů, laboratorních výsledků a výsledků dalších vyšetření. Navíc jsou některé podklady grafického typu (RTG, ECG, EEG atp.) a proto vyžadují pro zpracování v počítači mnoha-rozměrnou reprezentaci. Tudíž, praktické nástroje musí být schopny pracovat s modely mimořádné rozměrnosti a složitosti.

Podobně, operátor moderní válcovací tratě může ovlivnit desítky proměnných přičemž má k disposici desítky měření obnovovaných ve zlomcích vteřiny. Za těchto podmínek je schopen se dobře rozhodovat jen díky mimořádné zkušenosti získané během mnoha let. Žádoucí počítačová podpora ho může podpořit či nahradit pouze užívá-li mnoha-rozměrné kvalitní modely pro optimalizovaný návrh strategie operování [37] . Dynamická optimalizace provozu na dálnici nebo městské dopravy je další příklad výše uvedených problémů, srovnej přehled [100] : doporučené optimalizované strategie musí být schopny využít mnoha-rozměrné pravděpodobnostní modely.

Kromě problémů složitosti musí prakticky použitelná řešení zvládat skutečnost, že významné údaje jsou slovně vyjádřené a tedy i zatížené přirozenou vágností (například názory expertů, lékařské vyjádření diagnóz atp.). Proto je nezbytné používat matematické metody pracující a využívající neurčitou informaci. Zmíněná teorie a metody umožňují vývoj široce aplikovatelných modelů a spadají do kategorie, někdy označované jako “soft computing”.

Top

TEORETICKÝ VÝZKUM PODPORUJÍCÍ SLOŽITOST

Optimální statistické rozhodování, vyvinuté před půlstoletím pro nezávislá reálná pozorování, je postupně rozšiřováno na data závislá a patřící do stále složitějších funkcionálních prostorů. Typická pozorování v současnosti rozvíjených postupů jsou různé časově závislé náhodné signály, prostorově a/nebo časově závislá náhodná pole nebo mnoha-rozměrná pole čísel vzniklá digitalizací takových pozorování.

Rozvoj postupů a nástrojů umožnil zpracování znalostí a dynamické rozhodování opírající se o mnoha-rozměrné pravděpodobnostní distribuce jejichž dimenzionalita je ve stovkách až tisících. Moderní modely a současné teoretické výsledky umožňují používat diskrétní distribuce mající více pravděpodobností než je atomů v zeměkouli. Navíc jsou tato zpracovávaná data často nedokonalá – vágní, subjektivní či výrazně neurčitá – a přesto jsou vytvořeny či se vytvářejí exaktní postupy jejich zpracování.

Pochopení a algoritmizace tak důmyslných matematických postupů vyžadují velmi specializované odborníky, kteří jsou vzácní dokonce v oblasti základního výzkumu - natož ve výzkumu aplikovaném či ve vývojových firmách.

Top

TEORETICKÝ VÝZKUM PODPORUJÍCÍ ZPRACOVÁNÍ OBRAZU

V mnoha situacích je rozhodnutí založeno na obrazové informaci. Klasická teorie analýzy obrazu často pracuje s ideální obrazovou funkcí, která se považuje za „perfektní“ reprezentaci dané scény. Obvykle to znamená, že všechny objekty mohou být měřeny (jak v prostoru, tak i v barevném spektru) s nekonečnou přesností, což je daleko od reálné skutečnosti. Protože obrazová čidla mají svá fyzikální omezení a podmínky pozorování nejsou ideální, naměřené obrazy představují jen poškozenou verzi měřené scény. Rozlišujeme dva hlavní typy poškození: barevná (nebo jasová) a geometrická. První jsou způsobena špatným zaostřením, pohybem scény, turbulencí medií a omezenou prostorovou a spektrální rozlišovací schopností čidla; výsledkem je obvykle rozostřený obraz. Druhý typ poškození má původ ve faktu, že každý obraz je 2-D projekce 3-D světa a způsobuje deformace tvarů objektů a zkreslení obrazu. Efektivním způsobem potlačení takových poškození je spojení různých obrazů téže scény. Tento přístup se nazývá obrazová fúze.

Top

ŘEŠENÍ PROBLÉMU PRAKTICKÝCH APLIKACÍ

Modelování, důmyslná reprezentace více-rozměrných modelů a optimalizace nevyčerpává všechny možnosti dalšího pokroku na cestě ke společnosti znalostí. Vzhledem ke spojení současných výsledků vědeckého a technologického pokroku jsme svědky nebývalé možnosti začít řešit nové problémy. Vskutku, databáze obsahují obrovské množství složitých multimediálních dokumentů, čidla a paměti se zkvalitňují a zlevňují, podobně i stále výkonnější procesory a prostupnější komunikační sítě zvětšují dostupný výpočetní výkon pro důmyslné a výpočetně náročné algoritmy. Důsledkem je shromažďování ohromného množství multimediálních a multimodálních dat. Tato data, mající bohatou vnitřní strukturu, představují potenciálně nesmírně cenný zdroj informace. Data mohou být samozřejmě zpracovávána klasickými i moderními statistickými postupy, nicméně jejich využití je omezováno problémy spojenými s ohromným množstvím a odlišností multimediálních dat. Efektivní metody musí přímo využívat jejich kontext, vnitřní sémantiku, výběr příznaků a další postupy schopné automaticky zvládnout rozměrnost a rozmanitost těchto dat.

Zvyšující se požadavky na účinnost a spolehlivost je možno systematicky splnit jen pomocí teoreticky podložených algoritmických řešení. Složitost a rozměrnost většiny uvažovaných problémů prostě neumožňuje ani s dostupnou výpočetní technikou řešení pomocí „hrubé“ síly. Například, průmysloví partneři centra potřebují řešit problémy s 103-105 proměnnými. Existující naléhavá potřeba teoreticky podložených nástrojů schopných řešit problémy výše naznačeného typu je tedy nepochybná.

Ziskem a krátkodobými výhledy se řídící společnosti, denní problémy veřejného sektoru, nedostatek informací vědců o běžných aplikačních problémech stejně jako nedostatek vědeckých znalostí na aplikační straně způsobuje, že široký a systematický přenos nových informačních technologii z akademické sféry do společností je téměř vyloučený jen na základě individuálních vzájemných smluv. Systematická podpora takového přenosu vyžaduje institucionální základ ve formě navrhovaného Centra. Tím také určuje zaměření Centra. Výzkum v navrhovaném Centru si klade za cíl přispívat systematicky k vývoji teoretických nástrojů a zároveň navrhovat účinné algoritmy a postupy podporující dynamické rozhodování, inteligentní prohledávání, nástroje pro získávání znalostí z rozsáhlých databází, apod.

Top

CHARAKTERIZACE VÝZKUMNÝCH AKTIVIT

Navrhované centrum si klade za cíl přispívat systematicky k vývoji a do praxe orientovanému přenosu nástrojů podporujících rozhodování ve složitých a neurčitých situacích a to algoritmickou realizací vysoce rozměrných modelů, optimalizace realizovatelných strategií rozhodování a statisticky, kontextově i sémanticky orientovaných postupů získávání znalostí z rozsáhlých databází, bohatých souborů čidel i subjektivních či vágních informačních zdrojů. Takové zdroje mohou zahrnovat i informaci vyjádřenou slovně v přirozeném jazyce.

Tento hlavní cíl bude dosažen pomocí následujících vzájemně provázaných činností:

(1) Centrum shromáždí odborníky z různých tradičních oborů majících společné zaměření na problémy v nichž dominuje neurčitost a složitost. Aplikační partneři centra vnesou motivující reálné problémy tohoto typu a současně oborovou znalost nutnou pro jejich řešení. Toto propojení a soustředění se na vybrané aplikační případy vytvoří a (či) zesílí vzájemné vazby jak napříč tradičním výzkumným oborům, tak mezi základním a aplikovaným výzkumem. Díky tomu vzniknou nové a zlepšené, prakticky použitelné, postupy zvládající vysoce rozměrné pravděpodobnostní modely a jejich využití v náročných rozhodovacích úlohách

(2) Centrum věnuje značné úsilí specializované výuce budoucích odborníků a to jak pro vlastní výzkum, tak pro aplikace v různých oborech. Aktivní spoluúčast na řešení aplikovaných problémů bude hlavní výukovou technikou doplněnou specializovanými kurzy a internetovou podporou výuky. Hlavními prostředky v tomto směru budou (i) systematický rozvoj a zlepšování existujících akreditovaných kurzů (ii) rozšiřování a propagace těchto kursů přes hranice universit a fakult (iii) koordinovaný návrh témat výzkumných studentských projektů, diplomových a doktorských prací (iv) stále rozšiřované zapojení do mezinárodních vazeb (společné projekty, network of excellence).

(3) Centrum bude systematicky šířit nahromaděné poznatky přes hranice oborů a hranici mezi světem teoretickým a aplikovaným. Klasické způsoby spoléhající na výzkumné zprávy, pravidelné specializované i přehledové semináře a konference budou doplněny širokým využitím Internetu. Díky tomu jak členové centra, tak široká odborná a technická veřejnost bude moci využít toho, že výzkumníci centra přirozeně sledují nejnovější mezinárodní trendy a výsledky jak v oblasti nástrojů, tj. v čisté i aplikované matematice, tak v inženýrském výzkumu orientovanému na téma centra. Při konkrétním zájmu uživatelů centrum pomůže vytvořit potřebnou skupinu řešitelů pro specializovaný výzkum, algoritmizaci a testování různých postupů řešení.

Zmíněné komunikační kanály umožní i opačný tok informací od společností k akademické obci. Problémy reálného života zdůrazněné aplikačními partnery významně podnítí výzkum akademických členů centra.

Top

Výzkumné cíle

Obecným cílem centra je podstatným způsobem přispět k rozvoji jednotné teoretické, algoritmické a programové základny pro řešení řady reálných problémů spjatých s rozhodováním ve složitých reálných situacích, především pak při rozhodování založeném na různých zdrojích znalostí a dat.

To určuje dílčí cíle několika teoretických podoblastí, které musí být řešeny:

Získávání a representace znalostí:

• modelování a učení s dynamickými grafickými modely popisujícími spojitá a diskrétní data;
• kombinace nízko-rozměrných modelů do vícerozměrných pro nekompatibilní data;
• odhadování parametrů, optimální výběr modelu a optimální výběr kompozicionálních markovských modelů;
• representace závislostních struktur a jejich využití pro prověřování grafických markovských modelů;
• algoritmy pro učení markovských modelů;

Rozhodování:

• realizovatelná optimalizace rozhodovacích strategií s modelem i cíli popsanými grafickými modely se spojitými a diskrétními proměnnými;
• využití moderních metod statistické analýzy;
• popis numerických vztahů mezi informačně-teoretickými divergencemi a odpovídajícím bayesovým rizikem a jejich využití pro optimalizaci digitalizace signálů vzhledem k Bayesovu riziku;

Zpracování více-rozměrových signálů a rozpoznávání obrazů

• vývoj metod automatické fůze neúplných, zašuměných či deformovaných (neznámým způsobem) číslicových obrazů;
• optimalizace výběru příznaků;
• numerické vyčíslení ztráty informace způsobené kvantováním pozorovaní náhodných procesů a polí;
• kontextová klasifikace a segmentace;
• aplikace metod fůze obrazů pro obnovení a analýzu obrazových záznamů v lékařství.

Soft computing a fuzzy modelování

• vývoj metod a algoritmů založených na fuzzy logice s důrazem na přibližné usuzování a fuzzy aproximace;
• zlepšení stávajících metod pro fuzzy modelování, metod založených na teorii fuzzy aproximace and metod kombinujících stochastické modely a fuzzy logiku;
• vývoj programových nástrojů pro fuzzy modelování složitých procesů.

Na tomto místě je třeba zmínit, že na základě dosažených teoretických výsledků bude nutné navrhnout a vyvinout efektivní programové nástroje, které umožní praktické aplikace postupů na reálné problémy. Vzhledem k rozměru praktických problémů bude prakticky pro všechny nové postupy třeba vyvinout efektivní algoritmy, neboť algoritmická složitost uvedených metod a postupů je obvykle velmi vysoká.