Verfahren zum Verarbeiten von Daten auf einer semantischen Ebene mittels 2D- oder 3D-Visualisierunp; auf portierbare Dateien. insbesondere auf dem Bildschirm eines Computers
Technisches Gebiet:
Die Erfindung betrifft ein Verfahren zum Verarbeiten von Daten auf einer semantischen Ebene mittels 2D- oder 3D- Visualisierung oder auditiv auf portierbare Dateien, insbesondere auf dem Bildschirm eines Computers, zur Sichtbar- oder Hörbarmachung von komplexen Zusammenhängen innerhalb großer Datenmengen.
Stand der Technik:
Bei sehr komplexen Aufgaben, die sich schon in der Komplexität der Fragestellung zeigen, stellt die Verarbeitung einer großen Datenmenge ein großes Problem dar. Die Datenflut kann sich unter den Aspekten von Zeit, Kosten. Übersicht und insbesondere von Wechselwirkungen in ein Datengrab verwandeln, was jegliche Transparenz von möglichen Zusammenhängen innerhalb der Datenmenge verhindert. Hinzu kommt, dass man meistens am Anfang einer komplexen Problemstellung nicht wissen kann, wie die exakte Fragestellung lauten muß, weshalb man sich aller möglichen Informationen bedient, insbesondere auch solcher, die in einer späteren Analyse oder auf einem mühsamen Lösungsweg sich als unnötig oder sogar als Irrweg erweisen. Insbesondere zählen hierzu Problemlösungen, die dem Nicht-Polynomial-beschränkbaren Rechenaufwand zugerechnet werden. Bekanntestes Beispiel hierfür ist das „Problem des Handlungsreisenden", dessen kürzeste geschlossene Tour, die durch N vorgegebene Städte führt, gesucht ist. Durch Testen aller 1/2 (N-D! möglichen Touren kann stets die kürzeste gefunden werden, jedoch steigt der Rechenaufwand exponentiell mit N an und wird rasch undurchführbar groß.
Zur Lösung derartiger Probleme wurden neue Rechenmethoden, nämlich neuronale Methoden mit neuronalen Netzwerken entwickelt. Ein Beispiel hiervon ist das Modell von Kohonen, mit welchem nach einer neuro-physiologisch orientierten Motivation mathematische Lösungen eines derartigen neuronalen Netzes angegeben werden, wobei derartige neuronale Netze selbstorganisierend sind. Solche neuronalen unüberwacht lernenden Netzwerke stellen Weiterentwicklungen für das Verständnis von Gehirnmodellen dar (Helge Ritter, Thomas Martinetz, Klaus Schulten: Neuronale Netze, Addison-Wesley, 1991).
Durch die US-PS 5 420 968 ist ein Verfahren bekannt geworden, bei welchem fest definierte Merkmale von Objekten fest definierten Merkmalen einer visuellen Darstellung zugeordnet werden. Durch die FR 2 668 625 ist ein Verfahren bekannt geworden, bei welchem neuronale Netzwerke zum Einsatz gelangen, bei dem die Parametrisierung der Koeffizienten eines solchen Netzwerkes es möglich macht, dieses allgemein an eine bestimmte Aufgabe zu adaptieren, um damit einen überwachten Lernprozess des Netzwerkes herbeizuführen. Eine Transformation in bildliche Objekte ist jedoch nicht gegeben, eben so wenig wie eine ungebundene Analyse von Ausgangsdaten möglich ist.
Technische Aufgabe:
Der Erfindung liegt die Aufgabe zugrunde, auf der Basis von vorhandenen, oder verfahrensmäßig selbst generierten Daten, vorzugsweise großer Datenmengen, hierarchische semantische Abbildungen zu definieren, zu erzeugen und zu manipulieren, wobei insbesondere unter Anwendung derartiger neuronaler, lernender Netzwerke aus großen, unübersichtlichen Datenmengen diesen den Datenmengen innenwohnende Zusammenhänge und Auffälligkeiten aufgespürt werden sollen, insbesondere auf dem Bildschirm eines Computers sichtbar gemacht und in SD- Grafiken dargestellt werden sollen.
Offenbarung der Erfindung und deren Vorteile:
Die Lösung der Aufgabe besteht erfindungsgemäß in einem Verfahren zum Umgang von Daten auf einer semantischen Ebene mittels 2D oder 3D-Visualisierung auf portierbare Dateien, insbesondere auf dem Bildschirm eines Computers, wobei eine Vielzahl von Daten eines multidimensionalen Datenraumes interaktiv graphisch in wenigsten einen zwei- oder dreidimensionalen Datenraum umgesetzt wird, in dem die in den Daten enthaltenen semantischen Zusammenhänge in geometrisch interpretierbare Zusammenhänge umgesetzt werden, so dass semantische Inhalte der Daten als visuell erkennbare Kontexte zwischen den visualisierten Gebilden erkennbar werden, wobei eine semantische Abbildung S eine Abbildung eines Vek¬ tors von einzelnen Werten (xl ... xn) ist, die in numerischer Form das Vorhandensein von n Eigenschaften eines Objekts (sog. Feature-Vektor) auf einen Ausgangswert y beschreiben, und der Wert y dabei die Zugehörigkeit des Sets von Einzeleigen¬ schaften (xl..xn) zu einer neuen Eigenschaft beschreibt, die die Einzeleigenschaf- ten semantisch zusammenfaßt. Vorteilhaft kann die Abbildung so beschaffen sein, dass die Manipulation der visuellen Darstellung durch einen Anwender auf der Datenebene einer wohldefinierten Operation in Rückwirkung entspricht.
Vorteilhaft können einzelne semantische Abbildungen erneut zu einem Feature- Vektor zusammengefaßt und wiederum einer neuen semantischen Abbildung Sl unterworfen werden, wobei Sl dabei den Kontext K der Abbildungen S bildet und S selbst in der Regel kontextabbhaengig ist und somit in der Regel gilt S=S(K).
Dieses erfindungsgemäße Verfahren ist am besten als hierarchische semantische Abbildungen oder metasemantische Abbildungen zu bezeichnen. Das Verfahren arbeitet, indem ein Datenraum (Raum von Feature-Vektoren) mit folgenden miteinander in Verbindung stehenden Funktionsbausteinen bearbeitet wird.
In vorteilhafter Weise werden Begriffe der Semantik, wie Tische oder Schuldner oder Sensorausgänge, in eine geometrische Scene übersetzt, wobei diese Scenze manipuliert werden kann, womit die Abbildung, nämlich das Modell definiert wird. Durch das Verfahren gelangt man iterativ zu immer komplexeren semantischen Abbildungen, was immer präziser werdende semantische Aussagen über die Eingangsdaten ermöglicht. Wennn die Übersetzung von semantischen Begriffen in geometrische Abbildungen insgesamt für einen Anwendungsfall programmiert ist, liegt ein Modell, beispielsweise eine geometrische Abbildung aus einer Vielzahl von Figuren vor.
Hierzu werden vorteilhaft folgende Verfahrensschritte eingeführt.
Modell:
Ein Modell transformiert einen n-dimensionalen Datenvektor an seinem Eingang in einen m-dimensionalen Datenvektor an seinem Ausgang. Diesem Datenvektor kann zusätzlich Bedeutungsinformation über seine einzelnen Komponenten beigegeben werden. Ein Modell besteht aus elementaren Rechenvorschriften oder aber aus anderen Submodellen. Ein Model kann interne Zustandsvariablen besitzen, so dass das Ergebnis eines Transformationsvorganges von den vorausgegangenen Transformationsschritten abhängt.
Agent:
Ein Agent ist ein Modell dass zusätzlich über definierte Mechanismen verfügt, sein Transformationsverhalten zu ändern. Die Änderung des Transformationsverhal¬ tens des Agenten wird durch ein n-Tupel von Parametern p festgelegt. Insbesondere kann der Output eines Agenten als ein n-Tupel von m-dimensionalen Eingangs¬ datenraums Zugehoerigkeitswerte zu n verschiedenen Beurteilungskriterien dieses
Datensatzes liefert. Die kontrollierte Ändeung der Transformationsverhaltens des Agenten wird Adaption genannt.
Ein Agent hat die Aufgabe in einem gegebenen Datenraum eine bestimmte seman- tische Abbildung zu realisieren. Im einfachsten Fall hat ein Agent die Aufgabe, den Mittelpunkt eines Clusters im Eingangsdatenraum zu finden und an seinem Aus¬ gang einen einkomponentigen Vektor zu liefern, der die Zugehörigkeit eines am Ein¬ gang anliegenden Feature- Vektors x zu diesem Cluster angibt. Dies wird erreicht, indem der Output sich als d( w - x,p) errechnet, wobei d eine vorgegebenen (mathe- matische) Kostefunktion realisiert und w einen internen Zustandsvektor des Agen¬ ten beschreibt, w wird dann bei der Adaption sich so verändern, dass die Summe (d( w - x),p ) für eine vorgegebene Kostenfunktion d für alle bisher angelegten x mini¬ miert wird. Dies kann iterativ durch ein Gradienten-Abstiegsverfahren erreicht werden, so dass sich bei jedem Adaptionschritt w ein wenig verändern wird. Die genannte Summe kann für n verschiedenen w ein lokales Minimum einnehmen; der Parameter p steuert nun, welches lokale Minimum tatsächlich gewählt wird.
Scenario: Ein Scenario verwaltet n Agenten. Ein Scenario besitzt einen Dateneingang wie ein Modell und routet diesen Dateneingang über optional zwischengeschaltete Modelle an die Dateneingaenge der einzelnen Agenten. Insbesondere verfügt ein Scenario über ein Modell (Adaptionsmodell) dass bei der Adaption aus dem Output der einzelnen Agenten die Parameter n-Tupel p für die Adaption dieser Agenten ableitet. Dieses Model kann selbst ein Agent und unter Umständen zu einem anderen Scenario gehören. Ein Scenario kann über Modelle Verfügen, die die Erzeugung und Vernichtung von einzelnen Agenten bewirkt. Ein Scenario hat Zugriff auf die Zustandsvariablen seiner Agenten und internen Modelle. Ein Scenario besitzt optional ein Modell, dass die Ausgänge seiner einzelnen Agenten auf den Ausgang des Modells legt. Somit ist ein Scenario ein Modell. Ein Scenario besitzt optional einen n-dimensionalen Eingang, der das Transforma tionsverhaltens des Adaptionsmodells beeinflußt. Somit ist ein Scenario ein Agent.
Ein Scenario kann damit auch die Gestalt eines unüberwacht lernenden neuronalen Netzes abbilden, sowie genetische Algorithmen implementieren.
Geometrische Modelle: Das geometrische Modell ist ein Modell, dass seine Eingangs¬ daten so transformiert, dass eine geometrisch darstellbare Repräsentation dieser Eingangsdaten geschaffen wird. So wird ein Eingangsvektor (xl..xn) z.B. in Färb-
und Formparameter eines geometrischen Körpers transformiert. Visuelle Einzelmodelle können zu komple-xeren Modellen zusammengesetzt werden. Ein geometrisches Modell kann darge-stellt werden. Andererseits transformiert ein geometrisches Modell interaktive Ein-griffe in seine Darstellung., zum Beispiel Verschieben eines geometrischen Körpers in einer Szene, so dass diese Aktion sich in seinen Ausgangsdaten widerspiegelt.
Architektur: Die Struktur der drei Funktionsbausteine, Modell, Agent, Scenario, ist so beschaffen, dass damit beliebig komplexe Architekturen gebildet werden können und die Gesamtarchitektur wieder die formalen Eigenschaften seiner Einzelbestandteile besitzt. (Model, Agent, Scenario).
Semantische Abbildung: Semantische Abbildungen werden erreicht, indem das Adaptionsmodel eines Sce-narios besonderen Bedingungen unterworfen wird: Es existiert in diesem Model eine Abbildung A, die den einzelnen Agenten dieses Scenarios verallgemeinerte Koordi-naten k = (kl .. kl) in einem 1-dimensionalen Koordinatenraum zuweist. Zusätzlich wird eine Metrik und somit eine Topologie in diesem Raum definiert. Die Adaption der einzelnen Agenten wird nun so durchgeführt, dass die Adaptionsparameter p jedes einzelnen Agenten zusätzlich zu den Werten seines Inputs und seines Outputs noch von den Werten (Input , Output und p) seiner Umgebungsagenten bezüglich dieser eben definierten Metrik abhängt. Eine meta-semantische Abbildung bildet sich dann als ein topologisch zusammenhängendes Gebiet in diesem Koordinatenraum heraus. Jeder Agent für sich liefert eine semantische Abbildung.
Werden ein m-dimensionaler Unterraum (m =1,2,3, m <= 1) als geometrischer Raum interpretiert, so kann dieser Raum direkt visualisiert werden. Die Agenten können als geometrische Gebilde in diesem Raum plaziert werden und relevante Eigen¬ schaften der Agenten (z.B. die Parameter, die ihr Transformationsverhalten steu- ern) in geometrische Eigenschaften wie Form Farbe usw. dieser geometrischen Gebilde übersetzt werden. Somit sind semantische Abbildungen in geometrische Abbildungen übersetzt. Wesentlich ist, daß die Funktionsbausteine Modell-Agent- Scenario miteinander in Verbindung stehen und dergestalt miteinander arbeiten.
In einer Ausgestaltung der Erfindung werden zur 3D-Visualisierung von Daten auf portierbare Dateien, insbesondere auf dem Bildschirm eines Computers, zur Sicht¬ barmachung von komplexen Zusammenhängen innerhalb großer Datenmengen eine
Vielzahl von Daten eines multidimensionalen Datenraumes interaktiv graphisch in einen dreidimensionalen Raum umgesetzt, in dem die Daten neuronalen, lernenden Netzwerken sowie genetischen Algorithmen unterworfen werden, die die Daten nach Auffälligkeiten in einer topologischen Ähnlichkeitstransformation analysieren und zu Gruppen von Datensätzen transformieren, in dem strukturelle Ähnlichkeiten der Daten des multidimensionalen Datenraumes in geometrisch darstellbare Ähn¬ lichkeiten der Gruppen von Datensätzen transformiert werden, wobei die Zuordnung der transformierten Datensätze zu den ursprünglichen Daten in topologischer Weise erhalten bleibt und diese Datensätze in einer topographischen Merkmalskarte als räumlich zusammenhängende bzw. zusammengehörende graphische Gebilde auf dem Bildschirm des Computers graphisch sichtbar gemacht werden.
Vorzugsweise sind die Netzwerke unüberwacht lernende Netzwerke, die mittels eines Scenarios realisiert werden können, wie die genetischen Algorithmen unüberwachte Algorithmen sein können. Die Sichtbarmachung der Datensätze in der topografischen Merkmalskarte wird auf dem Bildschirm in einer bewegten und veränderbaren Bildfolge (3D -Animation) dargestellt, wobei als graphische Gebilde zur Sichtbarmachung der transformierten Datensätze in der topographischen Merkmalskarte entweder polygonal darstellbare Gebilde oder konturlose Splats verwendet werden können.
Der Vorteil des Verfahrens besteht darin, dass der Datenvorrat in Form einer großen, multidimensionelen Datenmenge in eine dialogfähige 3D-Graphik, vorzugs¬ weise in eine 3D-Animationsgraphik, übersetzt wird, so dass vieldimensionale Datenzusammenhänge, die bisher verborgen blieben, nunmehr sichtbar gemacht werden können. Durch Erzeugen einer Einhüllenden um ein bestimmtes visualisiertes Gebiet in der topographischen Merkmalskarte ist nunmehr eine Zuordnung eines semantischen oder meta-semantischen Kontextes (semantische Abbildung) zu den Daten des dreidimensionalen Datenraumes möglich, womit den Datensätzen bzw. den Gruppen von Datensätzen nach der Transformation eine semantische Ebene zugeordnet werden kann, die die vieldimensionalen Datenzusammenhänge der eingegebenen Datenmenge semantisch beschreibt. Dadurch können aus den ursprünglichen Datenmengen neue Fakten und neue Interpretationen gewonnen werden, die vorher nicht zu erkennen waren. Auf diese Weise können aus einer vorher unstrukturierten Datenmenge Antworten gewonnen werden, die vorher so nicht gestellt werden konnten.
Das Verfahren stellt ein Instrument zur Verfügung, welches die Bedienungsperson interaktiv miteinbezieht. In vorteilhafter Weise ermöglicht das Verfahren, Strukturen in Datenmengen oder Datenräumen, die vieldimensional sein können, aufzuspüren und diese, zum Beispiel durch bewegte 3D-Graphiken, sogenannte Datenlandschaften, darzustellen. Derartige virtuelle interaktive Datenlandschaften können bisher nicht darstellbare Strukturen in beliebig vielen Dimensionen sichtbar machen und ermöglichen so ein intuitives Beurteilen von großen Datenmengen durch die Bedienungsperson.
Das Verfahren erlaubt in vorteilhafter Weise, „unscharf" zu sehen im Sinne einer neuronalen „Fuzzy-Logik", also nicht nur nach Ja- und Nein-Mustern zu unterscheiden, weil die Daten kontextabhängig, d.h. weich, zugeordnet werden, wodurch sich die eigentliche Stärke des Verfahrens entfaltet. Es ermöglicht, Prototypen oder spezifische Zustände aufzuzeigen, die repräsentativ für den gesamten Datenraum sind. Des weiteren wohnt dem erfindungsgemäßen Verfahren inne, dass es mit jedem neuen Datensatz aufgrund der genetischen Algorithmen der neuronalen Netzwerke präziser wird. Ein neuer Datensatz präzisiert den alten und plaziert diesen graphisch dorthin, wo er hingehört, wodurch der Raum aller Daten auf einen Blick zu übersehen und zu beurteilen ist. Mehrdimensionale nicht lineare Datenzusammenhänge können deshalb mit dem erfindungsgemäßen Verfahren in vielen Bereichen angewendet und optimiert werden.
Zur graphischen Sichtbarmachung der transformierten Datensätze werden vorteil¬ haft in der topografischen Merkmalskarte als polygonal darstellbare Gebilde Würfel oder Kuben oder Rhomboide oder Kugeln oder Zylinder als graphische Gebilde ver¬ wendet, die in einer Fläche zusammenhängend räumlich dargestellt werden. Vorteil¬ haft werden diese geometrischen Gebilde, wie Würfel, Kuben, Rhomboide, Kugeln oder Zylinder, in einem 3D-Raumwürfel zusammenhängend dargestellt. Ebenso aber können oder konturlose Splats als darstellbare Gebilde verwendet werden.
Die Anwender-orientierten Rechenmodule umfassen einen solchen genetischen Algorithmus, der zur Vervollständigung der Daten zum Verbessern der Genauigkeit und Güte der topographischen Merkmalskarte in selbstorganisierten Prozessen Anweisungen zur Erhebung von neuen Datensätzen aus den Daten erzeugt. Des weiteren umfassen die genetischen Algorithmen einen solchen Algorithmus, der zum Verbessern der Genauigkeit und Güte der topographischen Merkmalskarte in selbst¬ organisierten Prozessen interaktiver Eingriffe in die unüberwacht lernenden Netz-
werke dergestalt erlaubt, dass aus der Darstellung in der Merkmalskarte selbst¬ lernende Informationen zurück in den Transformationsprozeß überführt werden. Vorteilhaft können auch die verwendeten neuronalen Netzwerke genetischen Algorithmen unterworfen werden. Diese verallgemeinerten genetischen Algorithmen können höchst komplexe Architekturen bilden und zwar in sich selbst steuernde Prozesse, aus denen unüberwachte Algorithmen abgeleitet werden können.
Das Verfahren kann in weiten Bereichen eingesetzt werden, beispielsweise in der Forschung, Medizin, Pharmazie, Datenanalyse für Banken oder Versicherungen, Industrie-Produktion, Prozeßoptimierung, Work-flow, Unternehmensberatung, Management-Informationssysteme, Marketing, Marketing Research, Leistungs¬ analyse und Leistungssteigerung, Versandhandel.
Wird das Verfahren beispielsweise als interaktives und adaptives Motor-, Fahr- werks- und Aerodynamikmodul eingesetzt, ist man in der Lage, alle gemessenen Daten sofort und in vielen Dimensionen gleichzeitig auf dem Bildschirm des Com¬ puters darzustellen. Dabei können zum Beispiel folgende Datengruppen gewonnen und gewertet werden, die in ihrer gemeinsamen Auswirkung auf das Gesamtkonzept in einer 3D-Graphik, die eine 3D-Animationsgraphik sein kann, dargestellt werden:
- Bremsende Kräfte: Getriebe-Reibungswiderstand Motor-Reibungswiderstand Reifen-Rollwiderstand Luftwiderstandsbeiwert
Anpreßdruck vorn
Anpreßdruck hinten
Flügelstellung - Fläche - Winkel - Location
Bremsdaten - g - E Temp
- Beschleunigende Kräfte: Zündzeitpunkt Drehzahl Drehmomentverlauf Ventilsteuerzeiten-Einlaß Ventilsteuerzeiten-Auslaß Kraftstoff-Fördermenge
Kraftstoff-Einspritzdruck und -punkt Temperatur- Wasser-Öl
- Taktische Werte: Max. Kurvengeschwindigkeit
Max. Beschleunigung und Drehmoment Stoßdämpereinstellung Getriebeabstufung Top Speed Spezielle Streckenabstimmung Witterungseinflüsse etc...
Das Verfahren erlaubt die Schaffung immer komplexer werdender Abbildungen (operatives System) sowie erfindungsgemäß auch die Abkopplung der Visualisie- rung. Nach Abkopplung der Visualisierung stellt das System einen semantischen Klassifikator dar. Nach Abkopplung der Visualisierung kann ein Gesamtmodell beschrieben werden, welches einen semantischen Klassifikator mit beliebigen Filterfunktionen darstellt, wobei das Gesamtmodell in andere Anwendungen integriert werden kann, die das Gesamtmodell mit Daten versorgen, wobei die durch den Klassifikator gewonnenen semantischen Abbildungen als numerischer Ausgangsvektor des Gesamtmodells zur weiteren Benutzung zur Verfügung stehen.
Das erfindungsgemäße Verfahren ist nicht auf die 2D- oder 3D-Visualisierung beschränkt. Es können auch auditive oder olfaktorische Modelle einsetzt werden, wie die Abbildung einzelner Vektorkomponenten auf die spektrale Zusammensetzung eines Klanges einer Klangmaschine oder Tönegenerators oder eines Aromas.
Die Funktionsbausteine, Modell, Agent, Scenario sind ebenso als komplexe elek¬ tronische Bausteine und Bauelemente hardwaremäßig realisierbar.
Kurzbeschreibung der Zeichnung, in der zeigen: Figur 1 eine schematisch-bildliche Darstellung des Verfahrens Figur 2 eine schematisch-bildliche Darstellung eines Modells Figur 3 eine schematisch-bildliche Darstellung eines Agenten Figur 4 eine schematisch-bildliche Darstellung eines geometrischen Modells Figur 5 eine schematisch-bildliche Darstellung eines Scenarios mit vier
Agenten A, Inputmodell MI, Outputmodell MO und Adaptionsmodell MA
Figur 6 eine bildliche Darstellung eines Ergebnisses, beispielsweise Visualisierung des Scenarios mit 9 Agenten in einem 2-dimensionalen Koordinaten¬ system, auf dem Bildschirm eines Computers.
In Figur 1 ist ein Beispiel des Verfahrens in schematisch-bildlicher Weise dargestellt. Eine Datenmenge D, die durch eine Vielzahl von miteinander verbundenen Strecken verschiedenster Richtungen und Längen angedeutet ist, wird mittels einer Eingabe in einen Rechner eingegeben, der durch eine Kugel K symbolisiert wird; K sym¬ bolisiert ein Scenario. Über die Kugel K werden diese Daten, die multidimensiona. sein können, analysiert und transformiert, und zwar mittels einer Architektur aus Modellen, Agenten und Scenarien. Auf diese Weise wird der hochdimensionale Daten¬ raum der Daten D in topologischen Ähnlichkeitstransformationen, also unter Erhalt der topologischen Ähnlichkeit, in eine topographische Merkmalskarte M transfor¬ miert (semantische Abbildung), M stellt zum Beispiel das Display des geometrischen Modells dar. Die von K ausgehenden Pfeile MG symbolisieren das dadurch geschaf¬ fene geometrische Modell. Innerhalb des Modells sind die Daten D zu Gruppen von Datensätzen zusammengefaßt und beispielsweise in einzelnen Würfeln W darge¬ stellt, die innerhalb einer topographischen Merkmalskarte als räumlich zusammen¬ hängende Gebilde graphisch auf dem Bildschirm des Computers sichtbar gemacht werden. W bedeutet dabei die Darstellung der einzelnen Agenten. Die Größe, Rich¬ tung, Farbe, Schattenwurf, Drehung etc. der Würfel geben strukturelle Zusammen¬ hänge innerhalb der Daten D wieder, die nunmehr durch die Bedienungsperson semantisch zugeordnet werden können. Vorteilhaft erfolgt diese Zuordnung durch Erzeugen einer Einhüllenden um ein visualisiertes Gebiet innerhalb der topogra- phischen Merkmalskarte, eine meta-semantische Abbildung, womit die Datensätze bzw. Gruppen von Datensätzen bzw. in der Figur ausgewählte Würfel, einer seman¬ tischen Ebene zugeordnet werden können, die bestimmte Zusammenhänge inner¬ halb der Datenmenge D beschreibt. Diese Abbildung wird durch das Outputmodell MO repräsentiert. Als wesentliches Hilfsmittel kann Farbe und Farbintensität verwendet werden, um mittels verschiedener Farben und Intensitäten weitere Kriterien zur Differenzierung der Aussagen zu gewinnen.
Prinzipiell wird die Transformation der Daten durch Agenten, die zu einem Scenario zusammengefaßt sind, in spezifischer Ausgestaltung durch neuronalen Netzwerke, so vorgenommen, dass die korrespondierende 3D-Abbildung möglichst viel Information auf einmal darstellt, wobei die Informationsweitergabe durch die Transformation eine Erhöhung der Informationsdichte bedeutet. Die einzugebenden
Daten bzw. Datenmengen werden somit einer Datenkontraktion unterworfen, die jedoch nicht zu einem Informationsverlust, sondern im Gegenteil zu einer Erhöhung der Informationsdichte innerhalb der visuellen Abbildung führt.
Im folgenden sind die Funktionsbausteine Modell, Agent, Scenario näher be¬ schrieben, die miteinander in Verbindung stehen und mit denen das Verfahren arbeitet. Figur 2 zeigt eine schematisch-bildliche Darstellung eines Modells. Ein Modell transformiert einen n-dimensionalen Datenvektor an seinem Eingang in einen n-dimensionalen Datenvektor an seinem Ausgang. Diesem Datenvektor kann zusätzlich Bedeutungsinformation über seine einzelnen Komponenten beigegeben werden. Ein Modell besteht aus elementaren Rechenvorschriften oder aber aus anderen Submodellen. Ein Model kann interne Zustandsvariablen besitzen, so dass das Ergebnis eines Transformationsvorganges von den vorausgegangenen Transformationsschritten abhängt.
Figur 3 zeigt eine schematisch-bildliche Darstellung eines Agenten. Ein Agent ist ein Modell, welches zusätzlich über definierte Mechanismen verfügt, sein Transfor¬ mationsverhalten zu ändern. Die Änderung des Transformationsverhaltens des Agenten wird durch ein n-Tupel von Parametern p festgelegt. Insbesondere kann der Output eines Agenten als ein n-Tupel von m-dimensionalen Eingangs¬ datenraums Zugehörigkeitswerte zu n verschiedenen Beurteilungskri-terien dieses Datensatzes liefern. Die kontrollierte Änderung des Transfor-mationsverhaltens des Agenten wird hier Adaption genannt.
Ein Agent hat die Aufgabe in einem gegebenen Datenraum eine bestimmte semantische Abbildung zu realisieren. Im einfachsten Fall hat ein Agent die Aufgabe den Mittelpunkt eines Clusters im Eingangsdatenraum zu finden und an seinem Ausgang einen einkomponentigen Vektor zu liefern, der die Zugehörigkeit eines am Eingang anliegenden Feature Vektors x u diesem Cluster angibt. Dies wird erreicht, indem der Output sich als d( w - x,p) errechnet , wobei d eine vorgegebenen Kostenfunktion realisiert und w einen internen Zustandsvektor des Agenten beschreibt, w wird dann bei der Adaption sich so verändern dass die Summe (d( w - x),p ) für eine vorgegebene Kostenfunktion d für alle bisher angelegten x minimiert wird. Dies kann iterativ durch ein Gradienten Abstiegsverfahren erreicht werden, so dass sich bei jedem Adaptionschritt w ein wenig verändert. Die obengenannte Summe kann für n verschiedenen w ein lokales Minimum einnehmen. Der Para¬ meter p steuert nun, welches lokale Minimum tatsächlich gewählt wird.
Figur 4 zeigt eine schematisch-bildliche Darstellung eines geometrischen Modells. Das geometrische Modell ist ein Modell, dass seine Eingangsdaten so transformiert, dass eine geometrisch darstellbare Repräsentation dieser Eingangsdaten geschaffen wird. So wird ein Eingangsvektor (xl..xn) z.B. in Färb- und Formparameter eines geometrischen Körpers transformiert. Visuelle Einzelmodelle können zu komplexeren Modellen zusammengesetzt werden. Ein geometrisches Modell kann dargestellt werden. Andererseits transformiert ein geometrisches Modell interaktive; Eingriffe in seine Darstellung (z.B. verschieben eines geometrischen Körpers in einer Szene) so dass diese Aktion sich in seinen Ausgangsdaten widerspiegelt.
Figur 5 zeigt eine schematisch-bildliche Darstellung eines Scenarios. Ein Scenario verwaltet n- Agenten . Ein Scenario besitzt einen Dateneingang wie ein Modell und routet diesen Dateneingang über optional zwischengeschaltete Modelle an die Dateneingänge der einzelnen Agenten. Insbesondere verfügt ein Scenario über ein Modell (Adaptionsmodell) dass bei der Adaption aus dem Output der einzelnen Agenten die Parameter n-Tupel p für die Adaption dieser Agenten ableitet. Dieses Model kann selbst ein Agent sein und unter Umständen zu einem anderen Scenario gehören. Ein Scenario kann über Modelle verfügen, die die Erzeugung und Vernichtung von einzelnen Agenten bewirken. Ein Scenario hat Zugriff auf die Zustandsvariablen seiner Agenten und internen Modelle. Ein Scenario besitzt optional ein Modell, dass die Ausgänge seiner einzelnen Agenten auf den Ausgang deε Modells legt. Somit ist ein Scenario ein Modell. Ein Scenario besitzt optional einen n- dimensionalen Eingang, der das Transformationsverhaltens des Adaptionsmodellε beeinflußt. Somit ist ein Scenario ein Agent.
Architektur: Die Struktur der drei Funktionsbausteine ist so beschaffen, dass damit beliebig komplexe Architekturen gebildet werden können und die Gesamtarchitektur wieder die formalen Eigenschaften seiner Einzelbestandteile besitzt (Model, Agent, Scenario).
Semantische Abbildung: Semantische Abbildungen werden erreicht, indem das Adaptionsmodel eines Scenarios besonderen Bedingungen unterworfen wird: Es existiert in diesem Model eine Abbildung A, die den einzelnen Agenten dieses Scenarios verallgemeinerte Koordinaten k = (kl .. kl) in einem 1-dimensionalen Koordinatenraum zuweist. Zusätzlich wird eine Metrik und somit eine Topologie in diesem Raum definiert. Die Adaption der einzelnen Agenten wird nun so durchgeführt, dass die Adaptionsparameter p jedes einzelnen Agenten zusätzlich zu
den Werten seines Inputs und seines Outputs noch von den Werten (Input, Output und p) seiner Umgebungsagenten bezüglich dieser eben definierten Metrik abhängt. Eine meta-semantische Abbildung bildet sich dann als ein topologisch zusammenhängendes Gebiet in diesem Koordinatenraum - jeder Agent für sich liefert eine semantische Abbildung - heraus. Wird nun ein m-dimensionaler Unterraum (m =1,2,3 , m <= 1) als geometrischer Raum interpretiert, so kann dieser Raum direkt visualisiert werden. Die Agenten können nun als geometrische Gebilde in diesem Raum plaziert werden und relevante Eigenschaften der Agenten, zum Beispiel die Parameter, die ihr Transformationsverhalten steuern, in geometrische Eigenschaften wie Form Farbe usw. dieser geometrischen Gebilde übersetzt werden. Somit sind semantische Abbildungen in geometrische Abbildungen übersetzt worden.
Figur 6 zeigt eine 3D-Visualisierung eines Scenarios mit neun Agenten in einem 2- dimensionalen Koordinatensystem, beispielsweise auf dem Bildschirm eines Computers oder eine 3D-Visualisierung innerhalb eines sichtbar gemachten SD- Raumes. Hier sind die neun Agenten als interaktiv drehbare Würfel dargestellt, die als weitere Aussagen verschiedene Farben aufweisen können. Beispielswiese bedeuten in Figur 6 gleiche Strichlinien gleiche Farben, wobei unterschiedlich dichte Strichführungen unterschiedliche Farbintensitäten oder Farbabstufungen bedeuten. Damit sind den Agenten, zusätzlich zu ihrem geometrischen Aussehen und ihrer geometrischen Plazierung, sechs verschiedene Farben zugewiesen, entsprechend den unterschiedlichen Strichlinierungen.
Gewerbliche Anwendbarkeit:
Die gewerbliche Anwendbarkeit des Gegenstandes der Erfindung besteht darin, dass mit Hilfe des Verfahrens in weiten Bereichen der Technik und der Wirtschaft gemessene bzw. erhobene Daten, die insbesondere in sehr großer Menge vorliegen, sofort und in vielen Dimensionen gleichzeitig auf dem Bildschirm des Computers darzustellen. Das Verfahren macht es zum ersten Mal möglich, unter semantischen Vorgaben Zusammenhänge, Strukturen und Auffälligkeiten in beliebigen Daten großer Datenmengen semantisch zu interpretieren. Die Nützlichkeit ist insbesondere darin zu sehen, dass aufgrund dieser Darstellung Zusammenhänge, Strukturen und Auffälligkeiten in den Daten aufgefunden und aufgezeigt werden können, die aus der großen Menge der Daten in der Regel nicht zu entnehmen sind, und die anschließend semantisch interpretiert werden können, wobei verschiedenste semantische Vorgaben vor der Druchführung des Verfahrens möglich sind.