Примером использования особой структурной организации разного рода признаков является система распознавания центрированных знаков /Патент №3651461.../. Здесь в качестве структуры обобщенных признаков выступает специальный, заранее составленный алгоритм выявления характерных особенностей изображений определенного набора знаков по их положению относительно заданной центральной полосы растра.
Из этого краткого перечня видно, что способы построения систем распознавания образов, предусматривающие предварительные анализ и составление описания свойств объектов, естественно, оказываются функционально сугубо ограниченными, поскольку могут быть успешно использованы только для распознавания заранее заданного класса объектов (например, знаков стандартного типографского шрифта). Поэтому системы распознавания, построенные на основе этих способов, можно определить как узкофункциональные. Преодоление этой узкой функциональности потребовало разработки специальных математических методов распознавания образов /Васильев. 1983; Горелик... 1985; Верхаген... 1985/. В основе этих методов лежит идея о проведении специальных преобразований исходного описания изображений и «нахождении в признаковом пространстве таких решающих границ (решающих правил), т.е. границ между классами, придерживаясь которых можно обеспечить наибольшую точность распознавания» /Горелик... 1985, с. 19/. Особая роль при этом отводится процессу обучения системы, который осуществляется путем показа отдельных объектов или явлений, в результате чего распознающая система автоматически приобретает способность реагировать одинаковыми ответами на изображения объектов, принадлежащих к данному классу, и различными - на изображения объектов, не принадлежащих к этому классу. Здесь распознавание характеризует действия ухе обученной системы. В целом задача обучения ставится по аналогии с человеческим способом опознания образов.
Характерный для этого подхода образ мышления исследователя иллюстрируют рассуждения М.А. Айзермана /1962/. В первые годы изучения проблемы распознавания образов Айзерман писал, что есть «непонятная нам пока способность живого мозга. Если взять много разных букв «А» и «Б», и ученику, который не знает букв, показывать различные их начертания и говорить лишь «это буква «А» и «это буква «Б», то через некоторое время ученик сможет отличать буквы «А» от букв «Б», и при том не только те, которые ему показывали ранее, но и все остальные начертания этих букв» /Айзерман, 1962, с. 174/. Здесь при постановке проблемы распознавания образов автор определяет их по аналогии со «зрительным восприятием, которое происходит у человека в результате наблюдения различных фигур, т.е. он опирается на уже готовые продукты отражения. Принимаются результаты отражения буквы «А» как геометрической формы и рассматривается тот феномен восприятия, согласно которому любое начертание буквы «А» относится человеком к классу «А». Далее ставится задача, как обеспечить такую идентификацию. М.А. Айзерман считал, что должны быть найдены и заложены в программу какой-либо один или невольное число универсальных «признаков», лежащих в основе самого понятия «образ» /там же, с. 176/. и полагал, что такой универсальный алгоритм может быть создан на основе «гипотезы компактности» Э.М. Бравермана /1962/. Компактность двух множеств точек (принадлежащих изображению или его признаковому описанию) позволяет сформулировать относительно простые правила (алгоритм) для разделения этих множеств (т.е. отделения, например, заданных начертаний букв «А» от всех других букв) и является универсальным свойством широкого класса изображений. Одновременно, это свойство определяет и способ построения системы распознавания, т.е. становится характеристикой процесса опознания. Таким образом, видно, что, разрабатывая проблему имитации процессов опознания человека, автор поставил задачу исследования и выдвинул гипотезу о самом процессе на основе постулата отождествления характеристик процесса с его результатом.
В панораме известных подходов к моделировании процессов непосредственно-чувственного восприятия особое место занимают системы отображения и распознавания изображений типа перцептронов /Патент №3192505... Патент №4318083.../. Они построены с использованием процедуры детерминированных или статистических суммаций или взвешивания аналоговых сигналов, представляющих разные части изображения, с последующим выделением результатов посредством пороговых элементов. Структура связей перцептрона может меняться в процессе обучения, что обусловливает возможность настройки на выделение объектов определенного класса. Фундаментальные исследования перцептронов проведены Ф. Розенблаттом /1965/. По его мнению, перцептрон прежде всего и главным образом является моделью мозга, а не устройством, служащим только для распознавания образов. Под моделью мозга подразумевается любая теоретическая система, которая объясняет его функции. Розенблатт также пытается преодолеть узкофункциональный подход к созданию искусственных систем отражения. Он критикует модели так называемого монотипного приближения, метод построения которых сводится к детальной разработке логического устройства в виде специализированной вычислительной машины, предназначенной для вычисления некоторой заранее заданной «психологической функции», например, такой, которая получается в результате распознавания алгоритма или преобразования стимула» /Розенблатт, 1965, с. 28/. Монотипным моделям он противопоставляет генотипные, которые строятся «в виде множества алгоритмов, порождающих некоторый план физических систем» /там же, с. 28/. Таким образом, генотипный подход имеет дело со свойствами систем, подчиняющихся заданным законам организации, а не с некоторой логической функцией, осуществляемой конкретной системой /там же, с. 35/.
Вместе с тем, возможность реализации полиалгоритмичности системы автор видит в переходе от детерминированной к статистической ее организации. С помощью введения в систему случайных факторов он надеется отчасти воссоздать известные свойства функциональной пластичности и гибкости человеческого восприятия. Но здесь, так же как и в других кибернетических концепциях, при разработке способов построения перцептронов Розенблатт принимает имплицитные основания естественнонаучного физикального образа мышления, хотя и не использует продукты восприятия прямо для описания процессов отражения. Анализ показывает, что Розенблатт связывает восприятие с процессом разделения объектов на классы по их свойствам и признакам. Здесь он опирается на известные результаты, полученные в различных областях физиологии и психологии (в том числе гештальтпсихологии и концепции Гибсона)[3]. Это разделение заранее конкретно не задается, но изначально предполагается, и на его основании определяется исходная организация структуры сети взаимосвязей между элементами перцептрона, а также сдаются правила регулировки функциональных зависимостей между переменными и алгоритм преобразования свойств сети. При переходе с одного множества классов на другое или при решении другого класса задач заново выделяются характерные признаки объективного множества классов и соответственно изменяется функционально-структурная организация перцептрона (осуществляются переналадка и обучение). Необходимость такой перестройки обусловлена тем, что в основе способа построения системы используется ограниченный аналитический метод расчленения и фиксации определенного ряда пространственных свойств объектов. В результате этого структура и метод обработки информации оказываются зависящими от обобщенных характеристик объектов.
С момента начала работ над перцептронами Розенблаттом в Корнеллском университете в 30-х годах их простота и кажущаяся перспективность обнадеживали и подкупали исследователей. Так М.М. Бонгард в книге «Проблемы узнавания» существующие перцептроны понимает как системы «стандартного (не зависящего от конкретной задачи) преобразования пространства рецепторов» и ставит перед собой задачу построения системы, осуществляющей «переменное (различное для разных задач) преобразование пространства рецепторов» /Бонгард, 1967/. Он исходит из представления о процессе узнавания как процессе классификации, основанном на анализе признаков, и пытается сформировать такие обобщенно-абстрактные признаки, которые могут служить исходными кирпичиками для построения соответствующей поставленной задаче классификации объектов в более широком диапазоне разделения классов.