Sun’iy Intellekt va Raqamli Iqtisodiyot

natijalari keyinchalik bir qator holatlarni hisobga olgan holda bizni qiziqtirgan real obyektga ham ta’ sir etadi. Modellashtirish nazariyasida barcha modellar ikki asosiy guruhga bo‘linadi va bir necha turlarda namoyon bo‘ladi: • Predmetli yoki fizik modellar - bunda tadqiqot real obyekt bilan bir xil tabiatga ega bo‘lgan hamda uning dinamik va funksional xususiyatlarini takrorlaydigan model asosida olib boriladi. • Nazariy, belgili yoki simvolli modellar - bunda modellashtirish real obyektning ayrim xususiyatlari va ular orasidagi bog‘lanishlarni aks ettiruvchi shartli belgilar tizimi asosida amalga oshiriladi. Matematik modellar aynan shu ikkinchi turga kiradi. Ularning boshqa belgili modellaridan farqli jihati shundaki, har bir matematik model eng yuqori darajada formalashtirilgan bo‘ladi va shu sababli yagona ifoda va talqinni nazarda tutadi. Biroq bundan bitta real obyekt uchun faqat bitta matematik model mavjud bo‘lishi mumkin degan xulosa kelib chiqmaydi. Aksincha, zamonaviy matematik modellashtirish nazariyasiga ko‘ra, real obyektni to‘liq va har tomonlama o‘rganish uchun matematik modellarning iyerarxik majmuasini ishlab chiqish zarur. Faqat shu holdagina har bir xususiyat yoki omilning chuqur ahamiyatini aniqlash mumkin bo‘ladi. Ko‘pincha bunday natijalarga to‘g‘ridan-to‘g‘ri fizik tajriba orqali erishib bo‘lmaydi. Aynan shu metodologiya zamonaviy kuchli kompyuter tajribasi vositalari amaliy dasturlar paketlari yoki ilmiy va muhandislik tahlili paketlari, ya’ni CAE tizimlari (Computer Aided Engineering) ning yaratilishi va rivojlanishiga asos bo‘lgan. Ular an’anaviy avtomatlashtirilgan loyihalash tizimlari - SAPR o‘rnini bosmoqda. Har qanday matematik model korrektlik (to‘g‘ri qo‘yilganlik) shartlarini qanoatlantirishi lozim. Matematik modellashtirishda tuzilgan model real obyektning kuzatilgan xususiyatlariga yoki tajriba asosida aniqlangan qonuniyatlariga zid bo‘lsa, u korrekt deb hisoblanmaydi. Faraz qilaylik, z = R(u) ko‘rinishidagi matematik masalaning yechimi bo‘lib, u berilgan boshlang‘ich ma’lumotlar u asosida z elementini aniqlashdan iborat. Bunda u ma’lumotlar U metrik fazoga tegishli, yechim z esa Z metrik fazoda izlanadi, ya’ni z ∈ Z. Matematik masala - z = R(u), U va Z fazolar juftligida korrekt qo‘yilgan deyiladi, agar quyidagi shartlar bajarilsa: 1. har qanday u ∈ U uchun masalaning yechimi mavjud bo‘lsa; 2. har qanday u ∈ U uchun yechim yagona bo‘lsa; 3. yechim z boshlang‘ich ma’lumotlar u ga uzluksiz bog‘liq bo‘lsa.[2-4] Bilimlarni mantiqiy model orqali ifodalash Intellektual tizimlarda bilimlarni ifodalashning eng keng tarqalgan usullaridan biri formal mantiq apparatidan foydalanishdir. Mantiq to‘g‘ri mulohazalar yuritish usullarini o‘rganadi, bu esa bir-biri bilan mantiqan bog‘langan xulosalar ketma-ketligini tashkil etadi. Bu yondashuvda e’tibor asosan mulohazalarning shakliga qaratiladi, ularning mazmuniga emas. 659

Mantiqiy yondashuvda tabiiy til elementlari formal belgilar bilan almashtiriladi, bu esa universal mulohaza sxemalarini yaratishga imkon beradi. Klassik misol sifatida Aristotelga tegishli bo‘lgan silogizmni keltirish mumkin: «Barcha odamlar o‘ladi; Sokrat odamdir; demak, Sokrat o‘ladi». Ushbu mulohazada konkret tushunchalar mantiqiy xulosaning to‘g‘riligini buzmasdan istalgan belgilar bilan almashtirilishi mumkin. Abstrakt shaklda ushbu mulohaza quyidagicha ifodalanadi: “Agar barcha x y xususiyatiga ega bo‘lsa va z obyekti x to‘plamiga kirsa, u holda z obyekti ham y xususiyatiga ega bo‘ladi.” Belgilar yordamida ishlash intellektual tizimga formal mantiqiy xulosalarni chiqarish va mavjud ma’lumotlar asosida yangi bilimlarni hosil qilish imkonini beradi. Mantiqiy modellar asosiy afzalligi qarorlar to‘g‘riligini ta’minlashning yuqori darajasi. Ushbu yondashuvda hal qilinayotgan masala ma’lum bir formal tizimdagi bayonotlar shaklida ifodalanadi. Formal tizim bu abstrakt belgilar va ularni qayta ishlash qoidalari majmuasidir, ularning mazmuni hisobga olinmaydi. Formal tizim quyidagi shartlar bajarilganda aniqlangan hisoblanadi: Belgilarni ifodalash uchun cheklangan alifbo mavjud bo‘lishi; To‘g‘ri formulalarni yaratish qoidalari belgilangan bo‘lishi; Ma’lum bir aksiomalar to‘plami mavjud bo‘lishi; Yangi bayonotlarni mavjud formulalardan chiqarish imkonini beruvchi xulosa qoidalari mavjud bo‘lishi. Bayonotlarning to‘g‘ri yoki noto‘g‘ri ekanligi formal tizimdagi aksiomalar va xulosa qoidalari asosida aniqlanadi. Amaliyotda intellektual tizimlarda keng qo‘llaniladigan vositalardan biri birinchi tartibdagi predikat hisoblash bo‘lib, u obyektlar, ularning xususiyatlari va o‘zaro munosabatlarini ifodalash imkonini beradi. Hozirgi zamonaviy sun’iy intellekt tizimlarida deskriptiv mantiqning turli pastki to‘plamlari keng qo‘llaniladi. Shu mantiq OWL (Web Ontology Language) tilining asosini tashkil qiladi. OWL tili Internetdagi axborot resurslari va hujjatlarni tizimli tarzda tasvirlash va tashkil etish uchun ishlatiladi. OWL-ning mantiqiy asoslari mavjud ma’lumotlarda ochiq ko‘rsatilmagan yangi faktlarni avtomatik chiqarishga imkon beradi.[5] Shunday qilib, mantiqiy model bilimlarni qat’iy formalizatsiya qilish va avtomatik mantiqiy xulosalar chiqarish imkonini beradi, bu esa uni intellektual tizimlarni qurishda asosiy modellaridan biriga aylantiradi. Overfitting Qarorlar daraxti ID3 algoritmi yoki unga o‘xshash algoritmlar yordamida qurilganda, hosil bo‘lgan daraxt odatda mavjud barcha ma’lumotlarga to‘liq mos keladi. Biroq amaliyotda ko‘pincha haddan tashqari batafsil daraxtlar hosil bo‘ladi va natijada ushbu daraxtdan keyingi foydalanish jarayonida xatolar soni ortib boradi. Bu hodisa overfitting (ortiqcha moslashish) deb ataladi. 660

Misol. Overfitting qachon yuzaga keladi Overfitting effektini quyidagi misol orqali oson tushuntirish mumkin. Tasavvur qilaylik, «Zenit» futbol jamoasi o‘z maydonida ochiq (quyoshli) obhavoda o‘ynaganda natija boshqa omillarga deyarli bog‘liq emas va jamoa holatlarning 90 %ida g‘alaba qozonadi. Ammo boshlang‘ich ma’lumotlar orasida aynan shunday sharoitda «Zenit»ning bitta mag‘lubiyati ham mavjud bo‘lsin. Bu holda ID3 algoritmi ushbu mag‘lubiyatning asl sababiga aloqasi bo‘lmagan barcha “omillarni” ham hisobga oladi va keyinchalik shunga o‘xshash vaziyatlarda «Zenit» yutqazadi deb bashorat qiladi. Aslida esa «Zenit» baribir taxminan 90 % ehtimollik bilan g‘alaba qozonishda davom etadi. Demak, to‘liq to‘g‘ri ishlagan o‘qitish algoritmi natijasida qurilgan qarorlar daraxti amalda klassifikatsiya masalasini yomon bajarishi mumkin [3]. Albatta, daraxtning chuqurlik bo‘yicha o‘sishini sun’iy ravishda to‘xtatish mumkin. Ammo savol tug‘iladi: qaysi bosqichda to‘xtatish kerak? Odatda overfittingdan qochish uchun pruning (kesish yoki qisqartirish) usuli qo‘llaniladi. Bu usulda avval daraxt erkin ravishda o‘sishiga ruxsat beriladi, so‘ngra ortiqcha shoxlari kesib tashlanadi. Daraxtni ma’lum bir tugunda kesish deganda, shu tugundan boshlanuvchi pastki daraxt olib tashlanadi va uning o‘rniga ushbu tugunda eng ko‘p uchraydigan natija belgisi joylashtiriladi. Biroq bunday usulni qo‘llash uchun avvalo aynan qaysi shoxlarni kesish kerakligini aniqlash zarur. Mashinali o‘qitishda ko‘pincha standart o‘z-o‘zini tekshirish usuli qo‘llaniladi. Faraz qilaylik, bizda yetarlicha katta hajmdagi ma’lumotlar to‘plami mavjud. Ushbu ma’lumotlarni ikki qismga ajratamiz: daraxtni qurish uchun foydalaniladigan o‘qitish to‘plami (teaching set); daraxtni tekshirish uchun foydalaniladigan test to‘plami (validation set). Birinchi qism asosida qarorlar daraxti quriladi. Endi bizda tayyor daraxt va to‘g‘ri javoblari oldindan ma’lum bo‘lgan testlar mavjud bo‘ladi. Agar ma’lumotlarning bir qismini testlash uchun ajratish maqsadga muvofiq bo‘lmasa, u holda ma’lumotlarni k ta qismga bo‘lish mumkin. Shunda k marta takrorlash orqali har bir qism bir marta testlash uchun, qolgan k-1 qismi esa o‘qitish uchun ishlatiladi (bu usul “sirpanib yuruvchi oyna” tamoyiliga o‘xshaydi). Endi tugunlarni kesishning mumkin bo‘lgan usullaridan birini ko‘rib chiqamiz. Asosiy baholash mezoni daraxtning test ma’lumotlarida qanchalik yaxshi ishlashidir. Shu sababli har bir tugunni kesish uchun nomzod sifatida ko‘rib chiqish va qisqartirilgan daraxt testlarda yaxshiroq natija beradimi yoki yo‘qligini tekshirish mumkin. 661

Har bir bosqichda qarorlar daraxti ishlash sifatini eng ko‘p yaxshilaydigan tugun tanlanadi va kesilgan holatda qoldiriladi. Ushbu jarayon shunday davom ettiriladiki, qaysidir tugunni kesish endi test natijalarini yaxshilamaydigan holatga kelguncha davom etadi.[3] Xulosa: Intellektual tizimlar va matematik modellashtirish muammolari Sun’iy intellekt va intellektual tizimlar sohasidagi tadqiqotlar ko‘rsatdiki, zamonaviy tizimlar inson tafakkurining ayrim jihatlarini muvaffaqiyatli modellashtira olsa-da, ularning ishlashida bir qator muammolar mavjud. Birinchi navbatda, bilimlarni ifodalash va strukturalashtirish murakkabligi tizimlar samaradorligini cheklaydi. Inson uchun intuitiv tushunarli shakllar kompyuterda samarali ishlamaydi, aksincha, tizim uchun optimal formal tuzilmalar inson tomonidan to‘liq tushunilmaydi. Shuningdek, turli turdagi bilimlar va masalalar uchun yagona universal model mavjud emas, bu esa intellektual tizimlarning umumiy moslashuvchanligini cheklaydi. Ikkinchi muammo - tizimlarning cheklangan ixtisoslashuvi. Intellektual tizimlar odatda faqat o‘qitilgan yoki ishlab chiqilgan soha doirasidagi masalalarni hal qiladi, turli bilim sohalarida inson kabi keng qamrovli faoliyat yurita olmaydi. Shu bilan birga, Internet orqali mavjud ulkan hajmdagi ma’lumotlar tizim imkoniyatlarini kengaytirsa-da, ularning ishonchliligi va haqqoniyligini aniqlash masalasi dolzarb bo‘lib qolmoqda. Intellektual tizimlar kontekstual tushunish va tanqidiy baholashni inson darajasida amalga oshira olmaydi, shu sababli ularning chiqarayotgan natijalari qo‘shimcha ekspert tekshiruvidan o‘tishi lozim. Uchinchi muammo formal tizimlar va matematik modellashtirish bilan bog‘liq. Har bir matematik model korrektlik talablariga javob berishi, boshlang‘ich ma’lumotlarga uzluksiz bog‘lanishi va yechimning mavjudligini ta’minlashi kerak. Biroq, murakkab real jarayonlarni to‘liq va har tomonlama aks ettirish imkoniyati cheklangan bo‘ladi. Shuningdek, real obyektlarni o‘rganishda iyerarxik modellar majmuasini yaratish talab etiladi, bu esa modellashtirish jarayonini murakkablashtiradi. Oxir-oqibat, intellektual tizimlar va matematik modellashtirish kuchli vositalar sifatida qaraladi, ular ma’lumotlarni tez va samarali qayta ishlash hamda qaror qabul qilish jarayonini qo‘llab-quvvatlaydi. Shu bilan birga, tizimlar tomonidan chiqarilgan natijalar inson tafakkuri va ekspert bahosini to‘liq almashtira olmaydi. Shuning uchun ularni qo‘llashda tanqidiy yondashuv va inson nazorati muhim ahamiyatga ega. Ushbu muammolarni hisobga olgan holda, intellektual tizimlar va matematik modellashtirishni yanada rivojlantirish, ularning moslashuvchanligi va ishonchliligini oshirish yo‘nalishidagi tadqiqotlar dolzarb va istiqbolli yo‘nalish hisoblanadi. Qo‘llanilgan adabiyotlar: 1. Поспелов Д.А. Исскуственный интеллект. Справочник. Книга 2 - модели и методы. 2. Коржов Е.Н. Математическое моделиование. Учебное пособие. 3. Николенко С.И., Тулупьев А.Л. Самообучающиеся системы. 4. Умнов А.Е. Методы математичесокого моделирования. 662

5. Загорулько Ю.А., Загорулько Г.Б. Инженерия знаний. Учебное пособие. MURAKKAB REV LARINI MODELLASHTIRISH MASALALARIDA INTELLEKTUAL USLUBLAR Aripova M.X., Ibragimova B.B., Baymatova N.T., TDTU Annotatsiya. Murakkab radioelektron vositalarini konstruksiyalarini yaratish jarayonlarida qo‘llaniladugan modellarni yaratish uchu o‘lchashlar natijalariga intellectual ishlov berish uslublarini qo‘llash imkoniyatlari ko‘rib chiqilgan. Kalit so‘zlar: radioelektron vosita, modellashtirihs, evristik uslub, intellectual taxlil, mashinali o‘qitish, neyron tarmoq, klasterlash. Аннотация. Рассмотрена возможность применения методов интеллектуального обработки результатов измерений, выполняемых в процессе разработки и конструирования сложных радиоэлектронных систем. Ключевые слова: радиоэлектронное устройство, моделирование, эвристический метод, интеллектуальный анализ, машинное обучение, нейронная сеть, кластеризация. Annotation. The possibility of using methods of intelligent processing of measurement results performed during the development and construction of complex electronic systems is considered. Keywords: radioelectronic device, modeling, heuristic method, intelligent analysis, machine learning, neural network, clustering. Radioelektron qurilmalarni ishlab chiqarish hozirgi davrda juda yuqori sur’atlarda rivojlanmaoqda. RE vositalarining zamonaviy rivojlanish bosqichlari ularning funksional murakkabligi, integratsiya darajasi, tezkorligi va elementlar bazasining issiqlik ajratishining oshib borishi bilan xarakterlanadi. Bularning hammasi qurilma konstrutsiyasining murakkablashib ketishiga, ishlab chiqarishga va ishlash samaradorligiga bo‘lgan talablarni oshib ketishiga olib keladi. Konstruktorlik-loyihalash ishlarini tezlashtirish va loyihalanilayotgan mahsulot narhini arzonlashtirish, asosan tipli bazaviy konstruksiyalardan foydalanish va loyihalashga intellectual uslublarni qo‘llash hisobigan amalga oshiriladi. Intellectual usullardan foydalangan holda murakkab radioelektron vositalarini modellashtirish ‒ bu ularni loyihalash yoki modernizatsiya qilish maqsadida o‘rganilayotgan tizimlarga xos xususiyatlar va qonuniyatlarni aniqlashga qaratilgan jarayondir. Ko‘p hollarda intellektual uslublar evristik holatlar hisoblanadi va to‘liq matematik asoslangan hisoblanmaydi, ko‘pgina holatdarda aniq natijanlarni olish imkoniyatini bermaydi. REVlarini modellashtirish uchun quyidagi modellardan foydalaniladi: Mashina orqali o‘qitishga asoslangan modellar, ularga neyron tarmoqlari, daraxt yechimlari, o‘z-o‘zini tashkil etuvchi belgilar kartasi, assotsiativ modellar kiradi. Bunday modellar sonli masalalarni, sinflanish, klasterlash va assitsiatsiya masalalarini yechish imkoniyatlarini beradi. Tuzilgan ma'lumotlar bazalarini tahlil qilish - modellashtirishda ko‘rib chiqilgan obyektlar doirasini cheklash va yechim tanlashda ortiqcha miqdorni kamaytirishga imkon beradi. O‘lchashlar natijasi bo‘yicha olingan ma’lumotlarga ishlov berish 663

intellektual usullar, ayniqsa, to‘liq bo‘lmagan va noto‘g‘ri ma'lumotlar sharoitida, to‘sqinlik qiluvchi omillar ta'sirida, modellar asosida nazorat o‘lchovlari natijalarini tahlil qilishga yordam beradi. Intellektual uslublardan foydalanib REVlarini modellashtirish jarayoni quyidagi bosqichlarni o‘z tarkibiga kiritadi: 1. Modellarni ishlab chiqish. Modelning parametrlari va xususiyatlarining tarkibi va ro‘yhati aniqlanadi, ularning o‘rganilayotgan tizimning parametrlari va xususiyatlari bilan o‘zaro bog‘liqligi o‘rnatiladi (modelni parametrlash). 2. Tizimning ishlash xususiyatlarini tizimli tahlil qilish. Tizimning xususiyatlariga qo‘yiladigan talablar hisobga olinadi ‒ quvvat, vaqt, ishonchlilik va boshqalar. 3. Belgilangan xususiyatlarga ega yangi yoki mavjud tizimni loyihasini (sintezi) yaratish. Tizimning tuzilishi va ishlash parametrlari aniqlanadi, bu xususiyatlar bo‘yicha belgilangan cheklovlarni ta'minlaydi. 4. Loyiha (sintez) yoki modernizatsiya natijasida olingan tizimni batafsil tahlil qilish. REVni modellashtirishning intellektual usullari analitik platformalar — mashinali o‘rganish va ularga asoslangan modellarni yaratish texnologiyalarini amalga oshiradigan dasturiy vositalar asosida amalga oshiriladi. Shuningdek, intelektual modellashtirish modullari MatLab va Statistica kabi zamonaviy kompyuter matematikasi paketlarida amalga oshiriladi. Elektr zanjirlarini modellashtirishning intellektual usullari loyihalashning turli bosqichlarida qo‘llaniladi, masalan: - REVsini strukturali sintez qilish asosan loyihalashninsh dastlabki davrlarida amalga oshiriladi. - Komponent parametrlarining tarqalishi va beqarorlashtiruvchi omillar mavjudligini hisobga olgan holda turli rejimlarda loyihalash obyekti parametrlarini hisoblash va tahlil qilishda. Xohlagan radioelektron sistema bir qancha tasodifiy chiqish parametrlari Yi (i = 1, k) to‘plamlari bilan xarakterlanadi. Bu parametrlar sistemani berilgan texnik xarakteristikalarini moslik darajasini tasvirlaydi. Agar bu parametrlar berilgan chegaralarda yotsa bu sistema ishchanlik xususiyatiga ega hisoblanadi, ya’ni, 𝑠1 ≤ 𝑌1 (𝑋1, 𝑋2, … , 𝑋𝑛 ) ≤ 𝑑1 ; 𝑐2 ≤ 𝑌2 (𝑋1, 𝑋2, … , 𝑋𝑛 ) ≤ 𝑑2 ; ………………………………… 𝑐𝑘 ≤ 𝑌𝑘 (𝑋1, 𝑋2, … , 𝑋𝑛 ) ≤ 𝑑𝑘 ; Bu yerda Xj (j = 1, n) – sistema elementlarining parametrlari, kirish signallari, tashqi xalaqit faktorlari, ci va di – sistema parametrlarining quyi va yuqori chegaralari qiymatlari. Bunday ko‘p sonli parametrlarni nazorat qilish juda ko‘p sarflarni talab etadi, ya’ni bu REVsini yaratish va ishlab chiqish xarajatlarining 30 va 40 foizini tashkil etishi mumkin. Shuning uchun bu sarflarni minimallashtirish masalasini yechishdagi aktual masala bo‘lib REVlarini modellashtirish sifatini oshirish masalasi hisoblanadi. 664

Modellashtirish zamonaviy REVlarini ishlab chiqarishda muhim bosqich hisoblanadi. Bu masala o‘z tarkibiga bir qancha bosqich va ishlarni kiritadi. REVsining modellashtirishni asosiy bosqichi bo‘lib, texnik masalani analiz qilish, elektr sxemani va unda kechadigan jarayonlarni, tarqalishi va puxtaligini modellashtirish, modellashtirish natijalarini analiz qilish hisoblanadi. Muayyan farqlarga qaramay, REVni modellashtirish metodologiyasi tavsiflarning turlicha bo‘lishi va ierarxiyasi, modellashtirishning ko‘p bosqichli va iterativligi, qabul qilingan yechimlarni yozish va birlashtirishni o‘z ichiga olgan bir qator asosiy tamoyillarni o‘z ichiga oladi. Bu esa, murakkab REVlarini modellashtirishda, modellashtirishda ko‘rib chiqiladigan obyektlar doirasini cheklash va shu bilan yechim tanlashda haddan oshib ketishni kamaytirish uchun tuzilgan ma'lumotlar bazalarini (ma'lumotlar bazalarini) tahlil qilishga asoslangan intellektual sistemalardan foydalanish maqsadga muvofiq ekanligini anglatadi. Eng istiqbolli-bu REVsining strukturali sintez bosqichlarda, ayniqsa lo‘yihaning dastlabki bosqichlarida intellektual modellashtirish usullarini qo‘llash, shuningdek, tarkibiy parametrlarning tarqalishini va beqarorlashtiruvchi omillarning mavjudligini hisobga olgan holda turli xil rejimlarda loyihalash obyekti parametrlarini hisoblash va tahlil qilish hisoblanadi. Murakkab REVlarini modellashtirish masalalarida intellektual uslublar. Murakkab REVni ishlab chiqarishning har bir bosqichida, gibrid va monolit integral mikrosxemalardan tortib to kompleksgacha, asosiy boshqariladigan parametrlar ajratiladi, bu esa optimal o‘lchov hajmida texnik shartlar talablariga to‘liq mos keladigan tayyor mahsulotni ishlab chiqish, sozlashning to‘liq siklini ta'minlashga imkon beradi. Bunda xar bir bosqichda, nostabillovchi faktorlar (harorat,namlik, radiatsiya, tebranishlar,zarb yuki va b.) uchun sinashlar o‘tkazishda avtomatlashtirilgan o‘lchash komplekslari va apparaturalaridan foydalaniladi. REVsini ishlab chiqarishda o‘lchashlar soni 10-15 millindan oshib ketishi mumkin. Shuning uchun submodullardan boshlab REVlarigacha bo‘lgan ish joylari avtomatlashtirilgan o‘lchashlarni amalga oshiruvchi va ma’lumotlar bazalarini shakllantiruvchi ma’lumotlarni ro‘yhatga oluvchi apparaturalar bilan ta’minlangan bo‘lishi kerak. Murakkab REVlarni modellarini, elektrodinamik va zanjirlar nazariyasidan foydalanib yaratishda, ayniqsa nostabillovchi faktorlarni hisobga olganda, modellashtirish, mateatik jihatdan qiyinchiliklarni keltirib chiqaradi, bu esa vaqt va inson omillari mehnatini sezilarli miqdorda talab etadi. Shu sababli, radioelektron qurilmalarni modellashtirishdagi dolzarb vazifa, to‘liq bo‘lmagan yoki noto‘g‘ri ma'lumotlarni, har xil turdagi shovqinlarning ta'sirini va hisobga olish qiyin bo‘lgan omillar ta'sirlari nazorat o‘lchovlari natijalarini tahlil qilish usullarini topishdir. Ushbu muammoni hal qilishdagi yo‘nalishlardan biri bo‘lib, modellashtirishning mashinali o‘rganish algoritmlari va uslublariga asoslangan intellektual modellashtirish uslublaridan foydalanish hisoblanadi. Ma’lumki ko‘p hollarda modellashtirishning itellektual uslublari evristik hisoblanadi, ya’ni to‘liq matematik asoslanmagan va aniq hisoblashlar o‘tkazish imkoniyati bo‘lmasa ham, 665

amaliy ahamiyatga ega bo‘lgan, aksariyat hollarda maqbul natijaga erishishga imkon beradi. Shu bilan birga, ular sezilarli darajada kamroq mehnat talab qiladi, tadqiqotchi uchun juda shaffof va tadqiqotni avtomatlashtirish uchun ajoyib imkoniyatlarni taqdim etadi. Evristik modellarning kamchiliklari orasida qarorlarning nisbatan past aniqlikga egaligi va noaniqligi, shuningdek, dastlabki ma'lumotlarga kuchli bog‘liqligi kiradi. REVlarni modellashtirishda qo‘llaniladigan intellektual usullar. Katta strukturali ma'lumotlar to‘plamlarini tahlil qilishda qo‘llaniladigan evristik modellarning eng ko‘p qo‘llaniladigan turlari neyron tarmoqlar (NT), qarorlar daraxtlari, o‘z-o‘zini tashkil etuvchi xususiyatlar xaritalari, assotsiativ modellar va boshqalar kabi mashinalarni o‘rganishga asoslangan modellardir. Ushbu modellar intellektual deb ham ataladi, chunki ular sof matematik jihatdan tashqari, tadqiqotchiga yechimni o‘z tajribasi va bilimlari bilan to‘ldirishga imkon beradi, bu hatto juda yomon rasmiylashtirilgan holatlarda ham yechimlarni olish imkonini beradi. Intellektual modellar raqamli bashorat, tasniflash, klasterlash va assotsiatsiya masalalarini hal qilishga imkon beradi. Raqamli bashorat murakkab radioelektron tizimlar parametrlari o‘rtasidagi uzluksiz bog‘liqlikni modellashtirish imkonini beradi, masalan, chiqish quvvati va tizim qurilmalari o‘rtasidagi moslik darajasi, gibrid va monolit sxemalarning boshqariladigan parametrlari (faza o‘zgartirgichlar, attenuatorlar, kalitlar, kuchaytirgichlar va boshqalar), ish sharoitlari va boshqalar. Bu muammo odatda neyron tarmoq yordamida hal qilinadi. Neyron tarmoqlari. Ma'lumki, neyron tarmoq - bu sun'iy neyronlar deb ataladigan oddiy hisoblash elementlari to‘plami bo‘lib, ularning har biri o‘z kiritishlarining og‘irliklari yig‘indisini va natijada olingan yig‘indining chiziqli bo‘lmagan o‘zgarishini amalga oshiradi. Neyron tarmoq modelini qurish ikki bosqichdan iborat bo‘ladi: - model parametrlarini o‘rnatish - neyronlar va neyronlararo ulanishlar sonini, chiziqli bo‘lmagan konvertor turini aniqlash (faollashtirish funktsiyasi) (1rasm); - modelni o‘rgatish - bu o‘rganish algoritmi asosida neyronlararo ulanishlar og‘irligini iterativ sozlash, bunda modelning har bir iteratsiyasida o‘quv misoli taqdim etiladi. 1-rasm. Neyron tarmoq Har bir o‘quv misoli ma'lumotlar bazasidagi satr bo‘lib, u bir o‘lchov 666

davomida qayd etilgan REVning kirish va chiqish parametrlarining qiymatlari to‘plamini saqlaydi. Neyron tarmog‘ini o‘qitish algoritmlari odatda gradiyentga asoslangan optimallashtirish usullariga (masalan, eng tik tushish) asoslanadi. O‘qitish parametr qiymatlarining berilgan kirish vektoriga modelning javobi haqiqiy kuzatilgan chiqish qiymatiga yetarlicha yaqin bo‘lgunga qadar davom etadi (masalan, o‘rtacha kvadrat ma'noda). Shuning uchun bu usul "nazorat ostida o‘rganish" deb nomlanadi. Neyron tarmoq modellarining afzalligi shundaki, tadqiqotchi model parametrlarini tanlash va o‘quv jarayonini kuzatish orqali kerakli darajadagi aniqlik va umumlashtirish qobiliyatiga erishadi (buzilgan va to‘liq bo‘lmagan ma’lumotlar bilan ishlash qobiliyati). Bu shuningdek, shunga o‘xshash muammolarni hal qilishda ilgari to‘plangan tajribadan foydalanishi mumkin. Neyron tarmoq modellarining amaliy qo‘llanilishi shundan iboratki, ularga yangi o‘lchamda yoki yangi qurilma uchun o‘rnatilgan parametr vektorlarini yetkazib berish orqali tarmoq avtomatik ravishda mos keladigan chiqish qiymatini hisoblab chiqadi. Qaror daraxtlari. REVlarini yoki murakkab texnik sistemalarini modellashtirish uchun, to‘liq yoki aniq bo‘lmagan ma'lumotlar va yomon rasmiylashtirilgan maqsadlar kontekstida yuqori o‘lchamli ma'lumotlarni tahlil qilish masalalarini yechishda, modelning umumiy xususiyatlarni va tushinarliligini mutaxassis tomonidan maqsadli o‘zgaruvchilarni kategoriyalash hisobiga yaxshilashda ya'ni mantiqiy ravishda muammoni aks ettiruvchi sinflarni shakllantirish, masalan, qurilmalar sinfini aniqlik va ishonchlilik bo‘yicha shakllantirish va boshqalarda qo‘llaniladi. Siniflash tizimi mutaxassislar tomonidan ishlab chiqiladi va modellashtirish boshlanishidan oldin shakllantirilishi kerak. Qaror daraxtlari - ma'lum bir bargga tayinlangan obyekt sinfi shakllanadigan qoidalar va barglarni o‘z ichiga olgan tugunlardan tashkil topgan bo‘lib, "agar-u holda" induktiv qaror qoidalarining tuzilmalari hisoblanib, ko‘pincha intellektual modellardan tasniflash muammolarini hal qilish uchun ishlatiladi. Bunday holda, qoidalar tabiiy tilda shakllantiriladi, bu tadqiqotchiga modeldan nafaqat tasniflagich sifatida foydalanishga, balki model tuzilmasidan foydali bilimlarni olish imkonini beradi ya’ni obyekt ma'lum bir sinf bilan bog‘langan bargga biriktirilishidan oldin daraxtning ma'lum bir novdasi bo‘ylab "o‘tgan" qoidalarni kuzatish imkoniyatini yaratadi. Bu qaror daraxtlarini neyron tarmoqlardan ajratib turadi, bu yerda model tuzilmasidan (neyronlararo ulanishlar og‘irligi, faollashtirish funktsiyasi turi va boshqalar) foydali ma'lumotlarni (verbalizatsiya) olish mumkin emas. Shuning uchun qaror daraxtlari yuqori tushuntirish kuchiga ega, bu esa yuqori o‘lchamli ma'lumotlarga asoslangan murakkab tizimlarni modellashtirishda hal qiluvchi ahamiyatga ega. O‘z-o‘zini tartibga soluvchi xususiyatli xaritalar. Haqiqiy sharoitlarda (ayniqsa, xalaqit beruvchi omillar ta'sirida) olingan sinov o‘lchovlari ma'lumotlariga asoslangan texnik tizimlarni modellashtirish muammolarida ko‘pincha maqsadli o‘zgaruvchining qiymatlari qisman yetishmayotganligi yoki yetarli darajada aniqlik bilan o‘lchanmasligi aniq bo‘ladi. Maqsadli o‘zgaruvchini 667

umuman aniqlab bo‘lmaydigan muammolar bo‘lishi mumkin (ya'ni, muammoning mantig‘iga ko‘ra, chiqish deb hisoblanishi mumkin bo‘lgan tizim parametrini tanlash mumkin emas). Bu neyron tarmoqlar va qarorlar daraxtlarini o‘z ichiga olgan nazorat ostida o‘rganishdan foydalangan holda modellar uchun sinflar yoki maqsadli o‘zgaruvchilarni shakllantirishning mumkin bo‘lmasligiga olib keladi. Bunday holda, REVni intellektual modellashtirish uchun klasterlashdan foydalanish qulay hisoblanadi, ya’ni kuzatuvlarning barcha to‘plamlarini, ularning har biri qurilmalar yoki umuman tizim parametrlarini bir qator o‘lchovlarni ifodalaydigan, klasterlar deb ataladigan bir hil guruhlarga bo‘linadi. Klasterlash ko‘p o‘lchovli fazoda, kuzatish vektorlari orasidagi masofani o‘lchash asosida, klaster ichidagi ikkita kuzatish o‘rtasidagi farq har doim turli klasterlardan olingan ikkita kuzatish orasidagi farqdan kichikroq bo‘lishi tamoyiliga muvofiq amalga oshiriladi. Klasterlash jarayonida maqsadli o‘zgaruvchi ishlatilmagani uchun u nazoratsiz o‘rganish deb ataladi. Klasterlash natijasi test sinovlarining bir hil guruhlarini yoki bir hil xususiyatlarga va tipik xususiyatlarga ega bo‘lgan texnik obyektlarni shakllantirishdir (masalan, signalning o‘xshash buzilishlari, bir xil sinov sharoitlari, shovqin ta'sirida signal-shovqin nisbatining yomonlashishi va boshqalar). Klasterning xususiyatlarini o‘rganib, uning mazmunli talqinini amalga oshirgandan so‘ng, tadqiqotchi tizimning ba'zi parametrlarining boshqalarga sifat va miqdoriy ta'siri, ular yuzaga kelgan sharoitlari haqida xulosa chiqarishi va salbiy omillarni bartaraf etish choralarini ishlab chiqishi mumkin. Klaster modelidan amaliy foydalanish uni yangi obyektlar yoki kuzatuvlar vektorlari bilan taqdim etishdan iborat bo‘lib, u klasterlardan biriga taqsimlanadi, ularning xususiyatlarini ushbu obyektga umumlashtirish mumkin. Ko‘p o‘lchovli ma'lumotlarni klasterlashning eng kuchli va samarali usullaridan biri bu o‘z-o‘zini tartibga soluvchi xususiyat xaritalari (Kohonen xaritalari) hisoblanadi. Ular raqobatbardosh o‘rganish (Kohonen algoritmi) yordamida o‘qitilgan neyron tarmoqning maxsus turini (Kohonen tarmoqlari) tasvirlaydi. Klaster strukturasi xaritalar to‘plami sifatida ifodalanadi, ularning har biri parametrlardan birining taqsimlanishini aks ettiradi, butun to‘plam esa klaster tuzilmasi bo‘yicha barcha parametrlarning taqsimlanishini aks ettiradi. Kohonen xaritasining asosiy maqsadi ko‘p o‘lchovli ma'lumotlarni klasterlash natijalarini taqdim etish, klaster xususiyatlarini samarali o‘rganish va ularni mazmunli talqin qilish imkonini beradi. Radioelektron tizimlar uchun intellectual modellashtirish vositalari. Radioelektron tizimlarni modellashtirishning intellektual usullarining asosiy afzalliklaridan biri shundaki, ular qimmatbaho ixtisoslashtirilgan tizimlardan foydalanishni talab qilmaydi, lekin mashinalarni o‘rganish texnologiyalarini amalga oshiradigan dasturiy vositalarning ancha keng tarqalgan sinfi va ular asosida modellarni qurish asosida amalga oshirilishi mumkin. Ushbu dasturiy ta'minot klassi analitik platformalar sifatida tanilgan va ma'lumotlarni intektual taxlil qilish loyihalarini amalga oshirish uchun mo‘ljallangan Intellektual platformalarning eng tipik ilovalari biznes-tahlil, ishlab chiqarishni boshqarish, iqtisodiyot va moliya, shuningdek, tibbiyot, biologiya, fan 668

va texnologiyada prognozlashdir. Hozirgi vaqtda intellektual platformalar [1] juda keng tarqalgan bo‘lib, ulardan turli ishlab chiqarish sohalarida (Veka, Rapid Miner va boshqalar) va tijoratda (SAS Enterprise Miner, SPSS Data Modeler) foydalaniladi. Bundan tashqari, intellektual modellashtirish modullari MatLab va Statistica kabi ko‘pgina zamonaviy kompyuter matematika paketlarida amalga oshiriladi. Xulosa. Maqolada murakkab REVlarini ishlab chiqarishda intellectual modellashtirish usliblarini qo‘llash imkoniyatlari ko‘rib chiqilgan. Tadqiqotning maqsadi murakkab REVlari tarkibidagi qurilmalar parametrlarini nazorat qilib, ularni yaratishga ketadigan sarflarni kamaytirish, parametrlar orasidagi bog‘liqlikni intellectual uslublar asosida taxlil qilishdan iborat. Foydalanilgan adabiyotlar: 1. Арустамов А.И., Васильев Е.П., Орешков В.И. Интеллектуальные платформы – современный инструмент анализа данных в экономике и бизнесе // Дни науки: сб. трудов Международной научно-практической конференции. – Прага, 2012. 2. Котлинский С.В., Храмичев А.А. Основы компьютерного проектирования и моделирования радиоэлектронных средств: учебное пособие. Тверь: Тверской государственный технический университет, 2020. 132 с. 3. Хайкин С. Нейронные сети: полный курс. – 2-е изд. – М.: Вильямс, 2006. RAQAMLI TA’LIM MUHITIDA TALABALAR LIDERLIK KO‘NIKMALARINI SHAKLLANTIRISHNING PEDAGOGIK VA METODOLOGIK IMKONIYATLARI Turdaliyeva Nurjahon Abdunosir qizi, Qo‘qon universiteti tayanch doktoranti nurjahonturdaliyeva@750gmail.com Annotatsiya. Ushbu tezisda oliy ta’limning raqamli transformatsiyasi sharoitida talabalarning liderlik ko‘nikmalarini shakllantirishning pedagogik mexanizmlari va metodologik asoslari tadqiq etilgan. Raqamli ta’lim muhitining o‘ziga xos imkoniyatlari, jumladan, virtual jamoaviy ish, loyiha boshqaruvi va interaktiv muloqot vositalarining talaba shaxsi rivojlanishiga ta’siri tahlil qilingan. Tadqiqot natijasida raqamli liderlik kompetensiyalarini rivojlantirish bo‘yicha amaliy tavsiyalar ishlab chiqilgan. Kalit so‘zlar: raqamli ta’lim muhiti, liderlik ko‘nikmalari, raqamli transformatsiya, pedagogik texnologiyalar, talaba, metodologiya, raqamli kompetensiya, jamoaviy boshqaruv. Аннотация. В данной статье исследуются педагогические механизмы и методологические основы формирования лидерских качеств студентов в условиях цифровой трансформации высшего образования. Анализируются специфические возможности цифровой образовательной среды, такие как виртуальная командная работа, управление проектами и влияние инструментов интерактивной коммуникации на развитие личности студента. В результате исследования разработаны практические рекомендации по развитию компетенций цифрового лидерства. Ключевые слова: цифровая образовательная среда, лидерские качества, цифровая трансформация, педагогические технологии, студент, методология, цифровая компетенция, командное управление. Abstract. This article explores the pedagogical mechanisms and methodological foundations for developing students' leadership skills in the context of the digital transformation of higher education. The specific opportunities of the digital learning environment, including virtual teamwork, project management, and the impact of interactive communication tools on 669

student personality development, are analyzed. As a result of the study, practical recommendations for the development of digital leadership competencies have been developed. Keywords: digital learning environment, leadership skills, digital transformation, pedagogical technologies, student, methodology, digital competence, team management. Kirish. Mavzuning dolzarbligi. Zamonaviy axborot jamiyati taraqqiyoti ta’lim tizimi oldiga nafaqat yuqori malakali mutaxassislarni tayyorlash, balki raqamli iqtisodiyot sharoitida jamoani boshqara oladigan, tashabbuskor va strategik fikrlovchi raqamli liderlarni shakllantirish vazifasini qo‘ymoqda. Bugungi kunda oliy ta’lim muassasalarida raqamli texnologiyalar shunchaki bilim berish vositasi emas, balki talabalarning shaxsiy va kasbiy kompetensiyalarini transformatsiya qiluvchi muhitga aylandi. Shu sababli, raqamli ta’lim muhitida talabalarning liderlik ko‘nikmalarini shakllantirishning pedagogik imkoniyatlarini tadqiq etish muhim ilmiy-amaliy ahamiyat kasb etadi. Liderlik tushunchasi va uning pedagogik asoslari xorijiy va mahalliy olimlar tomonidan keng o‘rganilgan bo‘lsa-da, aynan raqamli muhitda (e-learning, blended learning) liderlikni shakllantirish masalasi nisbatan yangi yo‘nalish hisoblanadi. An’anaviy liderlikdan farqli o‘laroq, "Raqamli liderlik" (Digital Leadership) virtual jamoalarni boshqarish, masofaviy kommunikatsiya va raqamli etika kabi yangi qirralarni o‘z ichiga oladi. Mazkur maqolada aynan raqamli platformalar orqali talabaning tashkilotchilik qobiliyatini qanday qilib metodologik jihatdan to‘g‘ri yo‘naltirish masalasiga urg‘u beriladi. Mavzuning maqsadi. Raqamli ta’lim muhitida talabalar liderlik ko‘nikmalarini shakllantirishning samarali pedagogik usullari, metodologik yondashuvlari va ularni amaliyotga tatbiq etish imkoniyatlarini asoslab berishdan iborat. Mavzuning vazifalari: 1. Raqamli ta’lim muhitining liderlikni rivojlantirishdagi funksiyalarini aniqlash; 2. Liderlik ko‘nikmalarini shakllantirishda qo‘llaniladigan zamonaviy metodologik yondashuvlarni tahlil qilish; 3. Raqamli muhitda liderlik kompetensiyalarini baholash mezonlarini ishlab chiqish. Asosiy qism. Zamonaviy ta’lim tizimida raqamli texnologiyalarni joriy etish nafaqat bilim berish jarayonini takomillashtirish, balki talabalarning shaxsiy va kasbiy sifatlarini rivojlantirishga ham xizmat qilmoqda. Ayniqsa, raqamli ta’lim muhiti talabalar orasida liderlik ko‘nikmalarini shakllantirish va rivojlantirish uchun keng pedagogik imkoniyatlar yaratadi. Chunki raqamli platformalar orqali talabalar mustaqil faoliyat yuritish, jamoaviy ishlarni tashkil etish, muammolarni hal qilish hamda tashabbus ko‘rsatish imkoniyatiga ega bo‘ladilar. Raqamli ta’lim muhiti- bu axborot-kommunikatsiya texnologiyalari asosida tashkil etilgan ta’lim jarayoni bo‘lib, unda elektron ta’lim platformalari, masofaviy o‘qitish tizimlari, virtual laboratoriyalar, onlayn hamkorlik vositalari va turli multimedia resurslari qo‘llaniladi. Bunday muhit talabalarni faollikka undaydi, 670

ularning tashabbuskorligi va mas’uliyatini oshiradi. Aynan shu jarayonlarda liderlik ko‘nikmalarining shakllanishi uchun qulay sharoit yuzaga keladi[1]. Talabalarda liderlik ko‘nikmalarini shakllantirish jarayonida bir qator pedagogik yondashuvlar muhim ahamiyat kasb etadi. Jumladan, talabalarga yo‘naltirilgan ta’lim, muammoli ta’lim, loyiha asosida o‘qitish hamda hamkorlikda o‘qitish metodlari samarali hisoblanadi. Ushbu metodlar orqali talabalar o‘z fikrlarini erkin ifodalash, jamoa bilan ishlash, qaror qabul qilish hamda boshqaruv ko‘nikmalarini rivojlantirish imkoniyatiga ega bo‘ladilar. Masalan, loyiha asosida o‘qitish jarayonida talabalar guruhlarga bo‘linib, muayyan muammoni hal qilish ustida ishlaydilar. Bu jarayonda guruh ichida yetakchi talaba shakllanib, u jamoa ishini muvofiqlashtiradi, vazifalarni taqsimlaydi va umumiy natijaga erishishga yordam beradi. Raqamli ta’lim muhitida liderlik ko‘nikmalarini rivojlantirishda interaktiv metodlarning ahamiyati ham katta. Masalan, onlayn munozaralar, virtual forumlar, vebinarlar va jamoaviy platformalar orqali talabalar o‘z fikrlarini bildirish, boshqalarning fikrini tahlil qilish hamda muhokama qilish imkoniyatiga ega bo‘ladilar. Bu jarayon esa ularda kommunikativ kompetensiyalar, tashabbuskorlik va boshqaruv qobiliyatlarini rivojlantiradi. Shuningdek, raqamli platformalarda tashkil etilgan guruh loyihalari talabalarda mas’uliyat hissini kuchaytiradi va jamoa bilan ishlash ko‘nikmalarini shakllantiradi. Metodologik jihatdan qaralganda, raqamli ta’lim muhitida liderlik ko‘nikmalarini rivojlantirish tizimli yondashuvni talab etadi. Bunda ta’lim jarayoni rejalashtirish, tashkil etish, monitoring va baholash bosqichlari orqali amalga oshiriladi. Talabalar faoliyatini baholashda nafaqat bilim darajasi, balki ularning tashabbuskorligi, jamoada ishlash qobiliyati va muammolarni hal qilishdagi faolligi ham hisobga olinadi. Bu esa talabalarning liderlik salohiyatini yanada samarali rivojlantirish imkonini beradi[2]. Xulosa va amaliy tavsiyalar Raqamli ta’lim muhitida talabalarning liderlik ko‘nikmalarini shakllantirish — bu zamonaviy pedagogikaning ustuvor yo‘nalishlaridan biridir. Tadqiqot shuni ko‘rsatadiki, raqamli platformalar talabalarni passiv bilim oluvchidan faol tashkilotchi va mas’uliyatli qaror qabul qiluvchi shaxsga aylantirish uchun keng imkoniyatlar yaratadi. Xususan, loyiha asosida o‘qitish va onlayn hamkorlik metodlari orqali talabalarda virtual jamoalarni boshqarish, raqamli etika va strategik rejalashtirish kabi muhim kompetensiyalar shakllanadi. Xulosa qilib aytganda, raqamli muhitda liderlikni rivojlantirish tizimli yondashuvni talab etadi. Bu jarayonda talabalarga ko‘proq mustaqillik berish, ularni moderatorlik va loyiha boshqaruvi ishlariga jalb qilish kelajakda raqamli iqtisodiyot uchun raqobatbardosh kadrlarni tayyorlashning asosiy omili bo‘lib xizmat qiladi. Amaliy tavsiyalar 1. Onlayn darslar va virtual munozaralar jarayonida talabalarga navbat bilan moderatorlik rolini berish lozim. Bu usul ularda guruhni boshqarish, fikrlarni 671

umumlashtirish va raqamli muloqot madaniyatini amalda qo‘llash ko‘nikmasini shakllantiradi. 2. Loyiha boshqaruvi vositalaridan foydalanish: O‘quv jarayoniga Trello, Asana yoki Notion kabi raqamli menejerlik dasturlarini integratsiya qilish zarur. Talabalar ushbu vositalar orqali vazifalarni taqsimlash, muddatlarni belgilash va natija uchun mas’uliyatni zimmasiga olishni o‘rganadilar. 3. Raqamli o‘z-o‘zini baholash tizimini yo‘lga qo‘yish: Talabalarning jamoaviy ishlaridagi yetakchilik faolligini baholashda "Peer-to-peer" (tengdoshtengdoshni baholashi) usulidan foydalanish tavsiya etiladi. Bu talabalarda adolatli qaror qabul qilish va tanqidiy tahlil qilish salohiyatini oshiradi. Foydalanilgan adabiyotlar ro‘yxati: 1. Роберт И.В. Дидактика в условиях информатизации образования. – Москва: ИИО РАО, 2014. – С. 45-52. 2. Муслимов Н.А. Бўлажак касб таълими ўқитувчиларини касбий шакллантириш. – Т.: Фан, 2004. – 128 б. 3. Аbdurаshidov, А., & Turdаliyevа, N. (2023). Development of mаnuаl work in preschool educаtion. Science аnd innovаtion, 2(B2), 282-286. 4. Turdаliyevа, N.А. (2024). Mаktаbgаchа yoshdаgi bolаlаr ijodiy qobiliyаtlаrni rivojlаntirishning nаzаriy аsoslаri. golden brаin, 2(7), 48-52. 5. Qizi, B.S.O. (2025). Ta’limda innovatsion pedagogik texnologiyalar. Research Focus, 4(8), 32-35. 6. Qizi, B.S.O. (2025). Experimental study of the development of intellectual abilities through play. Research Focus, 4(6), 182-188. 7. Kizi, B.S.O. (2025). Ensuring the intellectual and social development of preschool children based on pedagogical technologies. Research Focus, 4(6), 189-193. CNN, GAN VA TRANSFORMER ARXITEKTURALARIDA TASVIR SIFATINI OSHIRISH ALGORITMLARINI QIYOSIY TAHLILI Odiljonova Rano Dilmurod qizi, UMFT, magistrant, Email:ranonorpulotova@gmail.com, Odiljonov Umidjon Odiljon o‘g‘li, TATU, magistrant, Email:uodiljonov1807@gmail.com Annotatsiya. Ushbu maqolada tasvir sifatini oshirishda qo‘llaniladigan chuqur o‘qitish algoritmlari ‒ SRCNN, ESRGAN, SwinIR va HAT ‒ nazariy va eksperimental jihatdan tahlil qilingan. Transformer asosidagi modellar CNN va GAN usullaridan 1.5–2.5 dB yuqori PSNR ko‘rsatkichiga erishishi, shuningdek tasvir sifatini oldindan oshirish YOLOv8 obyekt aniqlash aniqligini 19% ga yaxshilashi isbotlangan. Kalit so‘zlar: raqamli tasvir, chuqur o‘qitish, super-resolution, shovqin filtratsiyasi, CNN, GAN, Transformer, PSNR, SSIM, SRCNN, ESRGAN, SwinIR, HAT, obyektlarni tanib olish. Аннотация. В данной статье проведён сравнительный анализ алгоритмов повышения качества цифровых изображений на основе глубокого обучения ‒ SRCNN, ESRGAN, SwinIR и HAT. Установлено, что архитектуры на основе Transformer превосходят методы CNN и GAN на 1,5–2,5 дБ по показателю PSNR. Экспериментально подтверждено, что предварительное улучшение изображения повышает точность детектирования объектов YOLOv8 на 19 %. Ключевые слова: цифровое изображение, глубокое обучение, сверхразрешение, фильтрация шумов, свёрточная нейронная сеть, генеративно-состязательная сеть, 672

архитектура Transformer, PSNR, SSIM, SRCNN, ESRGAN, SwinIR, HAT, распознавание объектов. Annotation. This paper presents a comparative analysis of deep learning-based image enhancement algorithms ‒ SRCNN, ESRGAN, SwinIR, and HAT. Transformer-based architectures are shown to outperform CNN and GAN methods by 1.5–2.5 dB in PSNR. It is experimentally confirmed that image pre-enhancement improves YOLOv8 object detection accuracy by 19% under Gaussian noise conditions (σ=30). Keywords: digital image, deep learning, super-resolution, noise filtering, convolutional neural network, generative adversarial network, Transformer architecture, PSNR, SSIM, SRCNN, ESRGAN, SwinIR, HAT, object detection. Kirish. Raqamli tasvir sifatini oshirish ‒ zamonaviy axborot texnologiyalari, tibbiyot, mudofaa, xavfsizlik va avtomobil sanoatining bir-biridan ajralmas tarkibiy qismi bo‘lib, kompyuter ko‘rish tizimlarining ish samaradorligini bevosita belgilaydi. Tasvir sifatining past bo‘lishi nafaqat vizual qabul qilishni, balki mashinaga asoslangan tahlil tizimlarining ‒ neyron tarmoq klassifikatorlari, detektor va segmentatorlarning ‒ aniqlik ko‘rsatkichlarini ham sezilarli kamaytiradi. Kuzatuv kameralari, tibbiy vizualizatsiya qurilmalari, sun'iy yo‘ldosh va dron platformalari kabi har xil manbalardan olinayotgan tasvirlar shovqin, xiralashish, siqish artefaktlari va past rezolyutsiya muammolariga doimiy uchraydi; bu esa tasvir sifatini oshiruvchi algoritmlarni tadqiq etishni dolzarb ilmiy masalaga aylantiradi. Chuqur o‘qitish metodlarining 2012-yildan boshlab kompyuter ko‘rish sohasida qo‘llanilishi tasvirni qayta ishlash paradigmasini tubdan o‘zgartirdi. An'anaviy matematik modellar va qo‘lda ishlab chiqilgan (hand-crafted) filtrlarga asoslangan klassik usullardan farqli ravishda, neyron tarmoq arxitekturalari to‘g‘ridan-to‘g‘ri ma'lumotlardan optimal tiklash funksiyasini o‘rganish qobiliyatiga ega. 2014-yilda Dong va hammuallliflari tomonidan taklif etilgan SRCNN (Super-Resolution Convolutional Neural Network) ushbu sohadagi inqilobiy qadamni amalga oshirdi va keyinchalik ESRGAN, SwinIR, HAT kabi arxitekturalar shakllanishiga zamin hozirladi. Shu kungacha o‘tkazilgan tadqiqotlar shuni ko‘rsatmoqdaki, Transformer asosidagi modellar global diqqat mexanizmi orqali CNN va GAN arxitekturalaridan sezilarli ustunlik qiladi. Ushbu maqolaning maqsadi dissertatsiya rejasida belgilangan to‘rtta asosiy yo‘nalishni — raqamli tasvir nazariy asoslarini, tasvirda obyektlarni aniqlashda sifatni oshirish zaruriyatini, klassik va chuqur o‘qitishga asoslangan usullarni qiyosiy tahlilini hamda eksperimental tadqiqot natijalarini — maqola formatida yaxlit ilmiy matn sifatida yoritishdan iborat. Tadqiqotning ilmiy yangiligi shundaki: turli degradatsiya sharoitlarida (shovqin, xiralashish, past o‘lcham) CNN, GAN va Transformer asosidagi arxitekturalarning keng qamrovli qiyosiy baholash o‘tkazildi va mazkur usullarning obyektlarni tanib olish aniqligiga ta'siri tajribaviy jihatdan isbotlandi. Raqamli tasvir I(x, y) ko‘rinishidagi diskret funksiya sifatida ifodalanib, har bir (x, y) koordinatali nuqta — piksel — yorug‘lik intensivligining miqdoriy qiymatini aks ettiradi. Kulrang tonli (grayscale) tasvirlarda piksel qiymatlari 0 dan 255 gacha (8-bitli kodlashda) bo‘lgan butun sonlar vektori bilan, rangli RGB 673

tasvirlarda esa I(x, y) = [R(x,y), G(x,y), B(x,y)] ko‘rinishida uch kanal bilan ifodalanadi. Tasvirning umumiy axborot hajmi W×H×k bitga teng bo‘lib, bu yerda W — kengligi, H — balandligi, k — kanal soni va rang chuqurligi kombinatsiyasidir. Zamonaviy tibbiy MRI qurilmalari 512×512×128 vokseldan iborat uch o‘lchovli tasvirlar hosil qilishi, to‘g‘ri siqish va sifatni oshirish algoritmlarini muhim amaliy masalaga aylantirishini ko‘rsatadi. Raqamli tasvir hosil qilish jarayoni bir necha fizik-texnik bosqichlarni qamrab oladi. Birinchi bosqich — optik proyeksiya: linzalar tizimi yoki qiziqish ko‘zgulari yordamida uch o‘lchovli dunyoning ikkio‘lchovli proyeksiyasi hosil qilinadi. Ikkinchi bosqich — namuna olish (sampling): fotodetektorlar massivi (CCD — Charge Coupled Device yoki CMOS — Complementary Metal Oxide Semiconductor sensor) davomiy optik signalni diskret makoniy qiymatlarga aylantiradi. Uchinchi bosqich — kvantlash (quantization): analog elektr signali analog-raqamli konverter orqali cheklangan to‘plamdan piksel qiymatlariga aylantiriladi; bu jarayonda kvantlash shovqini kiritiladi. Tibbiy vizualizatsiyada ushbu bosqichlarga qo‘shimcha fizik cheklovlar — magnit maydon kuchi (MRI uchun), rentgen doza miqdori (CT va rentgen uchun), tovush to‘lqinlari chastotasi (ultratovush uchun) — ta'sir ko‘rsatib, tasvirning boshlang‘ich sifatini belgilaydi. Har bir bosqichda sodir bo‘ladigan axborot yo‘qolishi va shovqin kiritilishi keyinchalik tasvir sifatini oshirish algoritmlari hal qilishi lozim bo‘lgan muammolarning asosini tashkil etadi. Tasvir sifatini miqdoriy baholash uchun quyidagi obyektiv me'zonlar qo‘llaniladi. PSNR (Peak Signal-to-Noise Ratio) logarifmik shkalada ifodalanadi: PSNR = 10 · log₁₀ (MAX² / MSE) [dB] bu yerda MAX=255 (8-bitli tasvirlarda), MSE — o‘rtacha kvadrat xatolik. 30 dB dan yuqori PSNR yaxshi sifatni, 40 dB dan yuqori esa a'lo sifatni anglatadi. SSIM (Structural Similarity Index) inson vizual tizimining xususiyatlariga — yorug‘lik idrokiga — moslashtirilgan va [0,1] oralig‘idagi qiymat beradi: SSIM(x,y) = [l(x,y)]^α · [c(x,y)]^β · [s(x,y)]^γ, bu yerda l, c, s — mos ravishda yorug‘lik, kontrast va tarkib komponentlari. LPIPS (Learned Perceptual Image Patch Similarity) oldindan o‘qitilgan neyron tarmoq xususiyatlariga asoslanib, insonning perseptual idrokiga yanada yaqin baholash beradi; u ayniqsa GAN tomonidan yaratilgan tasvirlarni baholashda muhim. NIQE (Natural Image Quality Evaluator) esa asl (reference) tasvir talab qilmay, tasvir statistik tabiiy ko‘rinishga qanchalik mos kelishini baholaydi. Raqamli tasvirga ishlov berish usullari ikkita asosiy paradigmaga bo‘linadi: fazoviy usullar bevosita piksel qiymatlari ustida — konvolyutsiya, morfologik operatsiyalar, gistogramma tenglashtirish — operatsiyalar bajarsa, chastota usullari Furye yoki Wavelet almashtirmalari orqali tasvir chastota tarkibini o‘zgartiradi. Fazoviy filtrlash operatsiyasi I_out(x,y) = Σ h(m,n) · I(x−m, y−n) tenglama bilan ifodalanib, h(m,n) — filtrlash yadrosidir; bu ifodat konvolyutsion neyron tarmoqlarning matematik asosini ham tashkil etadi. 674

Morfologik operatsiyalar — eroziya, kengaytirish, ochish, yopish — shakl va tuzilmani tahlil qilish uchun ishlatiladi. Wiener filtri chastota domenida Bayesian optimal yondashuv asosida shovqinni yo‘qotadi: H_W(u,v) = H*(u,v) / (|H(u,v)|² + S_n(u,v)/S_x(u,v)), bu yerda S_n va S_x mos ravishda shovqin va signal spektral quvvat zichliklari. An'anaviy BM3D (Block-Matching and 3D Filtering) algoritmi o‘xshash bloklarni guruhlash va 3D Fourier almashtirmasi orqali chuqur o‘qitishgacha eng samarali shovqin yo‘qotish usuli sifatida tan olingan edi. Tasvirda obyektlarni aniqlash (Object Detection) masalasi kompyuter ko‘rish sohasining eng muhim va ko‘p qo‘llaniladigan yo‘nalishlaridan biri hisoblanib, berilgan tasvirda obyektlarning sinflari va koordinatalarini aniqlay olish qobiliyatini anglatadi. Zamonaviy detektor arxitekturalari ikki asosiy guruhga bo‘linadi: ikki bosqichli (Two-Stage) detektorlar — R-CNN, Fast R-CNN, Faster R-CNN — dastlab mintaqaviy takliflar (region proposals) hosil qilib, keyin sinflashtiradi; bir bosqichli (One-Stage) detektorlar — YOLO, SSD, RetinaNet — esa to‘g‘ridan-to‘g‘ri tasvirdan obyektlarni aniqlaydi. YOLOv8 va RT-DETR kabi so‘nggi arxitekturalar 640×640 o‘lchamli tasvirda 100+ FPS tezlik va COCO ma'lumotlar to‘plamida 50%+ mAP@0.5 ko‘rsatkichiga erishib, amaliy tizimlarda keng qo‘llanilmoqda. Tasvir sifatining past bo‘lishi detektor ishlash samaradorligini to‘g‘ridanto‘g‘ri kamaytiradi. Tadqiqotlar shuni ko‘rsatadiki, σ=30 darajasidagi Gaussian shovqin YOLOv8 ning mAP@0.5 ko‘rsatkichini 45% ga kamaytiradi; ×4 past o‘lcham (low-resolution) esa 38% ga pasaytiradi. Bundan tashqari, JPEG siqishning q=20 sifat omili bilan qo‘llanilishi 22% kamayishga olib keladi. Shu sababli tasvirni detektorga uzatishdan oldin sifatini oshirish — pre-processing bosqichi — amaliy tizimlarning samaradorligini sezilarli oshirishi mumkin. Ushbu integratsiyaning uchta paradigmasi mavjud: ketma-ket yondashuv (Sequential) — avval sifat oshiriladi, keyin detektor ishga tushiriladi; birgalikda o‘qitish (Joint Training) — ikki modul birgalikda optimallashtiriladi; diqqatni yo‘naltiruvchi yondashuv (Attention-guided) — detektor obyekt joylashgan hududlarda sifatni oshirishni ustunlik beradi. 1-rasm. Shovqin darajasiga qarab YOLOv8 aniqlash aniqligining o‘zgarishi — tasvir sifatini oshirishning ta'siri Grafikdan ko‘rinib turibdiki, shovqin darajasi σ=30 bo‘lganda SwinIR bilan ishlangan tasvirlarda YOLOv8 ning mAP ko‘rsatkichi 64.8% ni tashkil etdi — 675

sifat oshirilmagan holat (45.8%) ga nisbatan 19.0 foiz yuqori. Bu natija tasvir sifatini oshirishning obyektni tanib olish aniqligiga bevosita ijobiy ta'sir qilishini miqdoriy jihatdan isbotlaydi. Degradatsiya jarayonining matematik modeli quyidagicha ifodalanadi: y = (x ⊗ k)↓s + n, bu yerda x — asl tasvir, k — xiralashish yadrosu (blur kernel), ↓s — s omilli past o‘lchov operatsiyasi, n — qo‘shiluvchi shovqin. Ushbu tenglamani teskari hal etish — ill-posed (yaxshi qo‘yilmagan) muammo — regularizatsiya texnikalarini talab qiladi va chuqur o‘qitish bu jarayonni ma'lumotlardan o‘rganish orqali hal etishga muvaffaq bo‘lgan. Tasvir sifatini pasaytiruvchi omillarni to‘rtta asosiy kategoriyaga ajratish mumkin. Birinchi kategoriya — shovqin: CCD/CMOS sensorlarining termal shovqini Gaussian taqsimotiga ega (additive white Gaussian noise, AWGN); past yorug‘lik sharoitida Poisson shovqini dominant bo‘ladi; analog-raqamli konverter kvantlash shovqini ham qo‘shiladi. Ikkinchi kategoriya — xiralashish: kamerani noto‘g‘ri fokuslash tufayli defocus blur, tasvirga olish paytidagi harakat tufayli motion blur yuzaga keladi; ular Gaussian yoki chiziqli blur yadrosu bilan modellanadi. Uchinchi kategoriya — siqish artefaktlari: JPEG siqish algoritmi DCT koeffitsientlarini kvantlash natijasida bloklarga bo‘lish artefaktlari (blocking artifacts) hosil qiladi; kuchli siqishda (JPEG q<30) bu artefaktlar keyingi tahlilni sezilarli qiyinlashtiradi. To‘rtinchi kategoriya — past rezolyutsiya: kamera sensori yoki uzatish kanali cheklovlari tufayli yuzaga keladigan past o‘lchamli tasvir, aliazing va detallar yo‘qolishiga olib keladi. Tasvir sifatini oshirish (Image Enhancement va Image Restoration) tushunchalari o‘zaro bog‘liq, ammo farqli maqsadlarga xizmat qiluvchi sohalardur. Image Enhancement subjektiv vizual idrokni yaxshilashga qaratilgan bo‘lsa — kontrastni kuchaytirish, keskinlashtirish (sharpening), rang korreksiyasi — Image Restoration matematik optimal tiklashni obyektiv me'zonlar (PSNR, SSIM) bilan baholaydi. Super-Resolution (SR) — past o‘lchamli tasvirdan yuqori o‘lchamli tasvirni tiklash — chuqur o‘qitish bilan eng yirik natijalarga erishilgan yo‘nalish. Ushbu muammo matematikası P(x|y) — degradatsiyalangan y tasvir berilganda asl x tasvirning shart bo‘yicha ehtimolligini — bevosita ma'lumotlardan o‘rganish vazifasiga tenglashtiriladi. Klassik usullar matematik model va qo‘lda ishlab chiqilgan xususiyatlarga (hand-crafted features) tayanadi. Bicubic interpolatsiya — eng keng tarqalgan o‘lcham oshirish usuli — atrofdagi 16 ta piksel asosida yangi piksel qiymatlarini hisoblaydi va oddiy hamda tezkor bo‘lsa-da, yuqori chastota tafsilotlarini (maydagina detallar, qirralar) yo‘qotadi. Wiener filtri chastota domenida optimal eng kichik kvadrat xatolik (MMSE) asosida ishlaydi, ammo shovqin va xiralashishning dastlabki baholash (prior knowledge) talab qilishi uning amaliy qo‘llanilishini cheklaydi. BM3D algoritmi o‘xshash bloklarni uchta o‘lchamda (3D) guruhlash va birgalikda Fourier almashtirmasi yordamida shovqinni yo‘qotib, klassik usullar ichida eng yuqori PSNR ko‘rsatkichiga erishgan. Biroq uning sekin ishlashi (σ=25 uchun ~8 s/tasvir) real vaqt rejimidagi ilovalar uchun qulay emas. 676

1-jadval Klassik va chuqur o‘qitishga asoslangan usullarning qiyosiy tavsifi Mezon Bicubic/Klasik CNN asosida GAN asosida Transformer PSNR (Set5, ×4) 28.78 dB 30.5–31.4 dB 31.0–32.1 dB 32.9–33.0 dB SSIM 0.830 0.863–0.884 0.895–0.909 0.913–0.915 Tezlik (FPS) — (tez) 18–24 FPS 3.8–4.1 FPS 1.2–2.7 FPS Perseptual sifat Past O‘rta Yuqori Juda yuqori O‘qitish zarur Yo‘q Ha Ha (GAN) Ha Amaliy moslashuv Cheklangan O‘rta Yuqori Yuqori Chuqur o‘qitishga asoslangan super-resolution algoritmlarining rivojlanishi 2014-yildan boshlanib, jadal sur'atda davom etmoqda. SRCNN (Super-Resolution CNN) ushbu sohadagi birinchi muvaffaqiyatli neyron tarmoq yondashuvi bo‘lib, uch qatlamli sodda arxitekturani qo‘lladi: 9×9 filtrli xususiyat ajratish → 1×1 filtrli nolinearlik → 5×5 filtrli rekonstruksiya. Jami 57K parametr bilan SRCNN Set5 da 30.48 dB PSNR — Bicubic usulidan 1.70 dB yuqori — ko‘rsatkichiga erishdi. VDSR (Very Deep Super Resolution) 20 qatlamli o‘ta chuqur arxitektura va global residual ulanish (global skip connection) orqali gradiyent yo‘qolishi (vanishing gradient) muammosini hal etib, SRCNN dan 0.87 dB yuqori natija ko‘rsatdi; bunda to‘rtta kattalashtirish koeffitsienti (×2, ×3, ×4) uchun birgina model qo‘llanildi. ESRGAN (Enhanced Super-Resolution Generative Adversarial Network) arxitekturasi ikkita asosiy yangilikni kiritdi. Birinchi yangilik — RRDB (Residualin-Residual Dense Block): har bir blok ichida uch qatlamli zich (dense) ulanishlar va tashqi residual ulanish kombinatsiyasi orqali juda chuqur xususiyatlarni ajratib olish imkonini berdi. Ikkinchi yangilik — Relativistic Discriminator: an'anaviy GAN da discriminator faqat kiritilgan tasvirning haqiqiyligi haqida qaror qilsa, ESRGAN da u haqiqiy tasvirning sun'iy yaratilgandan ko‘ra «haqiqiyroq» ekanligini baholaydi. Yo‘qotish funksiyasi uchta komponentdan iborat: L = λ_per·L_per + λ_adv·L_adv + λ₁·L₁, bu yerda L_per — VGG tarmoq xususiyatlar maydonidagi perseptual yo‘qotish. Ushbu kombinatsiya PSNR va perseptual sifat o‘rtasida muvozanatni ta'minlab, Set5 da 31.02 dB PSNR va 0.8952 SSIM ga erishdi. 2-rasm. ESRGAN arxitekturasi: ma'lumot oqimi va residual (skip) ulanish sxemasi 677

Real-ESRGAN ESRGAN ning amaliy (haqiqiy dunyo) sharoitlari uchun kengaytirilgan versiyasi bo‘lib, uning asosiy yangiligi yuqori darajali degradatsiya modeli (high-order degradation pipeline)dir. O‘qitish ma'lumotlari tayyorlashda Gaussian va Poisson shovqin, JPEG artefaktlari, harakat va defocus xiralashuvi kombinatsiyasi sintetik ravishda hosil qilinadi — bu modelni haqiqiy hayotdagi tasvirlarga moslashtirilgan qiladi. U-Net asosidagi discriminator arxitekturasi yarim o‘lchamli feedback signallari bilan real tuqimalar (real textures) sifatini oshirdi. Amaliy sinovlarda eski fotosuratlar, kuzatuv kamerasi tasvirlari va internet resimlari ustida Real-ESRGAN barcha GAN-asosidagi usullardan perseptual sifat bo‘yicha ustunlik qildi. SwinIR (Swin Transformer for Image Restoration) Swin Transformer arxitekturasini tasvirni tiklashga birinchi marta muvaffaqiyatli tatbiq etdi. Uning asosiy komponenti RSTB (Residual Swin Transformer Block) bo‘lib, har bir blok ichida W-MSA (Window-based Multi-Head Self-Attention) va SW-MSA (Shifted Window MSA) navbatma-navbat qo‘llaniladi. W-MSA lokal W×W pencere ichidagi global diqqatni hisoblaydi; SW-MSA esa qo‘shni penceralar o‘rtasida ma'lumot almashinuvini ta'minlab, samarali global kontekstni hosil qiladi. Hisoblash murakkabligi O(N²) dan O(N·W²) ga kamayishi katta o‘lchamli tasvirlarda ham samarali ishlashga imkon beradi. SwinIR Set5 da 32.94 dB PSNR — ESRGAN dan 1.92 dB, Bicubic dan 4.16 dB yuqori — ko‘rsatkichiga erishdi. HAT (Hybrid Attention Transformer) arxitekturasi 2023-yilda kiritilgan bo‘lib, window attention, channel attention va overlapping cross-window attention mexanizmlarini birlashtirib yuqori darajali kontekstual o‘rganishni ta'minlaydi. HAT ning «activating more pixels» (ko‘proq piksellarni faollashtirish) strategiyasi modalni yanada kengroq makon oralig‘idagi bog‘liqliklarni o‘rganishga undaydi. NTIRE 2022 super-resolution musobaqasida barcha asosiy ko‘rsatkichlar bo‘yicha birinchi o‘rinni egallagan HAT Set5 da 33.04 dB PSNR va 0.9147 SSIM — barcha mavjud usullar ichida eng yuqori natijalar — ga erishdi. 3-rasm. Uch ma'lumotlar to‘plamida ×4 super-resolution PSNR natijalari: usullarning rivojlanish dinamikasi Eksperimental tadqiqot NVIDIA RTX 3090 (24 GB VRAM) grafik protsessor, Intel Core i9-12900K (16 yadro, 3.2–5.2 GHz) protsessor va 64 GB DDR5 RAM dan iborat hisoblash muhitida o‘tkazildi. Dasturiy muhit sifatida Python 3.10, PyTorch 2.0.1, CUDA 11.8 va cuDNN 8.7 versiyalari qo‘llanildi. 678