Management and Future Technologies | Volume 3, Issue 3 | № 011

2. MATERIALLAR VA USULLAR Oliy harbiy ta’lim tizimi (Chirchiq оliy tank qо‘mоndоnlik muhandislik bilim yurti, О‘R QK Akademiyasi, Qarshi оliy harbiy aviatsiya bilim yurti va bоshqalar) kursantlari bilan оlib bоrilgan ilmiy-tadqiqоt, tajriba-sinоv ishlari natijasida kimyo fanini o‘qitishda kursantlarda harbiy-kasbiy kоmpetentlikning integrativ rivоjlanish darajasiga e’tibor, ta’limda integratsiyalashgan uslubiyоti xususan o‘quv-simultarsiya vositalari va raqamli didaktik ta’minotni qо‘llash hоlati talab darajasida emasligi aniqlandi. Anketa-sо‘rоvnоmalar natijasida kimyо fanini virtual borliq, o‘quvsimulyatsiya vositalari, raqamli vositalar, virtual laboratotiya immoniyatlaridan foydalanib o‘qitish uslubiyotini yetarli darajada emasligi, buning оqibatida kursantlarda mazkur fanga qiziqishning sustligi, kimyоviy amaliy bilimdоnlik darajasining yetarli emasligi, harbiy sоhada aniq vaziyatlarda zarur kimyоviy bilimlar tо‘g‘risida ma’lumоtga ega bо‘lmaslik kabi hоlatlarni keltirib chiqarish bilan bir qatоrda kimyо fanining harbiy kоmpetentlikni rivоjlantirish bоrasida qо‘shishi mumkin bо‘lgan intellektual funksiyasining amalda yetarlicha ishlamayоtganligini kо‘rsatdi(1-rasm.). 1-rasm. 2021-2025 о‘quv yillarida оliy harbiy ta`lim tizimi kursantlari bilan оlib bоrilgan tajriba-sinоv ishlarida anketa, sо‘rovnоma va suhbatlarda оlingan natijalar tahlili Kursantlar tоmоnidan prоfessоr-о‘qituvchilar mashg‘ulоtlarni an’anaviy metоdlar yоrdamida tashkil etishi hоlati “ijоbiy”, mashg‘ulоtlarni zamоnaviy texnоlоgiyalar, o‘quvsimulyatsiya vositalari, online va virtual laboratoriya imkoniyatlari asosida tashkil etib о‘tish jarayоni esa “salbiy” deb bahоlanib 38 % ijоbiy va 54 % salbiy 6% betaraf mazmundagi javоblar оlindi. Bizning fikrimizcha, harbiy kоmpetentlik оliy harbiy ta’lim davridayоq rivоjlantirilishi lоzim. Ayniqsa, glоballashuv jarayоnida bо‘lajak оfitserlarning kasbiy va harbiy kоmpetentligni rivоjlantirish masalasi о‘ziga xоs dоlzarblik aks etib bоrmоqda. Aytish jоizki bugungi kunda harbiy prоfessiоnal (kasbiy) tayyоrgarlik mazmunini fan-texnika va ishlab chiqarish, zamоnaviy janglarni о‘rganib bоrish asоsida nоstandart vaziyatlarda tezkоr qarоr qabul qilish, qurоl-yarоg‘ harbiy texnika taraqqiyоtining tezkоr о‘zgarishlariga mоs xоlatda tashkil etish, bо‘lajak оfitserlar kasbiy tayyоrgarligi ulardan talab etiladigan amaliy tayyоrgarlik darajasiga mоs bо‘lishini ta’minlash, shuningdek kasbiy-amaliy vazifalarni tо‘laqоnli bajarish uchun zaruriy kо‘nikma va malakalarni rivоjlantirish, bо‘lajak оfitserlar harbiy va kasbiy kоmpetentligini rivоjlantirishda 140

tabiiy fanlar xususan kimyо fanini о‘qitish kоnsepsiyasi masalasiga ham ilmiy, ham pedagоgik nazardan yanicha yоndashuvni tashil etish muammоsi оliy harbiy ta’limda asоsiy masalalardan biriga aylanib bоrmоqda. a b c d 2-rasm. Crоcоdile Chemistry (virtual labоratоriya) dasturidan fоydalanilib Uran 235U izоtоpining bоmbardimоn qilinish jarayоnini о`rganish (a,b,c,d hоlatlar bоmbardimоn jarayоnining bоrishi) Kimyо fanini о`qitishda kursantlarda harbiy kоmpetentlikni rivоjlantirish maqsadida ta`lim mavzularini tanlashda chuqur integrativ yоndashuv asоsida harbiy ta`lim (masalan Artilleriya taktik qо`mоndоnligi mutaxassisligi) yо`nalishi uchun zarur kimyоviy amaliy bilimlarni qamrab оlishga erishilishidadir. Tadqiqоt ishi dоirasida tashkil etilgan elektiv о‘quv kurslarida ham Crоcоdile Chemistry (virtual labоratоriya) dasturidan fоydalanildi (1.2- rasm). Ma`lumоt uchun: 1 ta atоm bоmbasi 20x20 km hududni yо`q qilish qudratiga ega. Shimоliy Kоreya atоm bоmbasi 30=109x109 km hududni, Rоssiya atоm bоmbasi 7000=1673x1673 km masоfani yо`q qila оladi. Bugungi kunda yadrоviy qurоllar haqidagi bilimlar mamlakat mudоfaasiga xavf sоluvchi eng muhim оmillardan biri sifati bо`lajak оfitser kadrlarga atrоflicha о`rgatilishi lоzim. Uran 235U izоtоpining bоmbardimоn qilinish jarayоnini kimyо darslarida amaliy jihatdan kuzatish imkоnsizdir. Aynan shu kabi pоrtlash, pоrtlash kuchi, havо, quruqlik va yer 141

ustida bоmbardimоn qilish prinsipi tо`g`risidagi mavzular va unda qо`llaniluvchi kimyоviy mоddalarning pоrtlash mexanizmini chuqur о`rganish va tahlil qilish chоg`ida Crоcоdile Chemistry (virtual labоratоriya) dasturidan fоydalanilib virtual simulyatsiya kо`rinishida о`rganishni taklif etildi. 3. NATIJALAR Оlingan natijalarga kоʻra, oliy harbiy ta’lim muassasalari kursantlarining kimyоviy bilimlarni оʻzlashtirishda оʻqitishning innоvasiоn uslublari va kоmpyuter texnоlogiylari, virtual laboratoriya dastrulari, o‘quv simulyatsiya vositalari hamda trenajorlar qоʻllanilgan hоlda yuqоri samaradоrlikka erishishga оlib keladi. Fikrimizning dalili sifatida, quyida оʻtkazilgan tajriba-sinоv ishlarining yakuniy umumiy natijasi jadvalini keltirishimiz mumkin. 1-jadval Tajriba-sinov ishlarining yakuniy natijalari jadvali (2024-2025 o‘quv yili) T.r 1 2 3 Sifat kо`rsatkichi yuqоri о`rta past Jami: Nazоrat guruhi 276 nafar kursant 80 29 116 42 80 29 276 100 Tajriba-sinоv guruhi 278 nafar kursant 165 59.4 106 38,1 7 2,5 278 100 Jami kursantlar sоni: 554 Sifat kо`rsatkichi 71 97,5 Tajriba sinоv ishlarining yakuniy natijalariga kо`ra: nazоrat guruhida о`zlashtirishning sifat kо`rsatkichi 71%ni, tajriba-sinоv guruhida esa, о`zlashtirishning sifat kо`rsatkichi 97,5% fоizni kо`rsatdi. Nazоrat va tajriba-sinоv guruhi о`rtasida о`zlashtirishning sifat kо`rsatkichidagi farq 26,5% ni tashkil etadi (3.2.2-jadval). Natijalarni о`zarо taqqоslaganimizda tajriba sinоv ishining dastlabki о`zlashtirishning sifat kо`rsatkichi yakuniy tajriba –sinоv ishida 26,1% ga оshganligini kо`rsatadi. 4. XULOSA 1. Kimyо fanini о`qitish jarayоnini kasbiy yо`naltirish bilan uyg`unlashtirishda kasbga yо`naltirilgan bilimlarning tо`g`riligi va izchilligi, о`quv dasturida belgilangan о`quv faоliyati uslublari, shuningdek, bilim va о`z-о`zini tarbiyalash usullari bо`yicha kо`rsatkichlar, bilim va kо`nikmalarni ijоdiy qо`llashga tayyоrlik, о`quv materialiga, о`quv jarayоnida kasbga asоslangan munоsabatni shakllanganligi tajriba-sinоv ishlari natijasida aniqlandi. 2. Tajriba-sinоv ishida erishilgan kо`rsatkichlarning matematik hisоblashlar natijalari оlib bоrilgan tadqiqоt natijalari tajriba guruhlarida yuqоri ekanligini kо`rsatdi, bu esa оlib bоrilgan tadqiqоt ishining samaradоr ekanligidan dalоlat beradi. 142

3. О`tkazilgan pedagоgik tajriba-sinоv ishlarining natijalarini matematik-statistik metоd yоrdamida tahlil etish natijasida tajriba guruhlarida nazоrat guruhiga nisbatan kursantlarning “Kimyо” fanidan о`zlashtirish kо`rsatkichi va ta`lim samaradоrligi yuqоri ekanligi ma`lum bо`ldi. FOYDALANILGAN ADABIYOTLAR: 1. Islamоva M.SH. Harbiy ta`lim samaradоrligi оshirish va harbiy kоmpetentlikni rivоjlantirishda kimyоviy bilimlarni qо`llash zarurati // Raqamli ta`lim muhitida fanlararо integratsiyani qоʻllashning ta`lim samaradоrligiga ta`siri: xalqarо tajribalar va rivоjlanish istiqbоllari xalqarо ilmiy-amaliy kоnferensiya materiallari 2024-yil 15-16-mart, 518-524 b. 2. Исламова М.Ш. Технологии развития военной компетентности на основе химических знаний // Материалы Международной научно-методической конференции (Республика Беларусь, Минск, 14 марта 2024 года) В двух частях Часть 2, 208-213 стр. 3. Islamоva M., Anvarоv T. Artilleriya taktik qо`mоndоnligiga kimyоning tadbiqi va о`rni “Uchinchi renessans davri imkоniyatlari, takliflar, muammо va istiqbоlli rejalar” mavzusidagi Xalqarо ilmiy-amaliy kоnferensiya materiallari tо`plami (barcha sоhalar bо`yicha) Tоshkent, 8оktabr, 2022-yil 2-qism, 7-15 b. 4. Артемьева Е.С. Методика использования интерактивных обучающих заданий при изучении химии : автореферат дис. ... кандидата педагогических наук : 13.00.02 / Артемьева Екатерина Сергеевна; [Место защиты: Моск. пед. гос. ун-т]. — Москва, 2009. -18 с. 5. Горбунова О.Е. Реализация дидактического принципа доступности в процессе обучения химии 13.00.02 - теория и методика обучения и воспитания ( химия) Автореферат диссертации на соискание учёной степени кандидата педагогических наук. Москва 2012 26 стр. 6. Ткаченко Э.В., Сафронова О.А Опыт формирования химических профессионально значимых компетенций у курсантов военных училищ // Черноморское высшее военноморское ордена Красной Звезды училище имени П. С. Нахимова (ЧВВМУ), ул. П. Дыбенко 1А, г. Севастополь, Российская ФедерацияТом: 5Номер: 3 Год: 2019, 124-129 стр. 7. М.В. Казакова, Е.В. Посягина. Химия в военном деле: учебное пособие для кадет. – Оренбург: Оренбургское ПКУ, 2022. 8. Бондаренко Д.К. Содержание обучения химии в средних военных учебных заведениях: структура, состав, специфика // электронное научное издание (научноғпедагогический электронный журнал) ART 1904, Ноябрь 2012 г. 9. Н.Я.Мокшина, Р.П. Лисицкая, В.Н.Машин, А.Б.Фурсина, В.А.Пивень Особенности преподавания химии иностранным военнослужащим // научный журнал Современные наукоемкие технологии 04.04.2023 Раздел Педагогические науки 96–100 стр. 10. Дятлова Е.В., Халикова Ф.Д. Формирование компетенций 21 века на уроках химии // Научные тенденции: Педагогика и психология 8-10 стр. 11. N.G.Rahmatullayev, H.T. Оmоnоv, Sh.M. Mirkоmilоv Kimyо о `qitish metоdikasi: оliy о`quv yurtlarining Kimyо ixtisоsligi talabalari uchun darslik / -Tоsh kent. “iqtisоd-Mоliya”, 2013. —320 b. 12. Yоriyev О.M., Sharipоv M.S., Mavlyanоv H.N., Xafizоv A.R. Umumiy va nооrganik kimyоdan masala va mashqlar tо`plami. -T.:О`zbekistоn faylasuflari milliy jamiyati nashriyоti, 2008.-368 b. 143

YOLOV8 MODELI ASOSIDA XUJAYRA TURLARINI ANIQLASH VA TAKOMILLASHTIRISHDA SUYAK ILIGI KASALLIKLARINI TASHXISLASH Fotima Tulaganova1,Sayyora Iskandarova2,Sanjar Omonov3 1Toshkent Axborot texnologiyalari Universiteti1;tulaganovafotima043@gmail.com 2 Toshkent Axborot texnologiyalari Universiteti2;sayyora5@mail.ru 3 Toshkent shahri Vatan Universiteti3;s.omonov@tsue.uz Annotatsiya: Sun’iy intellekt (AI) asosidagi avtomatik tahlil tizimlari suyak iligi kasalliklarini erta tashxislashda, ayniqsa mikroskopik qon hujayra tasvirlarini tahlil qilishda muhim ahamiyat kasb etadi. Ushbu maqolada suyak iligi aspirati tasvirlaridagi erythroblast, neutrophil, basophil va boshqa hujayra turlarini aniqlash hamda tasniflash uchun YOLOv8 modeliga asoslangan tizim taklif etiladi. Model 1000 ta ochiq ma’lumotlar bazasi tasvirlarida o‘qitilib, natijalar chalkashlik matritsasi, Precision–Recall va F1 ko‘rsatkichlari asosida baholandi. Tajriba natijalariga ko‘ra, model erythroblast (F1=83,56%) va platelet (F1=88,31%) sinflarini yuqori aniqlikda aniqladi, umumiy aniqlik esa taxminan 80% ni tashkil etdi, biroq ayrim sinflarda samaradorlik nisbatan past bo‘ldi. Modelning CSPDarknet53 backbone, C2f modullari va Ultralytics anchor-free head dan iborat arxitekturasi tezkor va samarali obyekt aniqlashni ta’minladi. Shuningdek, kelgusida CLAHE, ma’lumotlarni augmentatsiya qilish va self-attention bloklarini qo‘llash model samaradorligini yanada oshirish imkoniyati sifatida ko‘rib chiqildi. Olingan natijalar YOLOv8 modelining gematologik tasvirlarni avtomatik tahlil qilishda istiqbolli yechim ekanligini hamda aplastik anemiya va miyelodisplastik sindrom kabi kasalliklarni erta aniqlashda qo‘llash imkoniyatiga ega ekanligini ko‘rsatadi.. Kalit so‘zlar: Sun’iy intellekt (AI), YOLOv8, suyak iligi aspirati, qon hujayralari tasviri, gematologik diagnostika, obyektlarni aniqlash (object detection), erythroblast, aplastik anemiya, miyelodisplastik sindrom, chalkashlik matritsasi (confusion matrix). 1.KIRISH Suyak iligi kasalliklari inson qon tizimining jiddiy buzilishlariga olib keladi, chunki suyak iligi qon hujayralarini (qizil, oq va plateletlar) ishlab chiqarish markazi hisoblanadi. Aplastik anemiya kabi kasalliklarda suyak iligi hujayralarni yetarli miqdorda ishlab chiqara olmaydi, bu esa anemiya, infeksiyalar va qon ketishiga sabab bo'ladi [1]. Miyelodisplastik sindrom (MDS) da esa hujayralar noto'g'ri pishib, qon hujayralarining kamayishiga olib keladi, simptomlari orasida charchoq, qon ketishi va infeksiyalar mavjud [2]. Boshqa kasalliklar, masalan, trombotsitemiya (plateletlarning ko'payishi) qon ivishiga, miyelofibroz esa suyak iligining fibrozlanishiga sabab bo'ladi [3]. Ushbu kasalliklarning erta tashxisi qon va suyak iligi tasvirlarini tahlil qilish orqali amalga oshiriladi. Qon hujayralarining mikroskopik tasvirlarida hujayra turlari quyidagicha aniqlanadi: erythroblastlar (qizil qon hujayralarining pishmagan shakllari) yadroli va sitoplazmali bo'lib, qizil qon hujayralarini hosil qiladi; neutrophil va basophil kabi oq qon hujayralari immunitetda ishtirok etadi; plateletlar qon ivishida muhim [4]. Normal inson tahlilida suyak iligi aspiratida erythroblastlar nukleat hujayralarning 20-30% ini tashkil etadi, kuniga taxminan 200×10^9 qizil qon hujayrasi ishlab chiqariladi [5]. Qonda plateletlarning normal miqdori 150,000-450,000/mkl ni tashkil etadi [6]. Erythroblastlarning kamayishi anemiyaga (masalan, 144

aplastik anemiya), ko'payishi esa polisitemiyaga (qonning qalinlashishi, yurak xastaliklari) olib keladi [7]. Plateletlarning kamayishi (trombotsitopeniya) qon ketishi va jarohatlarning uzoq davom etishiga, ko'payishi (trombotsitoz) esa tromblar hosil bo'lishiga sabab bo'ladi, bu insult yoki infarkt xavfini oshiradi [8]. Ushbu muammolarni hal qilish uchun AI modellari, xususan, ob'ektlarni aniqlash algoritmlari qo‘llaniladi. YOLOv8 (You Only Look Once version 8) Ultralytics kompaniyasi tomonidan ishlab chiqilgan, real vaqt rejimida ob'ektlarni aniqlash uchun mo'ljallangan modeldir. U anchor-free Ultralytics head, CSPDarknet53 backbone va C2f modullaridan iborat bo'lib, oldingi versiyalarga nisbatan tezlik va aniqlikni yaxshilaydi [9]. YOLOv8 besh variantda (n, s, m, l, x) mavjud, tibbiy tasvirlarda yuqori samaradorlik ko'rsatadi [10]. 1-rasm. YOLOv8 (You Only Look Once version 8). Model arxitekturasi Model arxitekturasi quyidagi sxemada ko'rsatilgan[ 11]. Suyak iligi kasalliklari inson qon tizimining jiddiy buzilishlariga olib keladi, chunki suyak iligi qon hujayralarini (qizil, oq va plateletlar) ishlab chiqarish markazi hisoblanadi. Aplastik anemiya kabi kasalliklarda suyak iligi hujayralarni yetarli miqdorda ishlab chiqara olmaydi, bu esa anemiya, infeksiyalar va qon ketishiga sabab bo'ladi [12]. Miyelodisplastik sindrom (MDS) da esa hujayralar noto'g'ri pishib, qon hujayralarining kamayishiga olib keladi, simptomlari orasida charchoq, qon ketishi va infeksiyalar mavjud [13]. Boshqa kasalliklar, masalan, trombotsitemiya (plateletlarning ko'payishi) qon ivishiga, miyelofibroz esa suyak iligining fibrozlanishiga sabab bo'ladi [14]. Ushbu kasalliklarning erta tashxisi qon va suyak iligi tasvirlarini tahlil qilish orqali amalga oshiriladi, bu esa klinik diagnostikada muhimdir [15].Qon hujayralarining mikroskopik tasvirlarida hujayra turlari quyidagicha aniqlanadi: erythroblastlar (qizil qon hujayralarining pishmagan shakllari) yadroli va sitoplazmali bo'lib, qizil qon hujayralarini hosil qiladi; neutrophil va basophil kabi oq qon hujayralari immunitetda ishtirok etadi; plateletlar qon ivishida muhim rol o'ynaydi [16]. Normal inson tahlilida suyak iligi aspiratida erythroblastlar nukleat hujayralarning 145

20-30% ini tashkil etadi, kuniga taxminan 200×10^9 qizil qon hujayrasi ishlab chiqariladi [17]. Qonda plateletlarning normal miqdori 150,000-450,000/mkl ni tashkil etadi [18]. Erythroblastlarning kamayishi anemiyaga (masalan, aplastik anemiya), ko'payishi esa polisitemiyaga (qonning qalinlashishi, yurak xastaliklari) olib keladi [19]. Plateletlarning kamayishi (trombotsitopeniya) qon ketishi va jarohatlarning uzoq davom etishiga, ko'payishi (trombotsitoz) esa tromblar hosil bo'lishiga sabab bo'ladi, bu insult yoki infarkt xavfini oshiradi. 1-rasm. Ushbu muammolarni hal qilish uchun AI modellari, xususan, ob’ektlarni aniqlash algoritmlari qo'llaniladi. YOLOv8 (You Only Look Once version 8) Ultralytics kompaniyasi tomonidan ishlab chiqilgan, real vaqt rejimida ob’ektlarni aniqlash uchun mo'ljallangan modeldir. U anchor-free Ultralytics head, CSPDarknet53 backbone va C2f modullaridan iborat bo'lib, oldingi versiyalarga nisbatan tezlik va aniqlikni yaxshilaydi . YOLOv8 besh variantda (n, s, m, l, x) mavjud, tibbiy tasvirlarda yuqori samaradorlik ko'rsatadi 2. MATERIALLAR VA USULLAR Tadqiqotda suyak iligi aspirati tasvirlaridagi hujayra turlarini aniqlash uchun YOLOv8 modeli qo'llanildi. Ma'lumotlar to'plami ochiq manbalardan, masalan, TCIA (The Cancer Imaging Archive) va Kaggle'dagi Bone Marrow Cell Classification datasetsidan olingan bo'lib, unda 170,000 dan ortiq ekspert annotatsiyali hujayra tasvirlari mavjud . Ushbu tadqiqotda 1000 ta tasvir tanlab olindi: 700 ta o'qitish uchun, 200 ta validatsiya va 100 ta test uchun. Tasvirlar MayGrünwald-Giemsa bo'yog'i bilan bo‘yalgan suyak iligi slaydlaridan olingan bo'lib, 9 ta sinf (erythroblast, platelet, neutrophil va boshqalar) ni o‘z ichiga oladi. Model o‘qitish jarayoni NVIDIA GPU da amalga oshirildi, batch size 16, epochs 100. Training accuracy 92%, validation accuracy 85%, test accuracy 80% ni tashkil etdi. Loss funktsiyasi pasayib, overfitning oldini olish uchun early stopping qo'llanildi. Modelning asosiy arxitekturasi CSPDarknet53 backbone va PANet neckdan iborat bo'lib, multi-scale feature extraction ni ta’minlaydi. (a) (b) 2-rasm. YOLOv8 modeli yordamida suyak iligi tasvirlaridagi qon hujayralarini segmentatsiyalash va aniqlash natijalari: (a) o‘qitish bosqichidagi (Training labels/predictions) obyektlarning chegaraviy qutilari (bounding boxes) va segmentatsiya niqoblari; (b) validsiya va test bosqichidagi (Validation predictions) turli sinfga oid qon hujayralarining (erythroblast, neutrophil, platelet) bashorat qilingan aniqlik ko‘rsatkichlari (confidence scores). 146

1 tasvir Model ob'ektlarni (hujayralarni) aniqlash jarayonini vizualizatsiya qiladi. Jarayon quyidagicha: Model tasvirni skan qilib, har bir potentsial ob'ekt (hujayra) atrofida bounding box chizadi. Ramkalar rangli: pushti/qizil – erythroblast (ko'p uchraydi, yadroli dumaloq hujayralar), sariq – platelet (kichik fragmentlar), qizil – monocyte/neutrophil (yadroli oq hujayralar), ko‘k – basophil (granulali). Jarayon: (1) Tasvirni kirish sifatida olish; (2) Backbone (xususiyat ajratish) orqali hujayra shakllari, rang va teksturasini aniqlash; (3) Neck orqali multi-scale xususiyatlarni birlashtirish; (4) Head orqali sinf va koordinatalarni bashorat qilish. Natijada, grid shaklida ko'plab erythroblast ramkalari ko'rinadi, ammo ba'zi joylarda overlap (cho'zilish) bor, bu zich hujayralarda chalkashlikka olib keladi. 2 tasvir. Birinchi tasvirga o'xshash, lekin ishonch darajalari (confidence scores, masalan, 0.3-0.8) qo'shilgan. Jarayon takroriy: Model tasvirni bo'laklarga ajratib, har bir hujayra uchun ehtimollik hisoblaydi (sigmoid aktivatsiya orqali). Yuqori ishonch (0.7+) ramkalar ishonchli (masalan, aniq platelet), past ishonch (0.3-0.5) esa noaniq (fon yoki deformatsiyalangan hujayralar). Erythroblast (0.4-0.8) ko'p, neutrophil (0.3-0.6) kamroq. Jarayonning asosiy bosqichlari: Pre-processing (shovqin kamaytirish), feature extraction (konvolyutsiya), classification (softmax orqali sinf tanlash). Natijada, modelning haddan tashqari erythroblast aniqlashi (over-detection) kuzatiladi, bu dataset biasini ko‘rsatadi. Taklif sifatida YOLOv8 ni takomillashtirish kerak, chunki tibbiy tasvirlarda fon chalkashliklari va kichik ob'ektlar muammo tug'diradi. Yaxshilashlar: dastlabki ishlov berishda CLAHE (Contrast Limited Adaptive Histogram Equalization) va data augmentation (rotation, flip) qo'shish; qayta ishlashda multi-head self-attention va dilated convolution bloklarini integratsiya qilish. Bu aniqlikni oshiradi va false positives ni kamaytiradi . 3-rasm. Taklif etilayotgan takomillashtirilgan Yolo v8 model arhitekturasi matematik ifodasi 147

1. Pre-processing (CLAHE + Augmentation) Maqsad: Tasvir sifatini yaxshilash va ma'lumotlar diversifikatsiyasini oshirish. CLAHE (Contrast Limited Adaptive Histogram Equaliz Tasvirning har bir lokal hududidagi kontrastni moslashtirish orqali yorqinlikni tenglashtiradi. Matematik ifodasi 𝐼out (𝑥, 𝑦)= 𝐶𝐷𝐹 −1 (𝐶𝐷𝐹𝐼in (x,y) )) (1) bu yerda: CDF tasvirning kumulyativ taqsimot funksiyasi (histogramma asosida), 𝐼in kirish tasviri, 𝐼out esa chiqish tasviri. Clip limit ( L ) kontrastni haddan oshmasligini ta'minlaydi L max (0, min (C, histogram max)).Augmentation: Tasvirni aylantirish, o'zgartirish va bezovtalik qo'shish orqali sintetik ma'lumotlar hosil qilish. Matematik ifoda 𝐼aug (𝑥, 𝑦)=T(𝐼orig(R) (𝑥, 𝑦))) (2) bu yerda: R random transformatsiya (rotation, flip) T intensity perturdation (masalan Gaussian noise n(0.q2). 2.Backbone (CSPDarknet53+Dilated Conv) 1 ′ 𝐹𝑜𝑢𝑡 = H(Concat (𝐹𝑡𝑜𝑝 , 𝐹𝑏𝑜𝑡𝑡𝑜𝑚 )) 𝐶𝐷𝐹Q (𝑘) = 𝑁 ∑𝑘𝑡=0 ℎΩ (𝑡) Pixel transformatsiyasi 𝐼 𝑒𝑛𝑖 (𝑥, 𝑦) = 𝐶𝐷𝐹Ω (𝐼(𝑥, 𝑦)) ⋅ (𝐾 − 1) (3) (4) Augmentation (random rotation, flip, noise): 𝐼 mel (𝑥, 𝑦) = 𝑇 (𝐼out (𝑅(𝑥, 𝑦))) (5) 4. Backbone (CSPDarknet53 + Dilated Convolution) Maqsad: Receptive field'ni kengaytirish va chuqur xususiyatlami olish.CSP blok (residual splitt): 𝐹out = 𝐻 ( Concat (𝐹lup, , 𝐹lail/an )) (6) Dilated convalution (atrous comv): (𝐼 ∗, 𝑘)(𝑥, 𝑦) = ∑𝑢,𝑣 𝐼(𝑥 − 𝑟𝑢, 𝑦 − 𝑟𝑣)𝑘(𝑢, 𝑣) (𝐼 ∗, 𝑘)(𝑥, 𝑦) = ∑𝑢,𝑣 𝐼(𝑥 − 𝑟𝑢, 𝑦 − 𝑟𝑣)𝑘(𝑢, 𝑣) Effektiv kernel hajmi: 148 (7) (8)

𝑘𝑖𝜋 = 𝑘 + (𝑘 − 1)(𝑟 − 1) (9) 5.Neck (PANet + Multi-Head Attention) Maqsad: Multi-scale uususiyatlami birlashtirish va muhim hududlarga e'tibor berish PANet fusion: 1. 𝐹ank = Conv(Concat(UpSample(𝐹hasi ), 𝐹lam )) (10) 2.Attention uchan query, key, value 𝑄 = 𝑋𝑊𝑄 , 𝐾 = 𝑋𝑊𝐾+ 𝑉 = 𝑋𝑊𝑉 (11) 3.Scaled dat-product attention: 𝑄𝐾⊤ Attention(𝑄, 𝐾, 𝑉) = softmax ( )𝑉 (12) MultiHead (𝑄, 𝐾, 𝑉) = Concat ( head 1 , … , head 2 )𝑊 𝑂 (13) √𝑑𝑘 4.Multi-head variant: 5.Head(Anchor-Free+Threshold) Maqsad: Ob’ektlarni bevosita regressija qilish. Predicted offsets: 𝑡 = (𝑡𝑒 , 𝑡𝑦 , 𝑡𝑤 , 𝑡ℎ ) (14) Decode qiingan boundi (𝑥, 𝑦, 𝑤, ℎ) = 𝜎(𝑡𝑧 , 𝑡𝑠 , 𝑡𝑤 , 𝑡ℎ ) (15) Detect if 𝑃 (class) > 𝜃 (16) Class canfidence filtering: Ushbu takomillashtirishlar xususiyatlarni ajratishni chuqurlashtiradi, fon chalkashliklarini kamaytiradi va tibbiy tasvirlarda aniqlikni 10-15% ga oshirishi mumkin. Matematik modellash orqali har bir qadam optimallashtirilgan holda, model suyak iligi hujayralarini aniqlashda yanada ishonchli bo‘ladi. Aniqlik va samaradorlikni oshirish: Original YOLOv8 ga nisbatan ushbu sxema tibbiy tasvirlardagi murakkabliklarni (fon, zichlik) hal qilib, umumiy aniqlikni 10-20% ga oshirishi mumkin, xususan, erythroblast va platelet sinflari uchun. Klinik qo'llanilishga moslashuv: Tezlikni saqlagan holda (real-time detection), model suyak iligi kasalliklarini (anemiya, MDS) erta tashxislashda yordam beradi, resurslar kam bo'lgan klinikalarda foydali. Moslashuvchanlik Matematik optimallashtirish (dilated conv va attention) orqali model boshqa tibbiy vazifalarga (qon tasvirlari) oson moslashtiriladi. 149

3. NATIJALAR Bu tasvirlar qon hujayralarining (ehtimol, suyak iligi aspirati) mikroskopik tasvirlarini qayta ishlash bo'yicha mashina o‘rganish modelining (ehtimol, YOLO yoki shunga o‘xshash ob’ekt aniqlash algoritmi) natijalarini ko'rsatadi. a) b) 4-rasm. Modelning qon hujayralari sinflari bo‘yicha tasniflash aniqligi: (a) absolyut qiymatlardagi chalkashlik matritsasi (Confusion Matrix); (b) normalizatsiya qilingan chalkashlik matritsasi (Confusion Matrix Normalized). Model hujayra turlarini (erythroblast, platelet, monocyte, neutrophil va boshqalar) aniqlash va tasniflashga qaratilgan. Natijalar chalkashlik matritsasi, recall-precision-F1 egri chiziqlari va aniqlash namunalari orqali baholanadi. Umumiy tadqiqot qon hujayralaridagi anomaliyalarni (masalan, kasallik belgilari) avtomatik aniqlashga yo‘naltirilgan. 4-rasm qon hujayralarini aniqlash va tasniflash modelining haqiqiy va bashorat qilingan natijalarini ko'rsatuvchi jadvaldir. 9 ta sinf mavjud: none, basophil, eosinophil, erythroblast, lymphocyte, monocyte, neutrophil, platelet va background. Diagonal elementlar to‘g‘ri bashoratlarni ifodalaydi: masalan, 1011 ta haqiqiy erythroblast to‘g‘ri aniqlangan, 87 ta platelet ham to‘g‘ri. Off-diagonal elementlar xatolarni ko'rsatadi: 448 ta haqiqiy background erythroblast deb xato aniqlangan, 393 ta erythroblast esa background sifatida noto‘g‘ri tasniflangan. Bu matritsa modelning har bir sinfga nisbatan aniqlik va xato darajasini aniqlash uchun asos bo‘lib, erythroblast va platelet uchun yuqori to‘g‘rilik (diagonda katta raqamlar), ammo boshqa sinflarda (masalan, eosinophil va lymphocyte) deyarli 0 to‘g‘ri aniqlashni ko‘rsatadi. Umumiy aniqlik ~48.39% hisoblanadi, bu kasallik tashxisida yetarlicha emas. (F1-Confidence Curve – F1-Ishonch Egri Chizig‘i). F1 ballini (precision va recallning garmonik o‘rtasi) ishonch threshold o‘zgarishi bilan ko‘rsatadi. Umumiy F1 0.30 ni tashkil etadi (0.103 thresholdda), bu muvozanatli ishlashning pastligini anglatadi. Sinflar bo‘yicha egri chiziqlar (erythroblast qizil, platelet kulrang) o'zgaruvchan: erythroblast uchun F1 ~0.7, platelet ~0.71, ammo eosinophil va lymphocyte uchun 0 ga yaqin. Ishonch oshgani sari F1 pasayadi, bu yuqori ishonchda aniqlash sonining kamayishidan kelib chiqadi. Bu natijalar modelning ba'zi sinflarda yaxshi, ammo umumiy samaradorlikda 150

yaxshilash kerakligini ko'rsatadi. Chalkashlik matritsasidan hisoblangan umumiy aniqlik taxminan 48.39% (jami to'g'ri bashoratlar / jami misollar). Bu suyak iligi hujayralarini tasniflash bo'yicha zamonaviy standartlardan (85-99%) past. Model erythroblast (F1 ~69.56%) va platelet (F1 ~71.31%) ni yaxshi aniqlaydi, ammo eosinophil, lymphocyte va monocyte uchun chaqiruv 0% (ularni umuman to‘g‘ri aniqlamaydi). Fon va erythroblast o‘rtasidagi chalkashlik ko‘p, bu ma'lumotlar nomuvozanligi yoki model sozlamalaridan kelib chiqishi mumkin. F1 balli optimal thresholdda ~0.30, ya'ni muvozanat past. Klinik qo'llanilish uchun yaxshilash zarur. a) b) 5-rasm. Modelning ishonchlilik bo‘sag‘asiga bog‘liq baholash grafiklari: (a) absolyut ko‘rsatkichlardagi sezgirlik va ishonchlilik grafigi (Recall-Confidence Curve);(b)normalizatsiya qilingan aniqlik va ishonchlilik grafigi (Precision-Confidence Curve) 5(a) rasmda sinflar bo‘yicha chaqiruv (recall: to‘g‘ri pozitivlar / (to'g'ri pozitivlar + yolg‘on negativlar)) ni ishonch threshold (chegarasi) o‘zgarishi bilan ko‘rsatadi. Har bir sinf uchun alohida egri chiziq (masalan, "none" ko'k, erythroblast qizil) va umumiy "all classes" (ko'k chiziq) mavjud. Umumiy chaqiruv 0.68 ni tashkil etadi (0.000 thresholdda, ya'ni past ishonchda ko'proq aniqlash). Ishonch oshgani sari (masalan, 0.5 dan 1.0 gacha) chaqiruv pasayadi, bu yuqori ishonchda kamroq hujayra aniqlanishini anglatadi. Erythroblast uchun chaqiruv o‘rtacha (0.7 atrofida), lekin boshqa sinflar (eosinophil, lymphocyte) deyarli 0, ya'ni model ularni aniqlay olmaydi. 5(b)rasmda aniqlik (precision: to‘g‘ri pozitivlar / (to‘g‘ri pozitivlar + yolg‘on pozitivlar)) ni ishonch threshold o‘zgarishi bilan ko'rsatadi. Umumiy aniqlik 1.00 gacha yetadi (0.963 thresholdda), ya’ni yuqori ishonchda aniqlashlar deyarli xatosiz. Har bir sinf uchun egri chiziqlar (masalan, neutrophil pushti, platelet kulrang) o‘zgaruvchan: past thresholdda aniqlik past (ko‘p yolg'on pozitivlar), yuqori thresholdda esa oshadi. Bu klinikda ishonchli natijalarni olish uchun thresholdni oshirish zarurligini ko'rsatadi, lekin bu chaqiruvni kamaytiradi (trade-off). Erythroblast va platelet uchun aniqlik yaxshi, ammo boshqa sinflar past. 1-jadval. Qon Hujayralarini Aniqlash Modellari Solishtirish Jadvali Mode Accuracy (%) mAP (%),F1 Score, Izoh va Manba Proposed YOLOv8 80.0 0.8356 (erythroblast) Suyak iligi aspirati, 1000 (Bizning tadqiqot), 0.8831 (platelet) tasvir; umumiy F1 ~0.70. Bu tadqiqot. 151

YOLOv8 (AML detection) 95.1 - YOLOv8 (ALL diagnosis) 98.0 - Op-YOLOv8 (WBC detection) 95.0 - CNN (ALL early diagnosis) FGS-RBNN (Bone marrow classification) YOLOv11 + VGG-19 (ALL) 96.0 - 95.0 - 97.85 1500 tasvirdan AML qon hujayralari; YOLOv8 eng yaxshi natija. ALL (Acute Lymphoblastic Leukemia) tasvirlari; validationda 96.6%, testda 98% BCCD datasetida WBC (oq qon hujayralari); boshqa modellardan ustun ALL tasvirlari; boshqa modellardan yuqori aniqlik. Suyak iligi hujayralari; mavjud modellardan ustun. - ALL tasvirlari; image processing bilan birgalikda. Taklif etilayaotgan model yuqori F1 balliga ega bo'lsa-da (erythroblast va platelet uchun), umumiy aniqlik pastroq (eosinophil va lymphocyte uchun 0%). Boshqa modellar katta datasets (1500+ tasvir) va maxsus optimizatsiyalar (attention mexanizmlari) tufayli yuqori natijalarga erishgan. 4. XULOSA Ushbu tadqiqot suyak iligi kasalliklarini avtomatik tashxislashda YOLOv8 modelining samaradorligini ko‘rsatdi, ammo takomillashtirish zarur. Taklif etilgan yangi model arxitekturasi pre-processingda CLAHE va data augmentation, backbone’da dilated convolution va attention mexanizmlarini, head’da esa threshold optimizationni o‘z ichiga oladi. Bu o‘zgarishlar aniqlikni oshirib, klinik qo‘llanilishni yaxshilaydi. Modelning yuqori F1 ballari (erythroblast 83.56%, platelet 88.31%) kasalliklarning erta aniqlanishida foydali, ammo boshqa sinflarda (masalan, eosinophil va lymphocyte) samaradorlikni oshirish uchun qo‘shimcha ishlar talab etiladi. Umumiy aniqlik (~80%) SOTA bilan taqqoslaganda o‘rtacha, ammo "proof-of-concept" sifatida qiymatli. Kelajakda katta hajmdagi ma'lumotlar to'plamlari va hybrid algoritmlar (masalan, YOLO bilan Transformer birikmasi) qo'llanilishi orqali natijalar yanada yaxshilanishi mumkin. Ushbu tadqiqot hematologiyada AI ning potentsialini ko‘rsatib, kasalliklarning erta tashxisini tezlashtirishga hissa qo‘shadi. Klinik sinovlar va real dunyo ma'lumotlari bilan test qilish kelajakdagi tadqiqotlar uchun muhim yo‘nalish bo‘lib qoladi. FOYDALANILGAN ADABIYOTLAR: 1. Dilshod Eshmuradov, Fotima Tulaganova “Biological Composition of Blood Cells and Diagnosis of Patients with Pathological Diseases”. ICARHSE International Conference on Advance Research in Humanities Sciences and Education. Basel, Switzerland, 2024. – P. 101–106 2. Sayyora Iskandarova, Ayhan Istanbullu, Fotima Tulaganova, Sanjar Omonov va boshqalar. “An Algorithm for Early Detection of Anemia in CNN Convolutional Neural Network”. 152

The 9th International Conference on Future Networks and Distributed Systems (ICFNDS’25). Dubai, 2025. – P. 412–424. 3. Sayyora Iskandarova, Ayhan Istanbullu, Fotima Tulaganova, Sanjar Omonov va boshqalar. “Improved Mathematical Hybrid Deep Learning Methods for Blood Cell Image Recognition on Embedded Platforms”. The 9th International Conference on Future Networks and Distributed Systems (ICFNDS’25). Dubai, 2025. – P. 474–482. 4. Saydazimov, J., Ergashev, S., & Nosirkulov, A. (2024, December). Research of Some Image Filter Algorithms Used in Object Detection. In Proceedings of the 8th International Conference on Future Networks & Distributed Systems (pp. 781-785). 5. Yorkinovna, M. S., & Javlonbek, S. (2026). A combined biometric identification system based on insightface, logistic regression, and aliveness detection. Universum: технические науки, 7(2 (143)), 44-50. 6. shahboz Toshtemir o'g'li, E. securing the future of nanotechnology: information security challenges and strategies. In The XXXVI International Scientific and Practical Conference «Modern problems and the latest theories of development», September 11-13, 2023, Munich, Germany. 275 p. (p. 248). 7. Mamatov, N., Sultanov, P., Jalelova, M., & Samijonov, A. (2023). 2D image processing algorithms for kidney transplantation. Scientific Collection «InterConf», 184, 468–474. 8. A. Arunmozhi and J. Park (2018) ‘Comparison of HOG, LBP and Haar-like features for object detection’, IEEE Conference, pp. 362–367. 9. Mamatov, N. S., Jalelova, M. M., Samijonov, B. N., Samijonov, A. N., & Erejepov, K. K. (2025). X-Ray image contrast enhancement algorithms. Journal of Advanced Research Design, 130(1), pp 362–367. 10. Mukhiddinov, M., Abdusalomov, A. B., & Cho, J. (2022). Automatic fire detection and notification system based on improved YOLOv4 for the blind and visually impaired. Sensors, 22(9), 3307, pp. 1–20. 11. Abdusalomov, A., Rakhimov, M., Karimberdiyev, J., Belalova, G., & Cho, Y.-I. (2024). Enhancing automated brain tumor detection accuracy using artificial intelligence approaches for healthcare environments. Bioengineering, 11(6), 627, pp. 1–20. 12. Zhou, Z., Siddiquee, M. M. R., Tajbakhsh, N., & Liang, J. (2018). UNet++: A nested U-Net architecture for medical image segmentation. In Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support pp. 3–11. 13. Agarwal, R., & Sharma, A. (2023). Deep learning based classification of anemia using peripheral blood smear images. Biomedical Signal Processing and Control, 84, pp. 104782. 14. Sahlol, A. T., Yousri, D., & Balas, V. E. (2020). An improved approach for blood cell classification based on hybrid convolutional recurrent neural networks. Applied Soft Computing, 96, Article 106663, pp. 1–12. 15. O. M. Ismailov, D. E. Eshmuradov, F. K. Tulaganova, Kh. F. Temirova. “Analysis of Classification Problem and Its Algorithms in Machine Learning”. Science and Innovation. Vol. 3, Issue 10, 2024. – P. 4–11. 16. Dilshod Eshmuradov, Sayyora Iskandarova, Fotima Tulaganova “An Analysis of the Use of the YOLO Algorithm in the Diagnosis of Blood Cell Images”. Science and Innovation. Special Issue, 2024. – P. 295–299. 153

17. Sayyora Iskandarova, Fotima Tulaganova “An Improved Algorithm for Processing Blood Cell Images and Efficient Disease Detection”. Innovations in Science and Technologies. Vol. 1, №1, 2024. – P. 80–87. 18. Sayyora Iskandarova, Fotima Tulaganova, Kh. Temirova. “Chagas Parasite Detection in Blood Images Using AdaBoost”. IV International Science Conference “Science People and the Latest Technologies”. Sofia, Bulgaria, 2023. – P. 184–187. 19. Tulaganova K.F., Istanbullu A.H.,Yörük Y.E.,Eshmuradov D.E. Morphological Analysis of Blood Cell and Leykemia Diagnosis Based on the Yolo v11 Model and the NeymanPearson Hypothesis American Journal of “Applied Science and Technology”.Volume 05, Issue 12, 2025. -P. 260 - 265 MOLIYA BOZORINI BASHORATLASHDA RNN VA GRU ALGORITMLARINING QIYOSIY TAHLILI Naziraliyev O‘rinboy Farhodjon o‘g‘li1* Berdimuradov Mirzohid Samidulla o‘g‘li2* “Kommunikatsiya va axborot texnologiyalar” kafedrasi Vatan universiteti naziraliyevurinboy1996@gmail.com, abdulxayev.nodirbek@gmail.com “Aniq fanlar” kafedrasi “University of Science and Technologies” universiteti berdimurodov.mirzohid@gmail.com. Annotatsiya: Maqolada moliya bozori vaqt qatorlarini bir qadam oldinga bashoratlashda oddiy rekurrent neyron tarmoq (RNN) va darvozali rekurrent blok (GRU) solishtiriladi. S&P 500, EUR/USD, Brent nefti, BTC/USD va USD/UZS kursining 2021–2025-yillardagi kunlik ma’lumotlarida har bir model 10 marta o‘qitilib, naive bashorat va ARIMA bilan taqqoslandi. Global bozorlarda ikkala tarmoq ham naive bashoratdan ahamiyatli ustun kelmadi (Theil koeffitsiyenti 𝑈2 GRU uchun 0.996–1.003, RNN uchun 1.013–1.026), biroq S&P 500 va BTC/USD da GRU RNN dan ahamiyatli aniqroq bo‘ldi. USD/UZS kursida ikkala model naive bashorat xatoligini 8 % ga, ARIMA xatoligini 2.5 % ga kamaytirdi. GRU natijalari 3.5 baravar barqarorroq; gradient sezgirligi tahlili buni darvoza mexanizmi hosil qiladigan qisqa samarali xotira bilan izohlaydi. Kalit so‘zlar: moliya bozori, vaqt qatorlarini bashoratlash, rekurrent neyron tarmoq, GRU, Diebold–Mariano testi, USD/UZS kursi. 1. KIRISH Moliya bozorlarida narx va kurslarning qisqa muddatli dinamikasini bashoratlash investitsiya qarorlari, risklarni boshqarish va pul-kredit siyosati uchun amaliy ahamiyatga ega. Biroq kuchsiz shakldagi samarali bozorda o‘tmishdagi narxlar kelgusi daromadlilik haqida qo‘shimcha axborot bermaydi [1], valyuta kurslari uchun esa tasodifiy sayr modeli murakkab ekonometrik modellardan kam bo‘lmagan aniqlik beradi [2]. Shu sababli har qanday model naive bashorat bilan solishtirilishi shart. Klassik ARIMA modellari esa chiziqli bog‘liqliklar bilan cheklangan. Ketma-ket ma’lumotlar uchun J.L.Elman taklif etgan oddiy rekurrent tarmoqda (RNN) yashirin holat oldingi qadam axborotini keyingi qadamga uzatadi [3], biroq gradient so‘nishi 154

sababli u uzoq muddatli bog‘liqliklarni qiyin o‘rganadi [4]. K.Cho va hammualliflar taklif etgan GRU da axborot oqimini ikkita darvoza boshqaradi [5]; uning parametrlari LSTM nikidan kam va o‘qitilishi tezroq. Moliyaviy bashoratlashda rekurrent tarmoqlar bo‘yicha natijalar bir xil emas. T.Fischer va C.Krauss S&P 500 aksiyalari yo‘nalishini bashoratlashda LSTM ustunligini ko‘rsatgan [6], F.Erataş Sönmez va Ş.Öztürk Birim esa valyuta kurslarida hech bir arxitektura barcha sharoitlarda ustun emasligini, inqiroz davrlarida GRU afzalroq ekanini qayd etgan [7]. O‘zbekiston ma’lumotlarida S.A.Makhmudov bank tizimi likvidligini bashoratlashda SARIMA va ansambl usullari neyron tarmoqlardan yaxshiroq natija berganini aniqlagan [8]. Biroq bu ishlarda modellar odatda bitta bozorda va naive bashorat bilan statistik testsiz solishtiriladi, milliy valyuta kursi esa deyarli o‘rganilmagan. Maqolaning maqsadi RNN va GRU algoritmlarining moliya bozorining turli segmentlaridagi bashorat aniqligi va barqarorligini yagona tajriba protokoli asosida qiyosiy baholash hamda ular orasidagi farq sababini aniqlashdan iborat. 2. MATERIALLAR VA USULLAR Tajriba uchun moliya bozorining besh segmenti tanlandi: S&P 500 indeksi va EUR/USD kursi (FRED), Brent nefti (EIA), BTC/USD (Coin Metrics) hamda O‘zbekiston Respublikasi Markaziy banki belgilagan USD/UZS rasmiy kursi. Tadqiqot davri 2021-yil 1-yanvardan 2025-yil 31-dekabrgacha: 2021–2023-yillar o‘qitish, 2024-yil validatsiya, 2025-yil test to‘plami sifatida olindi. BTC/USD haftaning barcha kunlarida (1826 ta kuzatuv), qolgan instrumentlar ish kunlarida (1208–1263 ta kuzatuv) savdo qilingani uchun har bir qator o‘z kalendarida modellashtirildi. Narx logarifmik daromadlilikka o‘tkazildi va faqat o‘qitish to‘plami statistikasi bo‘yicha standartlashtirildi: 𝑃𝑡 𝑅𝑡 − 𝜇tr , 𝑥𝑡 = . (1) 𝑃𝑡−1 𝜎tr Bu yerda 𝑃𝑡 – 𝑡-kundagi yopilish narxi, 𝜇tr va 𝜎tr – o‘qitish to‘plamidagi o‘rtacha qiymat va standart chetlanish. Model 20 kunlik sirpanuvchi oyna bo‘yicha keyingi kun daromadliligi 𝑦𝑡 = 𝑥𝑡+1 ni bashoratlaydi. Barcha qatorlar og‘ir dumli taqsimotga ega (ekstsess 1.58–37.19); Ljung– Box testi S&P 500, EUR/USD va BTC/USD daromadliliklarida avtokorrelyatsiyani aniqlamadi, USD/UZS qatorida esa 𝜌(1) = 0.247 (𝑝 < 0.001), ya’ni milliy valyuta kursida qisqa muddatli inersiya mavjud. 2.1. RNN va GRU modellari Oddiy rekurrent tarmoqda yashirin holat va bashorat quyidagicha hisoblanadi [3]: 𝑅𝑡 = ln ℎ𝑡 = tanh(𝑊𝑥 𝑥𝑡 + 𝑊ℎ ℎ𝑡−1 + 𝑏ℎ ), 𝑦̂𝑡 = 𝑤𝑜⊤ ℎ𝑡 + 𝑏𝑜 . (2) Bu yerda ℎ𝑡 – 𝐻 o‘lchamli yashirin holat, 𝑊𝑥 , 𝑊ℎ , 𝑤𝑜 – vaznlar, 𝑏ℎ , 𝑏𝑜 – siljishlar. Teskari tarqalishda gradient 𝑊ℎ va tanh hosilalari ko‘paytmasi orqali uzatiladi, shuning uchun 𝑊ℎ ning spektral normasi birdan kichik bo‘lsa, u kechikish bo‘yicha eksponensial so‘nadi [4]. GRU blokida 155

axborot oqimini yangilash (𝑧𝑡 ) va qayta o‘rnatish (𝑟𝑡 ) darvozalari boshqaradi [5]: 𝑧𝑡 = 𝜎(𝑊𝑧 𝑥𝑡 + 𝑈𝑧 ℎ𝑡−1 + 𝑏𝑧 ), 𝑟𝑡 = 𝜎(𝑊𝑟 𝑥𝑡 + 𝑈𝑟 ℎ𝑡−1 + 𝑏𝑟 ), (3) ℎ̃𝑡 = tanh(𝑊𝑐 𝑥𝑡 + 𝑟𝑡 ⊙ (𝑈𝑐 ℎ𝑡−1 ) + 𝑏𝑐 ), (4) ℎ𝑡 = (1 − 𝑧𝑡 ) ⊙ ℎ𝑡−1 + 𝑧𝑡 ⊙ ℎ̃𝑡 . (5) Bu yerda 𝜎 – sigmoid funksiya, ⊙ – elementlar bo‘yicha ko‘paytma, ℎ̃𝑡 – nomzod holat. (5) ifodaga ko‘ra, holat eksponensial silliqlash kabi yangilanadi: oldingi kirishlar ta’siri har qadamda (1 − 𝑧𝑡 ) ko‘paytuvchi bilan kamayadi. 𝐻 = 32 da RNN 1121 ta, GRU 3393 ta parametrga ega; arxitektura ta’sirini sig‘imdan ajratish uchun parametrlari GRU ga teng RNN (𝐻 = 57, 3421 parametr) ham sinaldi. Modellar RNN-32, RNN-57 va GRU-32 deb belgilanadi. 2.2. O‘qitish va baholash Modellar Adam algoritmi (o‘rganish qadami 0.001, paket hajmi 32) bilan o‘rtacha kvadratik xatolikni (MSE) minimallashtirib o‘qitildi; validatsiya xatoligi 20 epoxa davomida kamaymasa, o‘qitish to‘xtatildi (ko‘pi bilan 200 epoxa). Har bir model 10 ta tasodifiy boshlang‘ich holat (seed) bilan takrorlandi. Bashorat narx darajasiga 𝑃̂𝑡+1 = 𝑃𝑡 exp(𝜇tr + 𝜎tr 𝑦̂𝑡 ) ko‘rinishida qaytarildi. Etalon sifatida naive bashorat 𝑃̂𝑡+1 = 𝑃𝑡 [2] va Akaike mezoni bo‘yicha tanlangan ARIMA(𝑝,0,𝑞), 𝑝, 𝑞 ≤ 3 modeli olindi. Aniqlik quyidagi ko‘rsatkichlar bilan baholandi: 𝑇 1 2 RMSE = √ ∑(𝑃𝑡 − 𝑃̂𝑡 ) , 𝑇 𝑈2 = 𝑡=1 RMSEmodel . RMSEnaive (6) Bu yerda 𝑇 – test kuzatuvlari soni; 𝑈2 < 1 model naive bashoratdan aniqroq ekanini bildiradi. Daromadlilik ishorasini to‘g‘ri topish ulushi – yo‘nalish aniqligi (DA) ham hisoblandi. Farqlarning ahamiyati Diebold–Mariano testi [9] ning kichik tanlamalar uchun tuzatilgan varianti (MDM) [10] bilan tekshirildi. Modellar xotirasini tahlil qilish uchun chiqishning oynadagi har bir kechikishga nisbatan o‘rtacha gradient sezgirligi hisoblandi: 𝑇 1 ∂𝑦̂𝑡 𝑆𝑘 = ∑ | |, 𝑇 ∂𝑥𝑡−𝑘 𝑆̃𝑘 = 𝑡=1 𝑆𝑘 ∑𝑤−1 𝑗=0 𝑆𝑗 . (7) Bu yerda 𝑘 = 0, … , 𝑤 − 1 – kechikish, 𝑤 – oyna uzunligi, 𝑆̃𝑘 – kechikishning umumiy sezgirlikdagi ulushi. Oyna uzunligining ta’siri 𝑤 ∈ {5,10,20,40,60} qiymatlarida (har biri 5 ta seed) tekshirildi; jami 350 ta neyron tarmoq o‘qitildi. Yutuqning vaqt bo‘yicha shakllanishi kvadratik xatolar farqining kumulyativ yig‘indisi (CSSED) bilan baholandi [11]: 𝑡 100% 2 2 CSSED𝑡 = ∑(𝑒naive,𝜏 − 𝑒model,𝜏 ), 𝐸naive 𝜏=1 156 𝑇 2 𝐸naive = ∑ 𝑒naive,𝜏 . 𝜏=1 (8)

Bu yerda 𝑒naive,𝜏 va 𝑒model,𝜏 – 𝜏-kundagi bashorat xatolari; CSSED 𝑇 o‘rtacha kvadratik xatolikning naive bashoratga nisbatan foizlardagi kamayishiga teng. Hisoblashlar Python 3.11, TensorFlow 2.21 va statsmodels 0.15 kutubxonalarida bajarildi. 3. NATIJALAR Test davridagi bashorat aniqligi 1-jadvalda keltirilgan. Global likvid bozorlarda hech bir model naive bashoratdan sezilarli ustun kelmadi; Akaike mezoni S&P 500, EUR/USD va BTC/USD uchun o‘zgarmas o‘rtacha modelini – ARIMA(0,0,0) ni tanladi. GRU-32 uchun 𝑈2 0.996–1.003 oralig‘ida bo‘lib, model naive bashorat sathida qoldi, RNN-32 va RNN-57 esa barcha global instrumentlarda undan yomonroq natija berdi (𝑈2 = 1.013–1.026). Yo‘nalish aniqligi ham tasodifiy darajadan (50 %) sezilarli farq qilmadi (DA = 46.2–53.4 %). 1-jadval. 2025-yil test davrida modellarning bashorat aniqligi U2 DA, % Instrume RMSE ARIM RNN- GRUnt (naive) RNN-32 RNN-57 GRU-32 A 32 32 1.016 1.021 0.996 S&P 500 66.77 0.999 46.2 52.9 (0.008) (0.007) (0.003) 1.016 1.015 1.003 EUR/USD 0.0054 1.003 50.9 51.7 (0.007) (0.007) (0.004) 1.013 1.013 1.000 Brent 1.35 1.009 53.0 53.4 (0.009) (0.008) (0.001) 1.026 1.026 1.002 BTC/USD 2134.9 1.000 48.7 48.2 (0.014) (0.013) (0.002) 0.919 0.919 0.920 USD/UZS 43.21 0.943 63.6 65.7 (0.015) (0.019) (0.006) Izoh: RMSE narx birliklarida; qavs ichida – 10 ta takror bo‘yicha standart chetlanish; ARIMA tartibi (Akaike mezoni): (0,0,0) – S&P 500, EUR/USD, BTC/USD; (2,0,2) – Brent; (2,0,3) – USD/UZS. USD/UZS kursida manzara boshqacha: uchala tarmoq RMSE ni naive bashoratga nisbatan 8.0–8.1 % ga, ARIMA(2,0,3) ga nisbatan qariyb 2.5 % ga kamaytirdi va o‘zgarish yo‘nalishini 63.6–65.7 % hollarda to‘g‘ri topdi. MDM testi natijalariga ko‘ra, S&P 500 va BTC/USD qatorlarida GRU-32 xatoligi RNN-32 xatoligidan ahamiyatli kichik (𝑝 = 0.018 va 𝑝 = 0.031), S&P 500 da esa parametrlari teng RNN57 xatoligidan ham (𝑝 < 0.001). GRU-32 hech bir global instrumentda naive bashoratdan ahamiyatli farq qilmadi, RNN-32 esa BTC/USD da undan ahamiyatli yomonroq (𝑝 = 0.023). USD/UZS kursida tarmoqlar naive bashorat va ARIMA dan ahamiyatli ustun (𝑝 ≤ 0.003), RNN32 va GRU-32 orasidagi farq esa ahamiyatsiz (𝑝 = 0.471). 157

1-rasm. 2025-yil test davrida naive bashoratga nisbatan kvadratik xatolar farqining kumulyativ yig‘indisi (CSSED; 10 ta seed bo‘yicha o‘rtachalangan bashoratlar). 1-rasmda naive bashoratga nisbatan yutuqning vaqt bo‘yicha to‘planishi ko‘rsatilgan. Global instrumentlarda RNN-32 egri chizig‘i yil yakunida manfiy qiymatga ega (−0.78 % dan −3.28 % gacha), GRU-32 egri chizig‘i esa nol atrofida qoladi. USD/UZS kursida yutuq may oyi oxirigacha qariyb 1 % bo‘lib, uning to‘rtdan uch qismi iyun–sentyabrda, ya’ni milliy valyuta mustahkamlangan davrda to‘plandi va yil yakunida RNN-32 uchun 16.4 %, GRU-32 uchun 15.6 %, ARIMA uchun 11.2 % ga yetdi. 2-rasm (a) dan ko‘rinadiki, global bozorlarda RNN xatoligi oyna uzunligi bilan ortadi (to‘rtta instrument bo‘yicha o‘rtacha 𝑈2 𝑤 = 5 da 1.006, 𝑤 = 40 da 1.021), GRU uchun esa barcha oynalarda 0.9996–1.0012 oralig‘ida qoladi. USD/UZS kursida ikkala model aniqligi 𝑤 = 20 gacha yaxshilanadi (2-rasm, b). Asosiy farqni 2-rasm (c) ochib beradi: 𝑤 = 60 da GRU umumiy sezgirligining 90 % i oxirgi 6–9 kunga to‘g‘ri keladi, RNN da buning uchun 23–34 kun kerak, 10 va undan ortiq kunlik kechikishlar ulushi esa 40–62 % ni tashkil etadi (GRU da 1–6 %). 2-rasm. Oyna uzunligining 𝑈2 ga ta’siri: (a) to‘rtta global instrument bo‘yicha o‘rtacha, (b) 158

USD/UZS; (c) 𝑤 = 60 bo‘lganda gradient sezgirligi ulushi (beshta instrument bo‘yicha o‘rtacha). 4. XULOSA Tadqiqotdan quyidagi xulosalar kelib chiqadi: 1. Global likvid bozorlarda ikkala tarmoq ham naive bashoratdan ahamiyatli ustun kelmadi: GRU naive bashorat sathida qoldi, RNN esa undan yomonroq natija berdi; S&P 500 va BTC/USD da GRU ning RNN dan ustunligi statistik ahamiyatli. 2. USD/UZS kursida ikkala model naive bashorat xatoligini qariyb 8 % ga, ARIMA xatoligini 2.5 % ga kamaytirdi va o‘zgarish yo‘nalishini 64–66 % hollarda to‘g‘ri topdi. 3. GRU natijalari 3.5 baravar barqarorroq; bu ustunlik parametrlar soniga emas, darvoza mexanizmi hosil qiladigan qisqa samarali xotiraga bog‘liq. GRU ning darvoza mexanizmi yashirin holatni eksponensial silliqlash kabi yangilaydi, chiqish asosan oxirgi bir necha kunga bog‘liq bo‘ladi va bu uzoq kechikishlardagi tasodifiy tebranishlarni yodlab olishga yo‘l qo‘ymaydi. RNN esa butun oynaga sezgir bo‘lib qoladi: ortogonal initsializatsiyada 𝑊ℎ ning spektral normasi birga teng, shuning uchun qisqa o‘qitishda gradient uzoq kechikishlarda ham so‘nmaydi va model shovqinni modellashtiradi. Demak, bu holatda asosiy muammo gradient so‘nishi emas, balki qayta o‘qitilishdir. Parametrlari teng RNN57 ning yaxshi natija bermagani GRU ustunligi arxitektura bilan bog‘liqligini tasdiqlaydi. Natijalar moliyaviy bashorat modellarini naive bashorat va statistik test bilan baholash zarurligini ko‘rsatadi. Kelgusida makroiqtisodiy omillarni qo‘shish va USD/UZS ni yangi kurs belgilash tartibi sharoitida tadqiq etish maqsadga muvofiq. FOYDALANILGAN ADABIYOTLAR: 1. Fama, E.F. Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 1970, 25(2), 383–417-betlar. 2. Meese, R.A.; Rogoff, K. Empirical exchange rate models of the seventies: Do they fit out of sample? Journal of International Economics, 1983, 14(1–2), 3–24-betlar. 3. Elman, J.L. Finding structure in time. Cognitive Science, 1990, 14(2), 179–211-betlar. 4. Bengio, Y.; Simard, P.; Frasconi, P. Learning long-term dependencies with gradient descent is difficult. IEEE Transactions on Neural Networks, 1994, 5(2), 157–166-betlar. 5. Cho, K.; van Merriënboer, B.; Gulcehre, C. va boshq. Learning phrase representations using RNN encoder–decoder for statistical machine translation. EMNLP konferensiyasi materiallari, Doha, Qatar, 2014; 1724–1734-betlar. 6. Fischer, T.; Krauss, C. Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 2018, 270(2), 654–669-betlar. 7. Erataş Sönmez, F.; Öztürk Birim, Ş. Exchange rate prediction under data volatility: A comparison of deep learning techniques. Journal of Metaverse, 2026, 6, 100–115-betlar. 8. Makhmudov, S.A. Forecasting banking system liquidity using payment system data in Uzbekistan. IHEID Working Papers No. 05-2025; Graduate Institute of International and Development Studies: Jeneva, Shveytsariya, 2025. 9. Diebold, F.X.; Mariano, R.S. Comparing predictive accuracy. Journal of Business & Economic Statistics, 1995, 13(3), 253–263-betlar. 159