Management and Future Technologies | Volume 2, Issue 2 | № 006

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 121 Antenna 3 Antenna 4 11-rasm. Antennalarning 9.17GHz da yo‘nalish diagrammasi parametrlari Yuqoridagi to‘rtta grafikning tahliliga ko‘ra, 10.6 GHz chastotada asosiy lob 2 darajaga yo‘naltirilgan bo‘lib, 172 dBi balandlikka va 87 daraja burchak kengligiga ega. 15.4 GHz chastotada asosiy lob 37 darajaga yo‘naltirilgan va 7.62 dBi balandlikda bo‘lib, kengligi 206.3 darajani tashkil etadi. 13.1 GHz chastotada asosiy lob 160 darajaga yo‘naltirilgan, 7.68 dBi balandlikda va 86.7 daraja kenglikka ega, yon lob darajasi esa -1.4 dB. 9.33 GHz chastotada asosiy lob 175 darajaga yo‘naltirilgan bo‘lib, uning balandligi 1.95 dBi va burchak kengligi 85.8 daraja, yon darajasi esa -0.8 dB ni tashkil qiladi.

Volume 2, Issue 2 June 2025 Management and Future Technologies journal.umft.uz Xulosa 122 Barcha turdagi materiallar o‘z afzallik va kamchiliklarga ega hisoblanadi. An’anaviy materiallarda asosiy kamchiliklar bardoshlilik bo‘lsa, kompozit va meta materiallarda bu jihat yuqori ko‘rsatkichlarni belgilab turadi. Ishlab chiqarish va narxiga keladigan bo‘lsak an’anaviy materiallar kompozit va metamateriallarga qaraganda ancha arzon hisoblanadi. Ushbu tadqiqotda antenna qurilmalarida ishlatiladigan materiallarning qiyosiy tahlili olib borildi. Tadqiqot natijalari har bir materialning o‘ziga xos afzallik va kamchiliklariga ega ekanligini ko‘rsatdi. An’anaviy materiallar, jumladan mis, alyuminiy va oltin yuqori elektr va issiqlik o‘tkazuvchanligi bilan ajralib turadi, biroq narxining qimmatligi va bardoshliligining cheklanganligi ularning qo‘llanilish imkoniyatlarini cheklaydi. Kompozit materiallar yengilligi va yuqori mustahkamligi bilan ajralib turib, yuqori haroratli muhitlarda samarali ishlaydi, ammo ularning ishlab chiqarish jarayoni murakkab va qimmat hisoblanadi. Metamateriallar esa elektromagnit boshqaruv va signal uzatishda innovatsion imkoniyatlarga ega bo‘lib, yuqori ilmiy-texnik salohiyatga ega, lekin hozircha ularning ishlab chiqarish xarajatlari yuqori va ommaviy qo‘llanilishi cheklangan. Tadqiqot davomida patch antennalar va turli metamateriallar asosida ularning ishlash samaradorligi tahlil qilindi. Grafik natijalarga ko‘ra, signal uzatish samaradorligi bo‘yicha eng yaxshi natijalarni aniq moslangan antenna dizaynlari ko‘rsatdi. Metamateriallardan foydalanish signal uzatish sifatini oshirishda istiqbolli yo‘nalish hisoblanadi, ammo hozirgi kunda an’anaviy va kompozit materiallar ko‘proq amaliy qo‘llanilmoqda. Tadqiqot shuni ko‘rsatadiki, antenna texnologiyalarining rivojlanishida metamateriallarni qo‘llash ularning ishlash samaradorligini oshirish imkonini beradi.

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 Adabiyotlar 1. Auwalu Aminu Abubakar, Zainab Yunusa. Comparative analysis of Microstrip Patch Antenna on different substrate material using slit technique for x-band application. Second International Symposium on Applied Sciences and Engineering (ISASE 2021), May 2021 2. K.A. Ansal, Anju S. Kumar, Simy M. Baby, Comparative analysis of CPW fed antenna with different substrate material with varying thickness, 2021, Pages 257-264. 3. Yakub B. Olufadi, Ibrahim Maina, Olaoluwa Ayodeji Adegboye, Ayodeji Ireti Fasiku. Comparative Analysis of the Effect of Different Substrates Materials on Microstrip Patch Antenna. 2021 IEEE International Conference on the Properties and Applications of Dielectric Materials (ICPADM), 12-14 July 2021 4. Waleed Sethi, Saad Hassan Kiani, Mehre Munir, Pattern Diversity Based Four-Element Dualband MIMO Patch Antenna for 5G mmWave Communication Networks. May 2024Journal of Infrared, Millimeter and Terahertz Waves 45(5-6):1-17 . 5. Balanis, C.A. Antenna Theory: Analysis and Design. – John Wiley and Sons, 2016 6. Pozar, D.M. Microwave Engineering – John Wiley and Sons, 2011. 7. Rahmat-Samii, Y., Chen, W. handbook of antenna technologies. 2021 8. Garg, R. Bhartia, P. Bahl, I. Ittipiboon, A. Microstrip Antenna Design handbook. – Artech house, 2001. 9. Collin, R. E. Foundations for Microwave Engineering. McGraw-hill, 2001. 10. Kumar, G., Ray, K. P Broadband Microstrip Antennas. Artech house, 2003. 11. Ramesh, M., Yip, J.S. Design Formula for Microstrip patch Antennas.-IEEE Transactions on Antennas and propogtion, 1996. 12. Stutzman, W.L., G.A. Antenna Theory and design. John Wiley and Sons, 2012. 13. Zhang, Y., Zhang J. Metamaterial-based Antenna: Design and Applications. Springer, 2018. 14. Akyildiz, I.F., Jornet, J.M. Terahertz band communication and Applicayions. Springer, 2016. 123

Volume 2, Issue 2 June 2025 124 Mualliflar Turgunov Bekzod Rahmatillayeva Shahrizoda Kommunikatsiya va raqamli texnologiyalar kafedrasi, “University of management and future technologies” universiteti, Toshkent, 100208, O‘zbekiston; bekzodmirzoturgunov@gmail.com, shaxrizodaraxmatillayeva@gmail.com Mas’ul: bekzodmirzoturgunov@ gmail.com Management and Future Technologies journal.umft.uz MAHALLIYLIK XUSUSIYATLARIGA EGA BOLGAN UY RO‘ZG‘OR BUYUMLARINI TANIB OLISHGA IXTISOSLASHGAN NEYRON TARMOQ MODELINI ISHLAB CHIQISH A nnotatsiya: Ushbu maqolada ko‘zi ojiz insonlarga o‘z xonadonlarida kundalik maishiy buyumlarni tanib olishda yordam beruvchi qurilmada qo‘llash maqsad qilingan neyron tarmoq modelini ishlab chiqish jarayonida olib borilgan tadqiqot natijalari keltirilgan. Maqolada lokal xususiyatlarga ega bo‘lgan buyumlarni aniqlashga ixtisoslashgan neyron tarmoq modelini ishlab chiqish jarayoni bayon etilgan. Bunga erishish uchun oldindan o‘qitilgan modellar qayta o‘qitilib, maxsus vazifaga moslashtirilgan model hosil qilingan. Tanlab olingan bir nechta oldindan o‘qitilgan obyektni tanib olish modellarini qayta o‘qitish amalga oshirilib, ular odatda obyektni aniqlash vazifalarida qo‘llaniladigan baholash mezonlari asosida baxolangan va ko‘rsatkichlari o‘zaro solishtirilgan. Ushbu solishtirish natijalari asosida tegishli xulosalar chiqarilgan. Kalit so‘zlar: obyektlarni tanib olish, Yolov5n, Yolov5s, SSD-MobileNet, Faster R-CNN, F1-score. Copyright: © 2025 by the authors. Ushbu maqola Creative Commons Attribution (CC BY) litsenziyasi shartlari asosida tarqatiladigan ochiq foydalanish maqolasi hisoblanadi (https://creativecommons.org/ licenses/by/4.0/).

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 Kirish Ma’lumki, bugungi kunda insoniyat hayotida sun’iy intelekt imkoniyatlari keng qo‘llanilmoqda. Sun’iy intelekt imkoniyatlari nafaqat sog‘lom insonlar turmush tarzida, balki jismoniy imkoniyati cheklangan insonlarning turmush tarzida ham ularga qo‘shimcha qulayliklar va mustaqillik yaratish uchun faol qo‘llanilmoqda. Hususan, ko‘zi ojiz insonlarni kundalik hayotida ularning mustaqil turmush tarziga ega bo‘lishlarida sun’iy intelekt imkoniyatlaridan foydalanish qo‘shimcha imkoniyatlar yaratadi. Statistik ma’lumotlarga ko‘ra respublikamizda ko‘rish tizimida nuqsoni mavjud insonlarning soni 70 mingga yaqin. Ularning kundalik turmush tarzida ma’lum bir faoliyat bilan mustaqil shug‘ullana olishlarini ta’minlash, ularning ijtimoiylashuv darajasini yanada ortishiga, ularning jamiyatning umumiy qatlamiga integratsiyalanish darajasini ortishiga xizmat qiladi. Shuningdek ko‘zi ojiz insonlarning kundalik turmush tarzini odatda o‘zi istiqomat qiladigan xonadonlarida o‘tkazishini e’tiborga olgan xolda ta’kidlash mumkinki, ularning ushbu xududlarda o‘zlarini erkin va qulay, boshqa bir insonga bog‘liq bo‘lmagan xolda xis qilish imkoniyatlarini yaratish, ularning turmush tarzini yengillashtiradi. Yuqorida takidlangani kabi bu maqsadda ko‘plab ilmiy tadqiqot ishlari olib borilgan va borilmoqda. Bunday tadqiqotlar natijalari qo‘llanilgan qurilma va gadjetlar ishlab chiqilmoqda va amaliyotda qo‘llanilmoqda. E’tibor berilishi lozim bo‘lgan jihati shundaki, bunday qurilmalarning deyarli barchasi texnologik rivojlangan xorijiy davlatlar kompaniyalari tomonidan ishlab chiqariladi. Bugungi kunda ko‘rish tizimida nuqsoni mavjud insonlarning kundalik hayotini yengillashtiradigan qurilmalar, jumladan sun’iy intellektga asoslangan texnologiyalar asosida ishlovchi gadjetlar AQSh ning Microsoft va Google kompaniyalari tominidan (ko‘zi ojizlar uchun OrCam, Aira, Seeing AI loyihalari), Isroilning OrCam Technologies kompaniyasi tomonidan (dunyodagi eng mashhur ko‘zi ojizlarga mo‘ljallangan vizual yordamchi qurilmalardan birini – OrCam MyEye qurilmasini) va Yaponiyaning Panasonic, Sony, Fujitsu kabi kompaniyalari tomonidan va boshqa texnologik rivojlanish darajasi yuqori bo‘lgan davlatlardagi kompaniyalar tominidan ishab chiqarilmoqda. Bu tendensiyaning salbiy jihati shundaki, bunday xorijiy kompaniyalar tomonidan ishlab chiqilgan sun’iy intelektga asoslangan yordamchi qurilmalar odatda ishlab chiqariluvchi hududdagi talablardan, sharoitga bog‘liq ravishda ishlab chiqiladi. Xususan, bunday ko‘zi ojiz insonlarga kundalik turmush tarzida yordamchi bo‘luvchi qurilmalarda qo‘llaniluvchi obyektlarni tanib olish vazifasini bajaruvchi neyron tarmoq modellari yaratilishi jarayonida katta ma’lumotlar to‘plami asosida o‘qitiladi. Aynan ushbu ma’lumotlar to‘plamini shakllantirish asosan mahalliq foydalanishdagi obyektlar va ular haqidagi ma’lumotlarti jamlash orqali amalga oshirilishi mumkin. Bunday ma’lumotlar to‘plami asosida o‘qitilgan neyron tarmoq modellari aynan shunday obyektlarga nisbatan yuqori tanib olish natijasini namoyon qiladi. Lekin boshqa hududlarga qo‘llanilganda, xususan mamlakatimiz hududida istiqomat qiluvchi foydalanuvchilar tomonidan foydalanilganda 125

Volume 2, Issue 2 126 June 2025 Management and Future Technologies journal.umft.uz obyektlarni tanib olish darajsi kamayish ehtimoli katta. Demak bunday obyektlarni tanib olish neyron tarmoq modellari asosida ishlaovchi ko‘zi ojiz insonlarga ko‘makchi qurilmalarning ham qo‘llanilish samaradorligi kamayadi. Shuning uchun ham aynan respublikamiz xududida istiqomat qiluvchi ko‘zi ojiz insonlarga kundalik turmush tarzida yordamchi bo‘luvchi sun’iy intelektga asoslangan qurilmani ishlab chiqishda mahalliylik xususiyatiga ega obyekt va buyumlarni tanib olishga ixtisoslashgan neyron tarmoq modelini ishlab chiqish dolzarb masaladir. Adabiyotlar tahlili Yuqorida takidlangani kabi, bugungi kunda jismoniy imkoniyati cheklangan shaxslar uchun sun’iy intelektga asoslangan qurilmalar ishlab chiqish maqsadida ko‘plab ilmiy tadqiqot ishlari olib borilgan va olib borilmoqda. Quyidagi (1) ilmiy tadqiqot ishida imkoniyati cheklangan shaxslarning istiqomat qiluvchi xonadonida qo‘llaniluvchi aqilli xonadon tizimini yanada foydalanuvchi uchun moslashtirish va qulaylashtirish maqsadida mashinali oʻqitish tizimidan foydalanish imkoniyatlari koʻrib chiqilgan. Foydalangan adabiyotlar qo‘yxatidagi navbatdagi (2) ishda esa “Аqlli xonadon” tizimida imkoniyati cheklangan istiqomatchilar uchun qoʻshimcha qulayliklar tashkil qilish uchun neyron tarmoqlarning “RNN- rekurrent neyron tarmoqlar” arxitekturasidan foydalanish imkoniyatlari koʻrib chiqilgan. Shuningdek (3) da koʻzi ojiz insonlar erkin harakatlanish qobiliyatini oshirish maqsadida qo‘llaniluvchi qurilma loyihasi taklif qilingan. Mazkur taklif qilingan qurilmada koʻzi ojiz odamlar uchun harakatlanish jarayonida toʻsiqlar mavjudligini sensorlar yordamida (masalan ultratovushli sensor) aniqlanib, agar foydalanivchidan to‘siqgacha masofa belgilangan qiymatgacha kamaysa kamera ushbu toʻsiq sifatida koʻrilayotgan obektni tasvirga oladi va uni Yolo v5 algoritmi boʻyicha sinfini aniqlaydi. Aniqnalish natijasiga asoslanib foydalanuvchiga bu obyektni aylanib o‘tish bo‘yicha tovushli ko‘rsatma beradi. Ro‘yxatda keltirilgan navbatdagi (4) tadqiqot ishida ko‘rish tizimida nuqsoni mavjud odamlar uchun mustaqil xarakatlanishi qobiliyatini oshirish maqsadida qo‘llash mumkin bo‘lgan chuqur neyron tarmoqlar asosidagi obyektlarni yuqori aniqlikda aniqlash metodlari va modullari ko‘rib chiqilgan. Navbatdagi (5) tadqiqot ishida esa ko‘zi ojiz odamlar uchun CNN arxitekturali neyron tarmoq asosida ishlovchi qurilma loyixasi taklif qilingan bo‘lib, bu qurilma foydalanuvchiga ko‘chada mustaqil xarakatlanish imkonini beradi. Yuqorida ko‘rib chiqilgan ilmiy tadqiqot ishlarining ko‘zi ojiz insonlarni turmush tarzini yengillashtirishda turli texnologiyalar imkoniyatlaridan foydalanish ko‘rib chiqilgan. Ammo yuqorida takidlangani kabu bu tadqiqotlar tadqiqotchilarning istiqomat qilish hududi xususiyatlaridan kelib chiqib olib borilgan va mos natijalar olingan. Tadqiqot metodologiyasi Yuqorida takidlab o‘tilgani kabi ko‘zi ojiz insonlarning kundalik turmush tarzida yordamchi bo‘luvchi qurilmalarni samaradorligini oshirish maqsadida ko‘plab ilmiy tadqiqot ishlari olib

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 borilgan va borilmoqda. Shunday bo‘lsada mamlakatimizda istiqomat qiluvchi ko‘zi ojiz insonlar uchun shu kabi qurilmalarni ishlab chiqishda hududimizga xos kundalik turmush tarzida foydalaniladigan buyumlarni tanib olishga ixtisoslashgan obyektlarni tanib oluvchi neyron tarmoq modelini ishlab chiqish lozim. Albatta buning uchun mahalliylik xususiyatiga ega bo‘lgan buyum va obyektlarning tasvirlari va ular haqidagi ma’lumotlardan tashkil topgan ma’lumotlar to‘plamini yaratish lozim. Shuningdek ushbu ma’lumotlar asosida o‘qitilgan neyron tarmoq modelini yaratish lozim. Bu kabi maqsadlarda qo‘llanish uchun mo‘ljallangan oldindan o‘qitilgan modellar mavjud va ular umumiy holda obyektlarni tanib olish uchun ishlaydi. Bunday modellardan to‘g‘ridan-to‘g‘ri foydalanish bizning mahalliy turmush tarzimizda ko‘p foydalaniluvchi buyumlarni tanib olish darajasini past bo‘lishiga sabab bo‘ladi. Shuning uchun bunday oldindan o‘qitilgan obyektlarni tanib olish modellarini biz tomonimizdan yaratilgan, mahalliylik xususiyatiga ega buyumlarning tasvirlari va ular haqidagi ma’lumotlardan tashkil topgan ma’lumotlar to‘plami asosida qayta o‘qitish lozim. Shuningdek biz tomonimizdan yaratilgan ma’lumotlar to‘plami asosida qayta oqitish natijasida olingan model qo‘llanilish maqsadi va qurilmasiga bog‘liq ravishda quyidagi talablarga javob berishi lozim: Modelning kerakli obyektlarni tanib olish diapazoni katta bo‘lishi lozim. Bu mazkur model asosida ishlovchi qurilmani keng spektrdagi buyum va obektlarni tanib olish imkonini beradi. Neyron tarmoq modeli hisoblash resursi cheklangan qurilmalarda ham samarali ishlay olishi lozim. Modelini hisoblash resursi kichik bo‘lgan qurilmalarda ham ishlay olishi lozim. Natijada ishlab chiqilishi maqsad qilingan qurilmaning texnik resurslariga talab kamayadi. Hisoblash resursining kichik bo‘lishi qurilmaning geomtrik o‘lchamlarini va elektr energiya sarfini kamayishiga sabab bo‘ladi. Bu o‘z navbatida qurilmaning bir zaryadlanish bilan ishlash muddatini ortiradi va ishlab chiqilishi lozim bo‘lgan qurilma narxini pasayishiga xizmat qiladi. Shuningdek yaratilishi lozim bo‘lgan model obektlarni tanib olish aniqligi va ishonchliligi yuqori bo‘lishi lozim. Ya'ni qurilma model yordamida kerakli obektni tanib olashga kirishar ekan xatolik minimal darajada bo‘lishi lozim. Sababi modelning qo‘llanilishida yuz berishi mumkin bo‘lgan xatolik ishlab chiqilishi maqsad qilingan qurilmadan ko‘zi ojiz insonlar foydalanganda salbiy oqibatlarni keltirib chiqarishi mumkin. Modelning obyekt va buyumlarni tanib olish aniqligi va ishonchliligini baxolash uchun turli baxolash metrikasidan foydalaniladi. Ya’ni bu metrika modelning ja’mi mavjud obektlardan qancha qismini to‘g‘ri aniqlay olish qobiliyatini anglatadi. Bu metrikaning optimal qiymati modelning qo‘llanilish soxasiga bog‘liq bo‘ladi. Masalan ushbu tadiqiqot ishida qo‘llanilishi maqsad qilingan model uchun aniqlik yuqori bo‘lish lozim. Ya’ni, model biror obyektni qidirishda xato qilib boshqa obyektni qidirilayotgan obyekt deb qabul qilishi (ya’ni FP – noto‘g‘ri ijobiy natijaning ortib ketishi natijasida) foydalanivchi uchun xavfli bo‘lishi mumkin. Undan ko‘ra model bu obektni tanimagani maqul. Ya’ni, model qidirilayotgan obyekt sifatida qabul qilgan holatlarning katta qismi to‘g‘ri ijobiy qaror (TP- to‘g‘ri ijobiy qaror) bo‘lishi lozim. Modelning bu 127

Volume 2, Issue 2 128 June 2025 Management and Future Technologies journal.umft.uz xususiyati quyidagi metrika orqali baxolanadi: 𝑇𝑇𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 � 𝑇𝑇𝑇𝑇 𝑇𝑇𝑇𝑇 � 𝐹𝐹𝑇𝑇 Ya’ni, FP – noto‘g‘ri ijobiy qaror qabul qilishlar soni qanchalik 0 ga yaqin bo‘lsa Precision metrikasining qiymati shuncha 1 ga yaqin bo‘ladi va bu obyekt deb qabul qilingan qarorlarning qancha qismi to‘g‘ri bo‘lganligini anglatadi. Albatta “Precision” metrikasining qiymati yuqori bo‘lishi yaxshi va bu xato qaror qilinishlar ulushini kamaytiradi. Ammo bu ko‘plab obyektlarni tanimasdan o‘tkazib yuborilish ehtimolligini ortiradi. Shu sababli modelning jami obyektlardan qancha qismini to‘g‘ri taniy olganligini baxolash uchun navbatdagi metrika qo‘llaniladi. Modelni samaradorligini baxolashda qo‘llaniladigan navbatdagi metrika bu “Recall” metrikasidir. Bu metrika modelning inferensi vaqtida, ya’ni, amaliyotda qo‘llanilishi vaqtida jami nechta mavjud obyeklardan nechtasini to‘g‘qi taniy olishini ko‘rsatadi. Shunisi borki modelning Precision metrikasi qiymatini qanchalik oshirishga harakat qilsak bor obyektlarni ham xato tanib olishni amalga oshirib qo‘ymaslik uchun jami tanib olishlar soni kamayib ketadi, yani aniqlanmay qolishlar (FN – noto‘g‘ri salbiy qaror) sonini ortishiga sabab bo‘ladi. Demak “Recall” metrikasi qiymati kamayishiga sabab bo‘ladi. 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 � 𝑇𝑇𝑇𝑇 𝑇𝑇𝑇𝑇 � 𝐹𝐹� Modelning yuqoridagi ikki baxolash metrikasi boyicha balanslangan xususiyatini ifodalash uchun F1-Score baxolash metrikasidan foydalaniladi. Bu metrika qiymatining ideal holatdagi qiymati 1 ga teng. 𝐹𝐹1 � 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 � 2 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑃 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑇𝑇𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 � 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 Ushbu tadqiqot ishida qo‘llanilini maqsad qilingan model uchun F1-score ning qiymati 1 ga yaqin bo‘lishi lozim. Shunda ushbu model asosida ishlovchi qurilma ham obyektni tanimay o‘tkazib yuborish holatlari, ham obyektni xato tanish holatlari soni kamayadi. Bundan tashqari obyektlarni tanib olishda qo‘llaniladigan modellarni ishonchliligini baxolashda turli harakteristikalardan ham foydalaniladi. Masalan F1-Confidence Curve xarakteristikasi. Bu xarakteristika grafigi F1-Score ning qiymatini tanib olish ishonchliligining qiymatiga qanday bog‘liqligini ko‘rsatadi. Ya’ni, obyektlarni yuqori ishonchlilik bilan tanib olish holatlarida F1-score ning qiymati qanday bo‘lishini ko‘rsatadi. Shuningdek, bunday modellarni baxolashda RC-Curve (PR – egri chizig‘i) xarakteristikasi ham qo‘llaniladi. Bu xarakteristika grafigi Precision ning qiymatini Recall ning qiymatiga qanday bog‘liqligini ko‘rsatadi. Odatda Recall ning qiymatini ortishida (1 ga yaqinlashishida) Precisionning

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 qiymati kamayib ketadi [2]. a) 129 b) 1-rasm. F1-Confidence Curve (a) and PR-Curve (b) xarakteristikalari. Bu har ikki xarakteristikada ham egri chiziq ostidagi maydon (AUC – Area under the curve) yuzasining qanchalik katta bo‘lishi modelning samaradorligini, ya’ni, ko‘p sondagi obyetlarni tanib olish jarayonida xato qaror qabul qilish darajasini past bo‘lishini anglatadi. Mavjud dastlabki o‘qitilgan modelni qayta o‘qitish natijasida olinadigan model uy jihozlarini tanib olishga ixtisoslashgan, hisoblash resursi cheklangan qurilmalarda ishlash tezkorligi yuqori va tanib olish ishonchliligi yuqori bo‘lishi lozim. Demak, ushbu tadqiqot ishida yuqorida sanab o‘tilgan metrikalar bo‘yicha ijobiy ko‘rsatkichlarga ega obyektlarni tanib olsih modelini yaratish uchun avvalo mahalliylik xususiyatiga ega bo‘lgan ma’lumotlar to‘plami yaratiladi, so‘ngra qo‘llaniluvchi qurilmaning hisoblash resurslarini yuqori bo‘lishi talab qilinmaydigan obyektlarni tanib olishda qo‘llaniladigan dastlabki o‘qitilgan model tanlab olinadi va bu modelni yaratilgan ma’lumotlar to‘plami asosida qayta o‘qitiladi. So‘ngra qayta o‘qitilgan modelni yuqorida ko‘rib chiqgan baxolash metrikalar asosida baxolanadi va olingan tadqiqot natijalari asosida mos xulosalar chiqariladi. Tahlil va natijalar muhokamasi. Demak, avvalo ushbu tadqiqot ishida qo‘llanilish qurilmasi va maqsadiga mos obyektlarni tanib olish modelini tanlab olaylik. Buning uchun bugungi ushbu maqsadda qo‘llash uchun yaratilgan modellarni solishtirma tahlilini amallga oshirish va qo‘yilgan maqsadga mos eng maqbul oldindan o‘qitilgan modelni tanlab olamiz. Quyida bugungi kunda ob’uektlarni tanib olish uchun real vaqt rejimida ishlashga mo‘ljallangan mavjud oldindan o‘qitilgan modellar va ularning xususiyatlari keltirilgan [3-5]: YOLOv5s yoki YOLOv5n versiyalari. YOLO modelining bu versiyalari uning boshqa versiyalariga nisbatan aniqligi va cheklangan resursli qurilmalarda real vaqt rejimida tezkor ishlay olishi kabi xususiyatlari bilan ajralib turadi. SSD-MobileNet bu SSD (Single Shot Detektor) obyektlarni tanib olish algoritmining MobileNet

Volume 2, Issue 2 130 June 2025 Management and Future Technologies journal.umft.uz neyron tarmog‘i bilan konvergensiyasi natijasida hosil bo‘lgan dastlabki o‘qitilgan modeldir. Hususan SSD-MobileNet asosiy muammo bo‘lgan kichik hisoblash resursiga ega bo‘lgan mobil qurilmalarda ishlash uchun optimal yechimlardan biridir. Efficient Det-Lite - EfficientDet моделлари oilasining vakili bo‘lib Efficient Det-Lite modeli mobil va cheklangan hisoblash resursiga ega qurilmalarda samarali ishlaydi. Faster R-CNN – bu model R-CNN (Region-based Convolutional Neural Network) modelining evolyutsiyasi bo‘lib, bu modelda ishlov berish tezligi juda yuqori. Ammo tasvirlarga bunday yuqori tezlikda ishlov berish kuchli hisoblash resurslarini talab qiladi. Yuqorida ko‘rib o‘tilgan obyektlarni tanib olishda qo‘llaniluvchi modellarni ishlash samaradorligini belgilovchi va qo‘llanish qurilmasidagi hisoblash resurlariga bo‘lgan talablarga asoslanib solishtirganda quyidagi tahlil natijalari hosil bo‘ladi (1-jadval).

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 1-jadval. Obyektlarni tanib olish modellari xususiyatlari Hisoblash resursi Model cheklangan Ishlash qurilmalarda ishlash aniqligi 131 Tasvirlarga ishlov berish Qo‘llanilishi tezligi imkoniyati Real vaqt rejimida YOLOv5n (Nano) Yuqori darajada Яхши Juda yuqori kichik hisoblash resursiga ega qurilmalarda Real vaqt rejimida YOLOv5s (Small) Yuqori darajada Juda Яхши Juda yuqori kam kichik hisoblash resursiga ega qurilmalarda SSDMobileNet EfficientDetLite Yuqori darajada O‘rta darajada Ўртача Яхши Juda yuqori O‘rtacha Mobil qurilmalarda O‘rtacha hisoblash resursiga ega qurilmalarda Yuqori Faster R-CNN Samaradorlik past Юқори Past hisoblash resursiga ega qurilmalarda Demak, yuqoridagi tahlillar natijasiga ko‘ra ta’kidlash mumkinki, obyektlani tanib olish uchun real vaqt rejimida ishlashga mo‘ljallangan modellar ichida Yolov5s va Yolov5n modellari nafaqat Yolo modellar oilasi ichida, balki boshqa shu maqsadda qo‘llaniluivchi modellarga nisbatan real vaqt rejimida hisoblash resurslari cheklangan qurilmalarda qo‘llash uchun eng optimal variantlar hisoblanadi. Chunki cheklangan resursli qurilmalarda ishlash darajasi, ishlash tezligi, aniqligi kabi kriteriyalar bo‘yicha bu modellarni eng optimal yechim ekanliklarini ko‘rish mumkin. Yuqorida amalga oshirilgan solishtirma tahlil natijasida tanlab olingan Yolov5s va Yolov5n dastlabki o‘qitilgan modellarini mahalliylik xususiyatiga ega buyumlar va ular haqidagi ma’lumotlar asosida yaratib olingan ma’lumotlar to‘plami asosida qayta o‘qitiladi. Buning uchun 20 xil uy-roz’g‘or buyumlarini o‘z ichiga olgan 2000 ta rasmda iborat ma’lumotlar to‘plami yaratdib olingan. Demak, bu ma’lumotlar to‘plamida 20 ta sinf hosil bo‘ladi. Kerakli ma’lumotlar to‘plamini hosil qilishda obyektlar tasvirlangan rasmlarning o‘lchami Yolo

Volume 2, Issue 2 132 June 2025 Management and Future Technologies journal.umft.uz uchun qulay bo‘lgan 640x640 o‘lchamda yaratib olingan. Shuningdek barcha rasmlar sinflar kesimida o‘qitish (train) uchun 70%, validatsiya uchun 20% va testlash uchun mos ravishda 10% qilib ajratildi. Ushbu ma’lumotlar to‘plami asosida Yolov5s va Yolov5n versiyadagi dastlabki o‘qitilgan modellarni qayta o‘qitiladi. Bu o‘qitish jarayoni Google Colab muhitida amalga oshiriladi. Yolov5s va Yolov5n dastlabki o‘qitilgan modellarini qayta o‘qitishda giperparametrlarni tanlashda tanib olishdagi aniqlik darajasi va model ishlash tezkorligini balanslangan qiymatini ta’minlaydigan optimal qiymat sifatida batch=16, epochs =100 qilib belgilandi. Demak ushbu ma’lumotlar to‘plami asosida Yolov5s va Yolov5n dastlabki o‘qitilgan modellari qayta o‘qitildi. Har ikki dastlabki o‘qitilgan modelni qayta o‘qitish natijasida olingan modellar baxolash metrikalari bo‘yicha baxolandi. Endi olingan baxolash ko‘rsatkichlarni solishtirish va kerakli xulosalar qilish lozim. Tahlil va natijalar muhokamasi Qayta o‘qitish natijasida olingan har ikki modelning baxolash ko‘rsatkichlarini 2-jadvalda keltirilgan. Jadvalda qayta o‘qitish natijasida olgan har ikki modelimizning sinflar bo‘yicha umumiy olingan baxolash metrikalari qiymatlari aks ettirilgan. 2-jadval. Qayta o‘qitilgan modellarning turli baxolash metrikalari bo‘yicha ko‘rsatkichlari Model Model Model P R parametrlari (Precision) (Recall) 157 1 763 224 0.816 0.756 0.883 0.667 0.7849 157 7 018 216 0.848 0.91 0.893 0.697 0.877 qatlamlari soni Yolov5n mAP@0.5 mAP@0.5- F1- 0.95 score ni qayta o‘qitish natijasida yaratilgan model Yolov5n ni qayta o‘qitish natijasida yaratilgan model Yuqoridagi 2-jadvlada keltirilgan ma’lumotlarga asosan ta’kidlash mumkinki, Yolov5s ni qayta o‘qitish natijasida olingan model obyektlarni tanib olish aniqligini tavsiflovchi asosiy metrikalar bo‘yicha yuqori ko‘rsatkichlarga ega. Ya’ni, obyektlarni tanib olishlar sonining qancha qismi to‘g‘ri amalga oshirilganligini tavsiflovchi Precision, modelning mavjud obyektlardan qancha qismini

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 aniqlay olish qobiliyatini tavsiflovchi Recall, Precision va Recall ning muvozandagi qiymatini tavsiflovchi F1-score metrikalarining qiymatlari olingan ushbu model uchun yuqori qiymatga ega. Shuningdek bu qayta o‘qitish natijasida olgan modellarimizni ishonchliligini baxolash imkoniyatini beruvchi F1-Confidence Curve va PR-Curve xarakteristikalari quyidagi ko‘rinishga ega (2-rasm). (a) (b) 2-rasm. Modelning yuqori ishonchlilik bilan aniqlash ko‘rsatkichlarida F1-score ning qiymati qanday bo‘lishini aks ettiruvchi F1-Confidence Curve egri chiziq xarakteristikasi. Yolov5n ni qayta o‘qitish natijasida olingan model uchun –(a), Yolov5s ni qayta o‘qitish natijasida olingan model uchun –(b). a) b) 3-rasm. Modelning Recallning yuqori qiymatlarida Precision qiymati qanday bo‘lsihini aks ettiruvchi PR-Curve egri chiziq xarakteristikasi. Yolov5n ni qayta o‘qitish natijasida olingan model 133

Volume 2, Issue 2 June 2025 Management and Future Technologies journal.umft.uz uchun –(a), Yolov5s ni qayta o‘qitish natijasida olingan model uchun – (b). 134 Endi yuqorida taqdim etilgan ma’lumotlar asosida qayta o‘qitish natijasida olingan ikki modellarimizni o‘zaro solishtirma tahlilini amalga oshirish mumkin. 3-jadvalda keltirilgan ma’lumotlarga ko‘ra ta’kidlash mumkinki Yolov5s dastlabki o‘qitilgan modelini qayta o‘qitish natijasida olingan modelimiz Yolov5n dastlabki o‘qitilgan modelini qayta o‘qitish natijasida olingan modelimizga nisbatan deyarli barcha metrikalar bo‘yicha yuqori ko‘rsatkichlarga ega. Precision, Recall, mAP@0.5-0.95 va F1-score kabi metrikalar qiymatlari buni tasdiqlaydi. Modelning obyektlarni tanib olish aniqligi ham Yolov5s dastlabki o‘qitilgan modelini qayta o‘qitish natijasida olingan modelimiz uchun yuqori ko‘rsatkichlarga ega. Shuningdek modellarni ishonchli ishlashini tavsiflovchi F1-Confidence Curve va PR-Curve xarakteristikalari ham Yolov5s dastlabki o‘qitilgan modelini qayta o‘qitish natijasida olingan modelimizning ishlash ishonchliligi va aniqligi yuqori ekanligini tasdiqlaydi (3-rasm). Chunki bu xarakteristikalardagi egri chiziqlar ostidagi maydon yuzasi (Area under the Curve) qanchalik katta bo‘lsa bu egri chiziq tavsivlayotgan modeling ishonchliligi yuqori ekanligini anglatadi. Xulosa Xulosa qilish mumkinki, hisoblash resursi cheklangan yagona platali mikrokompyuter qurilmalarida Yolov5s dastlabki o‘qitilgan modelini maxsus ishlab chiqilgan mahalliylik xususiyatiga ega bo‘lgan ma’lumotlar to‘plami asosida qayta o‘qitish natijasida olingan modelni qo‘llash mumkin. Chunki: Recall, Precision, F1-score kabi baxolash metrikalari qiymatlariga (2-jadval) asoslanib ta’kidlash mumkinki, Yolov5s dastlabki o‘qitilgan modelini qayta o‘qitish natijasida olingan modelimiz bunday maqsad uchun samarali yechim bo‘la oladi. Bunday maqsadda qo‘llaniluvhi model hisoblash resursi cheklangan qurilmalarda ham ishlay olishi lozim. Bu modeldan ixchamlik va ishlash tezligini yuqori bo‘lishini talab qiladi. Yuqoridagi 2-jadvaldagi keltirilgan modellarning ishlash tezligini tavsiflovchi metrikalar bo‘lgan Preprocess va Inferense qiymatlariga asoslanib ta’kidlash mumkinki, Yolov5s dastlabki o‘qitilgan modelini qayta o‘qitish natijasida olingan modelimiz bunday maqsad uchun samarali yechim bo‘la oladi. Shuningdek yuqorida 2-rasmda tasvirlangan F1-Confidence Curve va 3-rasmda tasvirlangan PR-Curve xarakteristikalari grafiklari ham Yolov5s dastlabki o‘qitilgan modelini qayta o‘qitish natijasida olingan modelimiz nisbatan samaradorligi yuqori ekanligini tasdiqlaydi. Demak bu tahlillar asosida xulosa qilish mumkinki xonadon buyumlarini tanib olish vazifasini bajaruvchi qurilmani ishlab chiqishda ushbu ishda maxsus ma’lumotlar to‘plami asosida Yolov5s dastlabki o‘qitilgan modelini qayta o‘qitish natijasida olingan modeldan foydalanish samarani bo‘ladi.

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 Chunki bu model barcha baxolash metrikalari ko‘rastkichlari bo‘yicha ijobiy ko‘rsatkichlarga ega. Bu modelni qurilmada qo‘llash natijasida mahalliy sharoyitda foydalaniluvchi uy-ro‘zg‘or buyumlarini tez va yuqori aniqlikda aniqlash mumkin bo‘ladi. 135

Volume 2, Issue 2 136 June 2025 Management and Future Technologies journal.umft.uz Adabiyotlar 1. Smart Homes for Disabled People: A Review Study. Masoud M. Hassan, Cairo University, Asaad Khaleel. November 2022. Science Journal of University of Zakho 10(4):213-221. 2. Progress Mali. A Smart Home Appliance Control System for Physically Disabled People. March 2019. Conference: 2019 Conference on Information Communications Technology and Society (ICTAS). 3. A Deep Learning Based Model to Assist Blind People in Their Navigation. Nitin Kumar, Anuj Jain. Journal of Information Technology Education: Innovations in Practice 21:095-114. January 2022 4. Swathi, K., Vamsi, B., Rao, N.T. (2021). A Deep Learning-Based Object Detection System for Blind People. In: Saha, S.K., Pang, P.S., Bhattacharyya, D. (eds) Smart Technologies in Data Science and Communication. Lecture Notes in Networks and Systems, vol 210. Springer, Singapore. https://doi.org/10.1007/978-981-16-1773-7_18 5. A CNN-Based Wearable Assistive System for Visually Impaired People Walking Outdoors. I-Hsuan Hsieh, Hsiao-Chu Cheng, Hao-Hsiang Ke, Hsiang-Chieh Chen and Wen-June Wang Journal of Applied Sciences, Volume 11, Issue 21. Appl. Sci. 2021, 11(21), 10026; https://doi. org/10.3390/app112110026. 6. Optimal solutions for determining the distance to an object in an autonomous mobile device for people with disabilities. U.R.Xamdamov, B.A.Turgunov. “Digital transformation and artificial intelligence: problems, innovations and trends” 1st international scientific - practical conference, 11-sentyabr 2024, Tashkent, –B. 70-74. 7. Assisting Blind People Using Object Detection with Vocal Feedback. Heba Najm, Khirallah Elferjani, Alhaam Alariyibi. 2022 IEEE 2nd International Maghreb Meeting of the Conference on Sciences and Techniques of Automatic Control and Computer Engineering (MI-STA), pp. 48-52/ https://doi.org/10.1109/MI-STA54861.2022.9837737. 8. Guidance system for Visually Impaired Persons using Deep Learning and Optical flow. Shwetang Dubey, Alok Ranjan Sahoo, Pavan Chakraborty. 2023 27th International Computer Science and Engineering Conference (ICSEC). DOI:10.1109/ICSEC59635.2023.10329703. September 2023.

Management and Future Technologies Автор Ташметов Комолиддин Ташкентский государственный транспортный университет, Кафедра информационные системы и технологии на транспорте, Ташкент, 100167 Узбекистан; tashmetov1993@gmail.com journal.umft.uz June 2025 Volume 2, Issue 2 СРАВНИТЕЛЬНЫЙ АНАЛИЗ МОДЕЛЕЙ ГЛУБОКОГО ОБУЧЕНИЯ И KAN В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ ТРАНСПОРТНЫХ ПОТОКОВ А ннотация: В данной работе проведен сравнительный анализ моделей глубокого обучения (MLP, RNN, LSTM, GRU) и Колмогорово-Арнольдовской сети (KAN) для прогнозирования транспортных потоков. Основное внимание уделено оценке точности предсказаний с использованием метрик MSE, MAE и R². Для проверки обобщающей способности моделей использовались как тестовые, так и уникальные данные. По результатам экспериментов модель KAN показала лучшие показатели точности при прогнозировании транспортных потоков по сравнению с традиционными нейросетевыми архитектурами. Представлены визуализации архитектуры моделей, графики функции потерь и сравнительные таблицы результатов. Исследование подтверждает перспективность использования KAN в задачах транспортного моделирования, так как она демонстрирует высокую точность при меньших вычислительных затратах. Ключевые слова: транспортные потоки; модели прогнозирования; алгоритмы прогнозирования; методы глубокого обучения; MLP; RNN; LSTM; GRU; KAN; ARIMA; SVM; SVR. Copyright: © 2025 by the authors. Ushbu maqola Creative Commons Attribution (CC BY) litsenziyasi shartlari asosida tarqatiladigan ochiq foydalanish maqolasi hisoblanadi (https://creativecommons.org/ licenses/by/4.0/). 137

Volume 2, Issue 2 June 2025 Management and Future Technologies journal.umft.uz Введение 138 Рост количества транспортных средств в городах стал источником значительных проблем, таких как увеличение числа дорожно-транспортных происшествий, ухудшение экологической ситуации и снижение общей экономической продуктивности. В cвязи с этим связи особенно важно развитие интеллектуальных систем, способных управлять транспортными потоками с использованием искусственного интеллекта (ИИ). Такие системы могут не только оптимизировать движение на дорогах, но и минимизировать негативные последствия, вызванные дорожными заторами [1]. Транспортные заторы оказывают многогранное отрицательное влияние на городскую среду и жизнь людей. В экономическом аспекте они ведут к значительным потерям рабочего времени, росту расходов на топливо и ускоренному износу транспортных средств. Эти факторы снижают общую эффективность экономики, что особенно ощутимо в условиях современных мегаполисов, где даже небольшие задержки могут привести к крупным убыткам. Например, увеличение времени поездки напрямую связано с потерей производительности труда, а также с дополнительными издержками, связанными с эксплуатацией транспортных средств. В конечном итоге это отражается на экономической стабильности и развитии города. Не менее важным аспектом является влияние заторов на окружающую среду. Длительные простои транспортных средств на дороге способствуют увеличению выбросов вредных веществ в атмосферу, что ухудшает качество воздуха и усиливает изменения климата. Загрязнение воздуха в городах не только снижает комфорт проживания, но и создает серьезные угрозы для здоровья жителей. Это особенно актуально в условиях нарастающей урбанизации и роста населения в крупных городах [2]. Кроме того, транспортные заторы напрямую связаны с ухудшением качества жизни. Длительное ожидание в пробках вызывает стресс и неудовлетворенность, что может приводить к негативным последствиям как для психического, так и для физического здоровья водителей и пассажиров. Постоянные задержки на дороге снижают уровень удовлетворенности жизнью, что, в свою очередь, может повлиять на общее состояние общества. Отсюда возникает необходимость поиска эффективных решений, которые могли бы не только снизить число заторов, но и улучшить общее качество городской жизни. В условиях растущей урбанизации прогнозирование транспортных потоков становится одним из ключевых инструментов управления городской средой. Прогнозирование позволяет не только предвидеть возможные заторы, но и оптимизировать использование дорожной инфраструктуры. Это способствует улучшению дорожной безопасности, снижению уровня загрязнения окружающей среды и повышению эффективности использования транспортных ресурсов. Кроме того, эффективное прогнозирование помогает городским властям и

Management and Future Technologies journal.umft.uz June 2025 Volume 2, Issue 2 планировщикам более рационально распределять ресурсы и разрабатывать долгосрочные стратегии развития транспортных систем. Особое значение приобретает использование ИИ в прогнозировании транспортных потоков. Современные алгоритмы машинного обучения и глубокого обучения позволяют создавать модели, которые с высокой точностью предсказывают движение транспортных средств на дорогах. Эти модели могут учитывать широкий спектр факторов, включая погодные условия, время суток, состояние дорог и даже поведение водителей. Использование таких технологий позволяет значительно повысить точность прогнозов и, как следствие, эффективность управления транспортными потоками. С развитием технологий и ростом объемов данных, собираемых с помощью различных датчиков и систем мониторинга, потенциал применения ИИ в этой области будет только возрастать. Это открывает новые возможности для создания более устойчивых и эффективных транспортных систем, которые смогут справляться с растущими нагрузками и минимизировать негативные последствия урбанизации. Материалы и методы Прогнозирование транспортных потоков является важным инструментом для обеспечения устойчивого развития городов и повышения качества жизни. Оно позволяет не только оптимизировать дорожное движение, но и снизить негативное воздействие на окружающую среду, повысить безопасность на дорогах и улучшить общее состояние экономики (рис.1). В условиях нарастающей урбанизации и увеличения числа транспортных средств на дорогах, значение таких технологий будет только возрастать, делая их неотъемлемой частью современного городского управления [1]. Рис.1. Значимость прогнозирования транспортного потока. Анализ различных источников [2–4] показывает, что методы прогнозирования транспортных потоков непрерывно совершенствуются, что приводит к значительному 139

Volume 2, Issue 2 140 June 2025 Management and Future Technologies journal.umft.uz повышению точности и эффективности создаваемых моделей [2]. За последние десятилетия в этой области широко использовались статистические методы, методы машинного обучения и глубокого обучения. Эти подходы позволили существенно улучшить прогнозирование, сделав его более надежным и адаптивным к изменяющимся условиям. Рис. 2. Наиболее часто используемые методы прогнозирования. На рисунке 2 представлены наиболее используемые методы, включая самые популярные на данный момент. Эти методы включают как классические статистические подходы, так и современные алгоритмы машинного и глубокого обучения. Прогнозирование транспортных потоков требует использования различных методов, которые могут варьироваться в зависимости от сложности задачи и доступных данных [5]. Статистические методы предоставляют надежные и интерпретируемые решения для задач, где данные имеют предсказуемые паттерны. Методы машинного обучения обеспечивают гибкость и способность моделировать сложные зависимости в данных, а методы глубокого обучения открывают новые возможности для анализа больших объемов данных и выявления скрытых закономерностей [6]. В совокупности эти методы позволяют решать широкий спектр задач, связанных с прогнозированием транспортных потоков, обеспечивая основу для более эффективного управления транспортной инфраструктурой. K статистическим методам относятся традиционные подходы, которые основываются на анализе временных рядов и математическом моделировании [7,8]. Одним из наиболее известных статистических методов является ARIMA (AutoRegressive Integrated Moving Average), который сочетает в себе элементы авторегрессии, интеграции и скользящего среднего. Этот метод широко используется для прогнозирования временных рядов, особенно