Management and Future Technologies | Volume 2, Issue 4 | № 008

— расстояние точки, в которой определяется понижение уровня S , до реальной скважины, — то же до зеркального отображения скважины. При определении понижения уровня в одной из скважин принимаются следующие обозначения: r r0 - радиус скважины, в которой определяется понижение уровня; 0 - расстояние от этой скважины до ее зеркального отображения; ri и i - расстояния от той же скважины соответственно до всех взаимодействующих с ней реальных скважин и их зеркальных отображений; n Q , Q i 1,2,..n — расход каждой скважины, Qсум Qi — суммарный расход 0 i i 1 всех скважин; i Qi i 1,2,..n , где n — число взаимодействующих скважин. Значок показывает, Qсум что из суммы исключается скважина, в которой определяется понижение уровня. i2max 0,05 0,1 , из зависимости (2) получаем хорошо При длительных откачках, когда 4at известную формулу Форхгеймера для стационарных условий: S Qсум n Q0 ln 0 i ln i 2km r0 4km i 1 ri (3) При откачке из одной скважины второй член в правой части уравнений (2) и (3) исключается, а при определении уровня в точке, удаленной от всех скважин, первый член выпадает. В связи с извилистостью береговой линии реки и наличием меандр нередко бывает целесообразно принимать в схеме контур пласта в виде некоторого угла. В этом случае,если считать угол равным n, где п — целое положительное число ( n 1,2,3,... ), формула для расчета скважин может быть выражена следующим образом: S Qсум 2 n1 Q0 1i Ei i Ei 4km 4km i 1 (4) При n 1 она становится идентичной формуле (1) (для одиночной скважины, т. е. без суммы в правой части), а при n 2 , 0 , кроме реальной скважины следует учитывать три 2 зеркальных отображения, что соответствует схеме «пласта-квадранта» [2]. При длительных откачках вместо формулы (4) имеем: 160

Q0 2 n1 ln 1 3 2km r0 2 2 n 2 S (5) При большом числе скважин, расположенных параллельно реке в удалении от нее на расстоянии L , для расчета можно использовать зависимость, получающуюся при замене реального ряда скважин галереей с погонным расходом Qсум q0 2l где Q - суммарный расход скважин; l — полудлина галереи. При этом, используя сум известное решение из теории теплопроводности для бесконечной линейной системы постоянно действующих источников и применяя зеркальное отображение [1], получим: S Ql 2km 1 x 1 x F0 ierfc ier 2 F0 2 F0 (6) Здесь ierfcz —функция, определяемая по таблице и графику.[], x x , F0 at2 . L L При длительных откачках формула(.6) принимает следующий вид: S Qx 2km (7) При определении понижения уровня непосредственно в скважинах ряда, а также в точках, отстоящих от ряда в глубь берега, при x L S QL 2km (8) Для определения понижения уровня в скважинах ряда к выражению (8) следует добавить величину дополнительного сопротивления, определяемого в зависимости от размеров скважин, степени их несовершенства и расстановки в пределах ряда. При этом получим: S Q l ln 2km r0 где — поправка на несовершенство (9) скважины, r0 — радиус скважины. Во всех приведенных здесь формулах: — половина расстояния между скважинами ( l , l — половина длины ряда, n - общее число скважин). n 1 При действии береговых водозаборов фильтрация со временем приобретает установившийся характер, кривая изменения уровня подземных вод в этих условиях довольно быстро выполаживается и становится параллельной оси абсцисс (рис.1). В соответствии с этим прогнозы на длительные эксплуатационные периоды практически следует производить по формулам (3), (5) и (7) - (9) для стационарного потока. При устройстве крупных водозаборов подземных вод в долинах с постояннодействующим речным стоком часто возникает вопрос о том, в какой мере эксплуатация таких водозаборов может отразиться на общем водном балансе реки. 161

При оценке суммарных ресурсов подземных вод в пределах крупных речных бассейнов необходимо учитывать, что изъятие подземных вод в размерах, обеспечиваемых инфильтрацией атмосферных осадков и поступлением воды из поверхностных источников, приведет к соответствующему уменьшению открытого водного стока. Однако при устройстве водозаборов на локальных участках влияние эксплуатации подземных вод на открытый водный сток должно оцениваться в зависимости от конкретных гидрогеологических и гидрологических условий, схемы размещения водозаборных сооружений, длительности их эксплуатации и т. д. [4]. Для выявления некоторых общих закономерностей рассмотрим простейшую схему фильтрации при откачке из скважины вблизи реки с учетом естественного берегового потока подземных вод [1,6].Составим следующее уравнение: r2 2 q Q Ei S S скв S e Ei 4km 4at 4at km где q — бытовой расход подземного потока, r 2 y 2 x0 x 2 2 y 2 x0 x2 Составляющая скорости фильтрации по координате x r S Q x0 x 4 at x0 x 4 at q x k e 2 e m x 2m r 2 2 2 (10) Здесь m — мощность пласта 2 0,05 0,1 ) формируется При более или менее длительных откачках (когда 4at квазистационарный режим фильтрации и можно принимать x Q x0 x x0 x q 2m r 2 2 m (11) Приравнивая нулю это выражение, нетрудно получить координату точки разветвления потока, через которую проходит линия, ограничивающая область питания скважины. При этом можно представить себе такие случаи [2,3]. 1.Расход скважины целиком обеспечивается фильтрацией из реки (рис.5,а). 2. Расход скважины обеспечивается притоком подземных вод только со стороны берега (рис. 5, б). Раздельная точка (максимум кривой депрессии) находится между скважиной и рекой. Координаты раздельной точки: Q y m 0, Q x0 q xm x0 x0 q (12) 3. Расход скважины обеспечивается береговым потоком, но раздельная точка смещается к реке (касается ее, рис.1). ym xm 0, Q x0 q 162 (13)

4. Расход скважины обеспечивается береговым потоком подземных вод и фильтрацией из реки. В данном случае образуются две раздельные точки, координаты которых: Q x0 Q x0 q xm 0, ym x0 q (14) Через раздельную точку проходит так называемая раздельная или «нейтральная» линия тока, ограничивающая область питания скважины. Уравнение функции тока легко получить из (11), используя известное соотношение Даламбера — Эйлера: x dy Q y y arctg q y C arctg 2 x0 x x0 x (15) Полагая 0 при x 0 , получаем C 0 . Тогда, задаваясь любым значением y и Q , можно из (15) найти координаты x раздельной линии тока. 2 Величина расхода из реки Q p определяется по тому же выражению (15): ym Q p 2m x x0 dy 0 Подставляя сюда значение x по (2.10), получим интеграл: Qp 2Q ym x0 e 1 z 2 4 at 1 z dz 2q y 2 m (15а) 0 В первой схеме, при q 0 (рис.1,а), теоретически фильтрация из реки происходит на фронте бесконечно большой протяженности( y m ). В этом случаеследует, учитывать, что в реальных условиях фильтрация из реки может осуществляться лишь на ограниченных участках. Это связано с извилистостью русел, их заиленностью и частой сменой водопроницаемых русловых отложений водоупорными породами. При длительных откачках, пользуясь в качестве исходной формулой (11), можно получить следующее выражение для расхода из реки [2,8]: Qp 2Q arctg ym 2q y m x0 (16) Здесь ym определяется по формуле (14).Ширина «зоны захвата» берегового потока B 2 y m находится из следующего балансового соотношения; Qp 2Q arctg ym 2B y m q x0 Решая это последнее уравнение относительно B , получаем: x Q B arctg 0 y m (17) q ym 163

Для иллюстрации в табл.1.приведены результаты расчета Q p , y m и B при некоторых значения x0 , Q, q . Таблица 1. 1. 2. 3. 4. 5. 6. x0 , м Q, м 3 сутки q , м 2 сутки ym , м В, м Q р , м 3 сутки Q Q 100% 50 50 50 200 200 200 1000 1000 1000 826 826 826 0,2 0,6 1,0 0,2 0,6 1,0 279 156 117 472 218 112 981 645 494 1997 1071 722 786 625 518 427 184 8 78 62 51 52 22 10 1 Q p Qerfc 2 F . 0 p (18) Пример расчета по формулам (14), (17) и (18). Мы видим, что доля речных вод в общем расходе скважины может быть весьма существенной. 3. Результаты Рис. 2. График поножения уровня для одиночной скважины Рис. 3. График суперпозиции взаимного влияния двух скважин 164

Рис. 4. График модели галереи скважин 4. Выводы При откачке из группы взаимодействующих скважин, любым образом расположенных вблизи реки, оценку баланса с выявле¬нием отдельных составляющих источников, которыми обеспечи¬вается расход скважин, наиболее надежно можно производить путем построения фильтрационных сеток (графически или на ос¬нове моделирования) с использованием метода сложения течений. При расчетах береговых водозаборов во всех рассмотренных схемах, в том числе в тех, где расход водозабора обеспечивается целиком притоком подземных вод со стороны берега, влияние реки должно учитываться. Понижение уровня под действием откачки из скважин в таких условиях теоретически должно происходить во всех точках пласта, не только в «зоне захвата», ограничивающейся нейтральной линией тока, но и за ее пределами вплоть до реки (хотя фильтрации из последней и не возникает). Использованная литература 1. Бочевер Ф. М. Гидрогеологические расчеты крупных водозаборов под¬земных вод и водопонизительных установок. Стройиздат, 1963. 2. Веригин Н. Н., Саркисян В. С. Метод расчета подземных водо¬заборов и вертикального дренажа в полуограниченноом водоносном пласте. Тр. ВОДГЕО, вып. 13, Гидрогеология. Госстройиздат, 1966. 3. Влюшин В. Е. Метод непрерывного распределения стоков по площади для подсчета пластового давления при разработке крупных нефтяных залежей. Тр. МИНХ и ГП, вып. 55. Изд. «Недра», 1965. 4. Павловская Л.Н. Фильтрационные расчеты водопонизительных уста¬новок в строительных котлованах гидротехнических сооружений. Изв. ВНИИ Г им. Веденеева, т. 64, 1960. 5. Хамидов А.А., Худайкулов С.И «Теория струй многофазной вязкой жидкости «ФАН» 2003.140 с. 6. Хамидов А.А., Худайкулов С.И., Махмудов И.Э. «Гидромеханика» «ФАН» 2009.360 с. 165

TASVIRLARDAN SHOVQINLARNI OLIB TASHLASHNING KLASSIK USULLARI ORQALI TASVIR SIFATINI OSHIRISH Odiljonova Rano1, Bozorov Jasurbek2 1 " University of management and future technologies, magistrant; tel; Email; +998946163366; Email: norpulotovarano@gmail.com 2 University of management and future technologies, magistrant; jasurbek2155@gmail.com Annatatsiya:Ushbu maqolada raqamli tasvirlarni qayta ishlash jarayonida shovqinlarni kamaytirish orqali tasvir sifatini oshirishning klassik usullari tahlil qilinadi. Tadqiqotda o‘rtacha filtr, median filtr, Gauss silliqlash, bilateral filtr va Wiener filtr kabi an’anaviy denoising metodlarining ishlash tamoyillari, afzallik va cheklovlari o‘rganiladi. Tasvirdagi shovqin turlari — Gauss, tuzmurch va spekl shovqinlari hamda ularga mos filtrlar tanlovi ilmiy asosda ko‘rib chiqiladi. Shuningdek, klassik filtrlar yordamida shovqinni kamaytirish natijasida tasvirning aniqligi, kontrasti va vizual xususiyatlarining yaxshilanishi isbotlanadi. Maqola natijalari tasvirni qayta ishlash, kompyuter ko‘rish, tibbiy diagnostika, masofaviy zondlash va videokuzatuv tizimlarida amaliy ahamiyatga ega bo‘lib, klassik metodlarning samaradorligini ko‘rsatadi. Kalit so‘zlar: tasvir sifati, denoising, shovqin, median filtr, Gauss filtri, bilateral filtr, Wiener filtri, raqamli tasvirlar. Kirish. Raqamli tasvirlarni qayta ishlash bugungi kunda kompyuter ko‘rish, sun’iy intellekt, tibbiy diagnostika, kosmik tadqiqotlar va videokuzatuv tizimlarida eng muhim jarayonlardan biri hisoblanadi. Tasvirlar sifati ma’lumot yetkazishda asosiy omil bo‘lib, ularning aniqligi va tabiiyligi raqamli qurilmalarning funksional imkoniyatlarini belgilaydi. Biroq tasvirlarning uzatilishi, sensorga qabul qilinishi, atrof-muhit omillari hamda qurilma xatoliklari natijasida turli shakldagi shovqinlar yuzaga keladi. Ushbu shovqinlar tasvir sifatini pasaytiradi, detallarni buzadi hamda kompyuter orqali qayta ishlash jarayoniga salbiy ta’sir ko‘rsatadi. Shu bois tasvirdan shovqinni samarali olib tashlash raqamli tasvirlarni qayta ishlashning asosiy muammolaridan biri sanaladi. Tasvirdagi shovqinni kamaytirishning klassik yondashuvlari, ya’ni filtratsiya asosidagi denoising usullari ushbu yo‘nalishning poydevorini tashkil etadi. O‘rtacha filtr, median filtr, Gauss silliqlash, bilateral filtr va Wiener filtr kabi algoritmlar oddiy tuzilishga ega bo‘lishiga qaramay, tasvir sifatini tiklashda yuqori samaradorlik ko‘rsatadi. Ushbu metodlar yordamida tasvirni silliqlash, tuzmurch shovqinini bartaraf etish, konturlar va strukturalarni saqlagan holda shovqinni kamaytirish imkoniyatlari mavjud. Mavzuning dolzarbligi shundaki, zamonaviy chuqur o‘qitishga asoslangan modellar mavjud bo‘lishiga qaramay, klassik denoising filtrlar hali ham tezkor ishlashi, matematik asoslanganligi va turli sharoitlarda amaliy natija berishi sababli qo‘llanilib kelinmoqda. Shuningdek, ilmiy tadqiqotlarda klassik filtrlarning ishlash tamoyillarini o‘rganish orqali zamonaviy algoritmlar uchun ham samarali g‘oyalar shakllanmoqda. Shu ma’noda, ushbu tadqiqot tasvirlardan shovqinlarni olib tashlashning klassik usullarini tahlil qilish, ularning samaradorligini baholash va amaliy natijalarini yoritishga qaratilgan.[1]. 166

Raqamli tasvirlardan shovqinlarni olib tashlash sohasida ko‘plab ilmiy tadqiqotlar olib borilgan bo‘lib, ushbu yo‘nalish kompyuter ko‘rish va signalni qayta ishlash fanlarining eng faol rivojlanayotgan tarmoqlaridan biri hisoblanadi. Ilk tadqiqotlarda shovqinlarni kamaytirish uchun oddiy silliqlash usullari qo‘llanilgan. Xususan, o‘rtacha filtr va past chastotali filtratsiya tamoyillari asosida tasvirni silliqlash orqali shovqin kamaytirish natijalari olingan (Gonzalez & Woods, 2002). Ushbu usullar tasvirdagi nozik detallarning saqlanmasligi sababli keyinchalik takomillashtirildi. Median filtrning ishlab chiqilishi (Tukey, 1971) shovqinlarni, ayniqsa tuz-murch shovqinini samarali bartaraf qilish imkonini yaratdi. Median filtrlash piksel atrofidagi qiymatlarni o‘rtacha emas, balki median qiymat bilan almashtirish orqali kontur va strukturalarni saqlab qolishga xizmat qildi. Keyingi tadqiqotlar median filtrning o‘zgartirilgan versiyalarini yaratishga qaratilgan: moslashuvchan median filtr (Huang, 1979), zamon bo‘yicha median, takomillashtirilgan og‘irlikli median filtrlari shular jumlasiga kiradi. Gauss filtr va Wiener filtr kabi statistik asoslangan yondashuvlar ham ilmiy adabiyotlarda keng o‘rganilgan. Wiener filtr (Norbert Wiener, 1949) shovqinni kamaytirishda eng yaxshi chiziqli prognozlash modeliga asoslanib, shovqin va signalning dispersiyasini matematik baholash orqali optimal natijaga erishishni maqsad qiladi. Gauss silliqlash esa tasvirni yumshoq tarzda filtratsiya qilishga imkon berib, tasodifiy sensor shovqinlarini samarali yo‘qotishga xizmat qilgan. 1990-yillardan boshlab tasvirdagi chegaralarni saqlash muammosi dolzarb bo‘lib qoldi. Shu davrda bilateral filtr (Tomasi & Manduchi, 1998) taklif qilinib, u masofa hamda piksel intensivligi o‘rtasidagi farqlarni hisobga olgan holda shovqinni kamaytirishga muvaffaq bo‘ldi. Bilateral filtr tasvir konturlarini buzmasdan silliqlash xususiyati bilan avvalgi filtrlar ustidan ustunlikka ega bo‘ldi. Shuningdek, aniotropik diffuziya usuli (Perona & Malik, 1990) ham tadqiqotlarda katta e’tibor qozongan. Ushbu metod shovqinlarni bartaraf etish jarayonini issiqlik diffuziyasiga o‘xshash matematik modellashtirish orqali amalga oshirib, strukturali hududlarni buzmay shovqinni kamaytirishga imkon berdi. So‘nggi yillarda sodda klassik usullar asosida murakkab gibrid yondashuvlar ham taklif etilgan. Masalan, median va Gauss filtrlarining kombinatsiyasi, moslashuvchan variatsion modellar, statistik tahlil asosidagi filtrlash kabi texnikalar tasvirni qayta tiklashning samaradorligini oshirgan. Umuman olganda, mavjud ilmiy manbalar tasvirlardan shovqinni olib tashlashning klassik usullari oddiy, izchil, hisoblashga tejamkor va samarali ekanligini ko‘rsatadi. Bugungi kunda chuqur o‘qitish texnologiyalari paydo bo‘lishiga qaramay, klassik filtratsiya metodlari amaliyotda keng ishlatilmoqda hamda yangi algoritmlarning poydevori bo‘lib xizmat qilmoqda. Rasm kompyuterga yuklanadi va kerak bo‘lsa rangli formatga o‘tkaziladi, float turiga konvertatsiya qilinadi, bu filtrlarni hisoblash va natijalarni vizualizatsiya qilishda aniqlikni oshiradi. Avval median filtr ishlatiladi, u nuqta shaklidagi salt-pepper shovqinini kamaytiradi va tasvirning kontur hamda strukturasi saqlanadi. Keyin Gaussian filtr qo‘llanib, tasodifiy normal shovqinlar yumshatiladi, tasvir silliqlash orqali yanada tozalanadi va vizual sifat oshadi. Shundan so‘ng bilateral filtr yordamida rasmning detallarini saqlagan holda silliqlash davom ettiriladi, chekkalar buzilmaydi va strukturaviy elementlar himoyalanadi. Yakuniy bosqichda Wiener filtr tatbiq qilinadi, u statistika asosida tasvir va shovqin dispersiyasini hisoblab optimal silliqlashni amalga oshiradi, natijada rasm yanada toza va aniqligi yuqori bo‘ladi. Har bir filtr bosqichi natijasi vizual tarzda tekshiriladi, original rasm bilan taqqoslanadi, bu orqali filtrlar samaradorligi baholanadi. Ketma-ket filtrlar birlashmasi turli xil shovqin turlarini bir 167

vaqtning o‘zida kamaytirishga imkon beradi. Natijada tasvirning vizual sifati sezilarli darajada oshadi, konturlar va detallar saqlanadi, shuningdek, tasvirni tahlil qilish yoki kompyuter ko‘rish algoritmlari uchun qulay ma’lumot hosil bo‘ladi. Ushbu jarayon oddiy klassik filtrlar yordamida amalga oshiriladi, ammo ular birgalikda ishlatilganda murakkab shovqinlarni ham samarali kamaytiradi va zamonaviy denoising algoritmlari uchun poydevor yaratadi. 1-rasm.Shovqinlarni olib tashlash jarayoni. Raqamli tasvirlardan shovqinlarni samarali olib tashlash va tasvir sifatini oshirish maqsadida klassik denoising filtrlarining ketma-ket birlashtirilgan pipeline’i amalga oshirildi. Tadqiqot jarayoni quyidagi bosqichlardan iborat. Median filtr qo‘llash:Avval salt-and-pepper shovqinini bartaraf etish uchun median filtr ishlatildi. Har bir piksel atrofidagi median qiymat bilan almashtirildi, natijada tasvirning kontur va strukturalari saqlangan holda tasodifiy nuqta shaklidagi shovqinlar kamaytirildi. Gaussian filtr qo‘llash:Median filtr natijasiga Gaussian silliqlash tatbiq qilindi. Bu bosqichda tasodifiy normal taqsimotdagi shovqinlar yumshatildi va tasvir silliqlash orqali yanada tozalanib, vizual sifat oshirildi. Bilateral filtr qo‘llash:Gaussian filtrdan so‘ng bilateral filtr ishlatildi. Ushbu filtr rasmning strukturalarini va chekkalarini saqlagan holda silliqlashni davom ettirdi. Natijada tasvirning detallarini yo‘qotmasdan shovqin kamaytirildi. Yuqoridagi ketma-ket filtrlar birlashmasi tasvirdan turli xil shovqinlarni samarali olib tashlash, vizual sifatni sezilarli darajada oshiradi. 2-rasmdagi kabi yondashuv odatiy klassik filtrlarning birgalikdagi samaradorligini namoyon qiladi va ilmiy-tadqiqot hamda amaliy ishlarda foydalanish uchun xizmat qiladi. Ushbu tadqiqotda raqamli tasvirlardan shovqinlarni olib tashlash va tasvir sifatini oshirish maqsadida klassik denoising filtrlarining ketma-ket birlashmasi ishlab chiqildi. Pipeline Median, Gaussian, Bilateral va Wiener filtrlarini o‘z ichiga oladi, bu filtrlar turli xil shovqin turlarini kamaytirishda samarali bo‘lib, tasvirning kontur va detallarini saqlashga imkon beradi. Median filtr salt-and-pepper shovqinini kamaytirsa, Gaussian filtr tasodifiy normal shovqinlarni yumshatadi. Bilateral filtr tasvirning chekkalari va strukturaviy elementlarini himoyalaydi, Wiener filtr esa statistik yondashuv orqali optimal silliqlashni ta’minlaydi. 168

2-rasm.Bir nechta klassik usullar yurdamida shovqinlarni pasaytirish. Natijalar shuni ko‘rsatdiki, ketma-ket filtrlar birlashmasi oddiy klassik usullardan foydalangan holda tasvirni sezilarli darajada tozalash va sifatini oshirish imkonini beradi. Shu bilan birga, filtr parametrlarini optimallashtirish orqali tasvirning haddan tashqari xiralashishi oldi olindi. Ushbu yondashuv ilmiy-tadqiqot va amaliyotda, jumladan kompyuter ko‘rish, tibbiy diagnostika va videokuzatuv tizimlarida samarali qo‘llanilishi mumkin. Foydalanilgan Adabiyotlar 1. Khatamov, O. (2025). Image denoising and reconstruction in medical imaging // Journal of Science-Innovative Research in Uzbekistan, 3(6), 125–130. 2. Ravshanov, A. A. (2024). Using a neural network to remove noise from images. IJCTCM Research Commons, 2024(3), 72–77. 3. Rakhimov, B., Otamuratov, K., & O‘razmatov, T. (2025). Digital image processing models and algorithms for medical images. Techscience Uz – Topical Issues of Technical Sciences, 3(5), 17–24. 169

MASOFAVIY TA’LIM AXBOROT TIZIMIDA FAN KONTENTLARINI SHAKLLANTIRISHNING FUNKSIONAL IMKONIYATLARI Zarmasov Elbek; Elov Jamshid; Kimsanboyev Nurillo Toshkent axborot texnologiyalari universiteti masofaviy ta’lim markazi Zarafshon fakulteti dekan o‘rin bosari Toshkent axborot texnologiyalari universiteti masofaviy ta’lim markaz boshlig‘i Toshkent axborot texnologiyalari universiteti masofaviy ta’lim markazi bosh mutaxassisi kimsanboyevnurillo@gmail.com Annotatsiya: Mazkur maqolada masofaviy ta’lim axborot tizimlarida fan kontentlarini shakllantirishning texnik va pedagogik jihatlari, ularning funksional imkoniyatlari, o‘quv jarayonini optimallashtirishdagi roli hamda zamonaviy raqamli texnologiyalar bilan integratsiyasi tahlil qilinadi. Shuningdek, fan kontentini yaratishda multimedia elementlari, interfaol vositalar va sun’iy intellekt algoritmlaridan foydalanishning samaradorligi yoritilgan. Tayanch iboralar: masofaviy ta’lim, axborot tizimi, fan kontenti, LMS, multimedia, interfaol ta’lim, raqamli texnologiya, sun’iy intellekt. Kirish Bugungi kunda ta’lim tizimining raqamlashtirilishi ta’lim jarayonini yangi bosqichga olib chiqmoqda. Masofaviy ta’lim axborot tizimlari (Learning Management Systems - LMS) o‘qituvchi va talaba o‘rtasidagi o‘zaro aloqani virtual muhitda tashkil etish, ta’lim kontentini yaratish va tarqatish, hamda o‘qitish jarayonini nazorat qilish uchun asosiy platformaga aylanmoqda. Fan kontentini to‘g‘ri shakllantirish masofaviy o‘qitishning samaradorligini belgilovchi eng muhim omillardandir. Chunki o‘quv materialining tuzilmasi, taqdim etilish shakli va texnik imkoniyatlari o‘quvchilarning bilimni egallash tezligi va sifatiga bevosita ta’sir ko‘rsatadi. Fan kontenti tushunchasi va uning tarkibiy qismlari Masofaviy ta’limdagi fan kontenti - bu o‘quv fanining barcha axborot resurslarini o‘z ichiga oluvchi raqamli majmua bo‘lib, u quyidagi tarkibiy qismlardan iborat: Matnli ma’lumotlar (ma’ruza, amaliy mashg‘ulotlar, yo‘riqnomalar); Multimedia elementlari (rasmlar, audio, video, animatsiyalar); Interfaol mashqlar (test, viktorina, simulyatsiya); Nazorat modullari (oraliq va yakuniy baholash); Forum va muhokama bo‘limlari (muloqot va tajriba almashish uchun). Fan kontentini yaratishda bu elementlar o‘zaro uyg‘unlikda ishlashi, talaba faoliyatini rag‘batlantiruvchi mexanizmlar bilan boyitilishi zarur, [1]. Fan kontentlarini shakllantirish jarayonining bosqichlari Masofaviy ta’lim tizimida fan kontentini yaratish jarayoni bir necha bosqichlardan iborat: 1. Tahlil bosqichi - o‘quv maqsadlarini aniqlash, talabalar ehtiyojini o‘rganish. 2. Loyiha bosqichi - kontent tuzilmasi, modul tizimi, o‘quv yo‘nalishlari ishlab chiqiladi. 3. Yaratish bosqichi - matn, media va interfaol elementlar ishlab chiqiladi. 170

4. Integratsiya bosqichi - kontent LMS tizimiga joylanadi. 5. Sinov va tahlil bosqichi - foydalanuvchi tajribasi (UX) asosida samaradorlik baholanadi. Bu bosqichlar o‘zaro uzviy bog‘liq bo‘lib, o‘qituvchidan texnik, dizayn va pedagogik kompetensiyani talab etadi. Xalqaro tajribalarda masofaviy ta’lim axborot tizimining fan kontentlarini shakllantirishning funksional imkoniyatlari, ko‘plab mamlakatlarda muvaffaqiyatli joriy etilgan va har bir mamlakatning o‘ziga xos tajribasi mavjud, bunga misol qilib quyudagi davlatlarni olsak bo‘ladi. AQSh tajribasi – LMS ekotizimining rivojlangan modeli AQShda masofaviy ta’lim tizimlari eng rivojlangan sohalardan biridir. U yerda Canvas, Blackboard, Coursera, EdX kabi platformalar keng qo‘llaniladi. Bu tizimlarda fan kontentlari quyidagi funksional imkoniyatlarga ega: Adaptiv ta’lim modullari: tizim foydalanuvchining o‘qish tezligi va bilim darajasini tahlil qilib, shunga mos kontentni taklif etadi. AI (sun’iy intellekt) asosida avtomatik baholash: testlar va loyiha topshiriqlarini avtomatik tahlil qilinadi. Gamifikatsiya elementlari yordamida motivatsiya oshiriladi. Masalan, “Canvas Badges” tizimi orqali talaba har bir bosqichda raqamli sertifikat oladi. Multimedia integratsiyasi - video darslar, virtual laboratoriyalar, podkastlar yordamida o‘qitish [2,3]. Janubiy Koreya tajribasi - Raqamli ta’lim platformalarini milliy darajada boshqarish Janubiy Koreyada KERIS (Korea Education and Research Information Service) tashkiloti ta’limni to‘liq raqamlashtirish uchun yagona tizim yaratgan. Uning tarkibida EDUNET nomli milliy o‘quv portali mavjud bo‘lib, u quyidagi imkoniyatlarni beradi: Yagona bulutli ma’lumot bazasi: barcha fan kontentlari yagona serverda saqlanadi va barcha o‘qituvchilar foydalanishi mumkin. Moslashtirilgan ta’lim yo‘nalishlari: o‘quvchilarning yoshi, fani va o‘qish tezligiga qarab o‘qitish ssenariysi avtomatik yaratiladi. Virtual laboratoriyalar: fizika, kimyo va biologiya fanlari uchun tajriba simulyatorlari ishlab chiqilgan. AI yordamida monitoring: tizim har bir talabani faoliyatini tahlil qilib, o‘qituvchiga tavsiya beradi. Finlyandiya tajribasi - Shaxsga yo‘naltirilgan raqamli ta’lim Finlyandiya ta’lim tizimi shaxsga yo‘naltirilgan yondashuv va mustaqil o‘rganishni rivojlantirishda yetakchidir. Ularning MOOC (Massive Open Online Courses) va Funet LMS platformalari quyidagi jihatlar bilan ajralib turadi: O‘quvchini markazga qo‘yish: fan kontenti individual qiziqish va maqsadlarga mos ravishda tanlanadi [4,5]. Ochiq ta’lim resurslari (OER): barcha o‘qituvchilar va talabalar kontentni erkin yuklab olishi yoki o‘zgartirishi mumkin. 171

Kross-platformaviy moslashuv: fan kontenti kompyuter, planshet va smartfonlarda bir xil interfeysda ishlaydi. Yashil texnologiyalar tamoyili asosida energiya tejamkor LMS serverlari qo‘llaniladi. Xalqaro tajribalarda masofaviy ta’lim axborot tizimining fan kontentlarini shakllantirishning funksional imkoniyatlari AQSh tajribasi – LMS ekotizimining rivojlangan modeli Janubiy Koreya tajribasi Raqamli ta’lim platformalarini milliy darajada boshqarish Finlyandiya tajribasi - Shaxsga yo‘naltirilgan raqamli ta’lim Adaptiv ta’lim modullar Yagona bulutli ma’lumot bazasi O‘quvchini markazga qo‘yish AI (sun’iy intellekt) asosida avtomatik baholash Moslashtirilgan ta’lim yo‘nalishlari Ochiq ta’lim resurslari (OER) Gamifikatsiya elementlari yordamida motivatsiya oshiriladi Virtual laboratoriyalar Kross-platformaviy moslashuv Multimedia integratsiyasi - video darslar, virtual laboratoriyalar AI yordamida monitoring Yashil texnologiyalar tamoyili asosida energiya tejamkor LMS serverlari qo‘llaniladi 1-rasm. Xalqaro tajribalarda masofaviy ta’lim axborot tizimining fan kontentlarini shakllantirishning funksional imkoniyatlari. Zamonaviy LMS tizimlari (Moodle, Canvas, Google Classroom, Everest LMS va boshqalar) fan kontentlarini shakllantirishda keng funksional imkoniyatlarni taqdim etadi: Multimedia integratsiyasi: video darslar, audio sharhlar, 3D modellarni joylashtirish. Interfaol test tizimlari: avtomatik baholash, vaqtli testlar, o‘zini baholash imkoniyati. Modulli tuzilma: o‘quv materiallarini mavzu va bosqichlarga ajratish. Moslashuvchan interfeys: foydalanuvchining qurilmasiga mos ko‘rinishda chiqish (responsive dizayn). Tahliliy monitoring: talabaning faoliyatini kuzatish, statistik hisobotlar tuzish. Bulutli saqlash imkoniyati: kontentni istalgan joydan foydalanish. Fan kontentlarini shakllantirishda texnologik yondashuvlar Masofaviy ta’lim kontentini yaratishda quyidagi texnologiyalar keng qo‘llaniladi: HTML5 va SCORM standartlari asosida kontentni modullashtirish; AI (sun’iy intellekt) yordamida adaptiv o‘qitish (foydalanuvchiga mos material taklif etish); Gamifikatsiya elementlari - o‘yin uslublarini qo‘llab, motivatsiyani oshirish; VR/AR texnologiyalari - laboratoriya ishlarini virtual muhitda bajarish; Interfaol chatbotlar - talabaga 24/7 yordam beruvchi virtual yordamchi sifatida. O‘quv materiallarini zamonaviy axborot-kommunikatsiya texnologiyalari asosida rejalashtirish, ishlab chiqish va taqdim etish jarayonidir. Ushbu yondashuvda ta’lim maqsadlari va kutilayotgan kompetensiyalar aniqlanadi, o‘quvchilar ehtiyojlari tahlil qilinadi hamda mos pedagogik modellar (masalan, Blended Learning, Flipped Classroom) tanlanadi. Fan kontenti LMS platformalari orqali multimedia (video, test, simulyatsiya) ko‘rinishida taqdim etilib, avtomatik baholash va monitoring vositalari yordamida o‘quv jarayoni nazorat qilinadi. Natijada ta’lim jarayoni yanada moslashuvchan, interaktiv va samarali bo‘lib, o‘quvchilarning mustaqil o‘rganish imkoniyatlari kengayadi [6,7]. 172

Masofaviy ta’lim axborot tizimida fan kontentlarini shakllantirishning funksional imkoniyatlari Yangi yaratish O‘quv dasturi Ma’lumot Fan nomi Nazariy bilim Dasturlar Fan uchun qisqa ta’rif Fan tili Mavzu nomi Nazariy ma’lumotlar Talabalar uchun qisqacha ta’rif Video darslar Test mashg‘uloti Urunishlar soni Mashg‘ulot turi Amaliy ko‘nikma Amaliy ma’lumotlar Urinishlar soni 2-rasm. Masofaviy ta’lim axborot tizimida fan kontentlarini shakllantirishning funksional imkoniyatlari Fan kontentini samarali tashkil etish tamoyillari Fan kontentlarini ishlab chiqishda quyidagi tamoyillarga rioya etish zarur: 1. Pedagogik maqsadga yo‘naltirilganlik; 2. Axborotning tizimliligi va bosqichma-bosqichligi; 3. Vizual va audio muvozanat; 4. Talaba faol ishtirokini ta’minlash; 5. Texnik soddalik va qulay interfeys. Masofaviy fan kontentlarini shakllantirishning afzalliklari Masofaviy fan kontentlari quyidagi ustunliklarga ega: Talabalarga moslashuvchan o‘qish muhiti yaratadi; O‘qituvchiga vaqt va resurslarni tejash imkonini beradi; Axborotni tez yangilash va doimiy ravishda takomillashtirish imkonini beradi; Global o‘quv resurslariga kirish imkonini ochadi; Ta’lim sifatini oshirish va baholashning shaffofligini ta’minlaydi [8,9]. 3-rasm. Masofaviy axborot tizmida fan kontent yaratish uchun o‘quv dasturi bo‘limi. 173

4-rasm. Mavzularning yaratilgan holati. 4-rasmdagi sahifada fanning mavzular soni keltirilgan bo‘lib har bir mavzular ikki qismga ajratiladi nazariy bilim va amaliy ko‘nikma va ushbu bo‘limlarga ma’lumotlar joylashtiriladi(5-6rasmlarda vazifalari ko‘rsatilgan). 5-rasm. Nazariy bilimning umumiy ko‘rinishi. 5-rasmdagi sahifada nazariy bilim bo‘limida fanga doir nazariy materiallar, taqdimotlar, video darsliklar va test materiallari joylashtiriladi, testni ishlash uchun talabaga ikkimarta urunish beriladi, birinchi urunishda talaba ishlagan natijasiga qoniqmasa ikkinchi urunishdan foydalanishi mumkun bo‘ladi, agar talaba tizmda test ishlash uchun ikkinchi urunishdan foydalansa ikkinchi urunish natijasini inobatga oladi. 6-rasm. Amaliy ko‘nikmaning umumiy ko‘rinishi. 174

Amaliy ko‘nikam bo‘limida talabalar amaliy topshiriqni bajarish uchun amaliy uslubiy ko‘rsatma va amaliy topshirlarn joylashtiriladi, amaliy topshiriqni yuklash uchunham ikkimarta urunish beriladi, talabalar tamonidan texnik xatolik bo‘lib yokida anglashilmovchilik bo‘lganda to‘g‘ri vazifani qayta yuklash imkoniyati mavjud [10,11]. Xulosa Xulosa qilib aytganda masofaviy ta’lim axborot tizimlarida fan kontentlarini shakllantirishning funksional imkoniyatlari, texnologik va pedagogik yondashuvlari hamda ularning o‘quv jarayonidagi ahamiyati keng tahlil qilindi. Tadqiqot natijalari shuni ko‘rsatadiki, zamonaviy LMS platformalari asosida ishlab chiqilgan fan kontentlari ta’lim jarayonining samaradorligini oshirish, o‘quvchilarning mustaqil bilim olish ko‘nikmalarini rivojlantirish va o‘qitish jarayonini moslashuvchan tashkil etishda muhim rol o‘ynaydi. Fan kontentlarini shakllantirishda multimedia, interfaol vositalar, adaptiv o‘qitish mexanizmlari hamda sun’iy intellekt texnologiyalaridan foydalanish ta’lim sifatini sezilarli darajada yaxshilash imkonini beradi. Shuningdek, fan kontentlarini ishlab chiqishda pedagogik maqsadga yo‘naltirilganlik, tizimlilik, vizual va texnik muvozanat tamoyillariga amal qilish zarurligi asoslab berildi. Texnologik yondashuvlar asosida shakllantirilgan kontent nafaqat talabalarning bilim darajasini oshiradi, balki o‘qituvchilar faoliyatini optimallashtirish, baholash jarayonining shaffofligini ta’minlash va ta’lim resurslaridan samarali foydalanish imkonini yaratadi. Foydalanilgan adabiyotlar 1. O‘zbekiston Respublikasi Prezidentining “Raqamli O‘zbekiston - 2030” strategiyasi. 2. UNESCO. Distance Learning Strategies in Education Systems, 2021. 3. Moodle Documentation, 2024. 4. Karimov, B. “Axborot tizimlarida ta’lim kontentini ishlab chiqish metodologiyasi”, TATU jurnali, 2023. 5. World Bank Report, Digital Education Transformation, 2023. 6. Siemens, G. Connectivism: A learning theory for the digital age. International Journal of Instructional Technology and Distance Learning, 2005. 7. Bates, A. W. Teaching in a Digital Age: Guidelines for Designing Teaching and Learning. Tony Bates Associates Ltd, 2019. 8. Means, B., Bakia, M., & Murphy, R. Learning Online: What Research Tells Us About Whether, When and How. Routledge, 2014. 9. Khalil, M., & Ebner, M. MOOCs completion rates and possible methods to improve retention. World Conference on Educational Multimedia, 2014. 10. OECD. Education at a Glance: Digital Education. Paris, 2022. 11. Jamshid Elov, Utkir Khamdamov, Utkir Khamdamov. Development of a database of higher education process management information system based on the relational model, International Conference of Information science and communications technologies applications, trends and opportunities ICISCT 2021. 3-5 November, 2021. Tashkent, Uzbekistan 175

SUN’IY INTELLEKT TEXNOLOGIYALARI ASOSIDA IMO‑ISHORA ANIQLASHNING NAZARIY ASOSLARI Aminov shavkatjon Toshkent amaliy fanlar universiteti Raqamli va fundamentlar fanlar kafedra assistenti; aminovshavkatjon93@gmail.com Annotatsiya: Maqolada sun’iy intellekt texnologiyalari asosida imo-ishora tilini aniqlashning nazariy asoslari va so‘nggi yillarda olib borilgan ilmiy tadqiqotlar tahlil qilingan. Tadqiqot doirasida konvolyutsion neyron tarmoqlar, LSTM, GRU hamda transformer arxitekturalariga asoslangan modellarni qo‘llash imkoniyatlari solishtirma tahlil asosida yoritilgan. Shuningdek, hybrid va multimodal yondashuvlarning aniqlik darajasi hamda real vaqt rejimida ishlash samaradorligi baholangan. Xalqaro imo-ishora datasetlari asosida olingan natijalar O‘zbek imo-ishora tilini raqamlashtirish va avtomatik aniqlash tizimlarini ishlab chiqish uchun muhim ilmiy asos bo‘lib xizmat qilishi ko‘rsatib berilgan. Tadqiqot natijalari inklyuziv texnologiyalarni rivojlantirish hamda sun’iy intellekt asosidagi muloqot tizimlarini takomillashtirishda qo‘llash imkoniyatiga ega. Kalit so‘zlar: sun’iy intellekt, imo-ishora tilini aniqlash, deep learning, konvolyutsion neyron tarmoqlar, transformer arxitekturalari, hybrid modellar, multimodal yondashuv, explainable AI, real vaqt tizimlari. Kirish Sun’iy intellekt (SI) texnologiyalari o‘nggi yillarda inson-kompyuter interfeysi va kommunikatsiya sohalarida inqilobiy o‘zgarishlarni amalga oshirdi. Ayniqsa, eshitish va nutq qobiliyati cheklangan shaxslar bilan samarali muloqot qilish imkoniyatlarini oshirish yo‘nalishida, imo-ishora tilini aniqlash va tarjima qilish tizimlari muhim ahamiyat kasb etadi. Imo-ishora tilini aniqlash – bu qo‘l harakatlari, imo va mimikalarni tasvir yoki sensor signallar orqali qayta ishlash va ularni matn yoki nutqqa aylantirish jarayonidir. So‘nggi uch yil ichida ushbu sohada chuqur o‘rganish (deep learning) va sun’iy neyron tarmoqlar asosidagi yondashuvlar keng qo‘llanila boshlandi. Masalan, 3D konvolyutsion neyron tarmoqlar, uzoq muddatli xotiraga ega LSTM modellar, shuningdek, transformer arxitekturalari imo-ishora aniqlashda yuqori aniqlik va real vaqt ishlash imkonini berdi. Tadqiqotlar shuni ko‘rsatadiki, hybrid modellarning qo‘llanilishi – masalan, konvolyutsion neyron tarmoqlari transformer va konvolyutsion neyron tarmoqlari kombinatsiyalari – turli datasetlar (ASL, ISL, ArSL) bilan ishlashda aniqlikni sezilarli darajada oshiradi. Bundan tashqari, multimodal yondashuvlar, jumladan, tasvir, pozalar va qo‘l harakatlarini birgalikda tahlil qiluvchi tizimlar, imo-ishora aniqlashning samaradorligini yanada oshirishga yordam bermoqda. Shu bilan birga, explainable Suniy intelekt (XAI) metodlari modellarning qaror qabul qilish jarayonini tushunishga imkon berib, tizimlarni foydalanuvchilar va mutaxassislar uchun yanada ishonchli qiladi. Ushbu maqola sun’iy intellekt texnologiyalari asosida imo-ishora aniqlashning nazariy va amaliy jihatlarini birlashtirgan holda, soha rivojiga o‘z hissasini qo‘shadi. Adabiyotlar tahlili So‘nggi uch yil ichida sun’iy intellekt asosida imo-ishora aniqlash sohasida bir qator yirik tadqiqotlar o‘tkazildi. Deng, Guo va Niannan (2019) ta’kidlashicha, sun’iy intellekt asosidagi chuqur neyron tarmoqlarda maxsus yo‘qotish funksiyasini (angular margin loss) qo‘llash obyektlarni, xususan, yuz tasvirlarini aniqroq farqlash imkonini beradi.[1] 176

1-jadval. Datasetlar va statistika Dataset ASL 100 ArSL 50 ISL 200 UZ SL Millat / Tili Video soni Imo harakatlari soni Foydalanuvchi soni Aniqlik darajasi (eng yaxshi model) Amerika 1000+ 100 50+ 96–98% Arab 500+ 50 30 94–96% Hind 2000+ 200 100+ 95–97% O‘zbekiston 300+ 80 40 88–90% (eksperimental) Imo-ishora aniqlashda turli chuqur o‘rganish modellarining imkoniyatlari so‘nggi yillarda keng o‘rganildi. Long Short-Term Memory(LSTM) va Gated Recurrent Unit(GRU) modellar, masalan, Paul, S., Gupta, R., & Martinez, J. (2025) olimlarnig ishida, konvolyutsion neyron tarmoqlari bilan birlashtirib ishlatilgan va Amerika Sign Language datasetida 96% aniqlik ko‘rsatgan[2]. Ushbu modellar ketma-ketlikdagi imo-ishora harakatlarini aniq o‘rganishga va vaqt bo‘yicha yuz beradigan o‘zgarishlarga bardoshli bo‘lishga imkon beradi, shuningdek, turli harakatlarning ketma-ketlik xususiyatlarini to‘liq qamrab oladi. Shu bilan birga, vizual detallarga sezgirligi nisbatan past va parallel hisoblashda samaradorligi cheklangan. Hybrid yondashuvlar, masalan, konvolyutsion neyron tarmoqlari va LSTM yoki Transformer va konvolyutsion neyron tarmoqlari arxitekturalari, vizual va ketma-ketlik ma’lumotlarini birlashtiradiAly, S., & Fathi, A. (2024). tadqiqotining, Transformer hamda konvolyutsion neyron tarmoqlari arxitekturasi ArSL datasetida 97–98% aniqlikni ta’minlagan. [3] Bu modellar real vaqt ishlashda ham yuqori aniqlikni saqlab qoladi, chunki ular harakatlar ketma-ketligi va vizual ma’lumotlarni bir vaqtning o‘zida o‘rganadi. Shu bilan birga, arxitektura murakkab bo‘lgani uchun katta dataset va kuchli hisoblash resurslari talab etiladi. Multimodal yondashuvlar esa imo-ishora aniqlashda yanada keng imkoniyatlar yaratadi. Video tasvirlar, qo‘l pozalari va inertial sensorlar birgalikda ishlatiladi. Masalan, Alzohairi, R., Alghonaim, A., Al-Slamah, R., & Al-Mubarak, H. (2024) olimlar olib borgan tadqiqot ishida esa MobilNetV3 va ResNet50 yordamida tasvirni qayta ishlash hamda attention mexanizmi orqali aniqlikni 94–97% darajasiga yetkazgan. [4] Bunday yondashuv harakatlarni yanada aniq va ishonchli aniqlash imkonini beradi va Explainable Suniy intelekti yordamida qarorlarni tushunishni osonlashtiradi, biroq tizim murakkabligi va qo‘shimcha hisoblash resurslari talab qilinishi e’tiborga olinishi kerak. So‘nggi tadqiqotlar shuni ko‘rsatadiki, imo-ishora aniqlashda hybrid va multimodal modellar eng samarali hisoblanadi. Ular turli ma’lumotlarni birlashtirib, real vaqt rejimida yuqori aniqlik bilan ishlashga qodir bo‘lib, foydalanuvchilar uchun ishonchli va tushunarli tizimlar yaratish imkonini beradi. Shu bilan birga, turli modellarning cheklovlarini hisobga olgan holda, kelajakda resurslarni optimallashtirish va tizimlarni universal qilish bo‘yicha tadqiqotlar davom ettirilishi lozim. Batafsil solishtirrma quyidagi jadvalda to‘liq bayon etilgan. (2-jadval) 177

2-jadval. Batafsil solishtirma jadval Aniqlik Real Hisoblash Model / Yondashuv Dataset Afzalliklari Kamchiliklari (%) vaqt xarajati 3D Harakatlar va Parametrlar KONVOLYUTSION ASL vizual ketma94–95 O‘rtacha Yuqori ko‘p, resurs NEYRON 100 ketlikni talab qiladi TARMOQLARI o‘rganadi Ketma-ketlik Vizual detalni ASL LSTM / GRU 90–96 Yuqori O‘rtacha va temporal yetarlicha 100 xususiyatlar o‘rganmaydi KONVOLYUTSION Vizual + NEYRON ASL / temporal Murakkab 95–97 Yuqori Yuqori TARMOQLARI va ISL ma’lumotlarni arxitektura LSTM birlashtiradi Transformer va Uzun ketmaKONVOLYUTSION O‘rtachaketliklar va Katta dataset ArSL 96–98 Yuqori NEYRON Yuqori attention talab qiladi TARMOQLARI mexanizmi Arxitektura murakkab, Ishonchli, Multimodal va XAI ArSL 94–97 Yuqori Yuqori qo‘shimcha tushuntiriladi sensorlar kerak Tahlil xulosalari 1. Hybrid modellar (konvolyutsion neyron tarmoqlari + lstm, transformer + konvolyutsion neyron tarmoqlari) imo-ishora aniqlashda eng yuqori aniqlik va real vaqt ishlash balansini beradi. 2. LSTM va GRU modellar temporal ketma-ketlikni yaxshi o‘rganadi, lekin vizual detalni yetarlicha hisobga olmaydi. 3. Multimodal yondashuvlar va explainable AI foydalanuvchi ishonchliligini oshiradi va tizimni ilmiy asoslash imkonini beradi. 4. Dataset hajmi va xilma-xilligi model aniqligiga bevosita ta’sir qiladi; O‘zbek imo-ishora tizimlari uchun keng va xilma-xil dataset yaratish zarur. Izlanishim natijalari sifatida O‘zbek alifbosining 28 ta asosiy harfini o‘z ichiga olgan original tasvirlar to‘plami shakllantirildi. Hajmi: Jami 7,938 ta noyob tasvirdan foydalanildi. Har bir harf uchun o‘rtacha 5,000 tadan ortiq o‘quv namunalari hamda sifat nazorati uchun 1,500 ga yaqin test tasvirlari tayyorlandi. Imo-ishora belgilarini (Static Gestures) aniqlashda kompyuter ko‘rishining eng samarali usuli hisoblangan Konvolyutsion neyron tarmoqlari (konvolyutsion neyron tarmoqlari) tanlab olindi. Modelning arxitekturasi tasvirdagi lokal belgilarni iyerarxik usulda ajratib olishga moslashtirilgan: Regulyarizatsiya (Dropout): Ma’lumotlarga haddan tashqari moslashib ketishning (overfitting) oldini olish uchun 0.25 va 0.5 koeffitsiyentli Dropout qatlamlari kiritildi. O‘zbek imo-ishora tili uchun maxsus yaratilgan dataset tadqiqotning poydevorini tashkil etadi. Tadqiqot doirasida O‘zbek alifbosining 28 ta asosiy harfi uchun jami 7,938 ta noyob tasvirdan iborat baza shakllantirildi. 178

Taqsimot: Ma’lumotlarning 80% qismi o‘qitish (training), 20% qismi esa validatsiya va test jarayonlari uchun ajratildi. Har bir harf uchun o‘quv namunalari soni o‘rtacha 5,000 tadan ortiqni tashkil etishi modelning turli yoritish darajalarida ham aniq ishlashini ta’minladi. Tasvirlarga ishlov berish: Barcha tasvirlar 300x300x1 o‘lchamli monoxrom (grayscale) formatga o‘tkazildi. Bu usul rangli shovqinlarni (color noise) yo‘qotib, modelning faqat qo‘l morfologiyasiga fokuslanishiga yordam beradi. [5] O‘tkazilgan tajribalar natijasida model yuqori koeffitsiyentli ko‘rsatkichlarni namoyon etdi. Quyidagi 2-jadvalda modelning asosiy metrikalari keltirilgan: 2-jadval. Modelning asosiy metrikalari Metrika Ko‘rsatkich Izoh 98.4% Modelning o‘quv bazasini o‘zlashtirishi Training Accuracy 97.8% Noma’lum tasvirlarni aniqlash aniqligi Test Accuracy 0.97 Precision va Recall muvozanati F1-Score < 30ms Real vaqt rejimida ishlash tezligi Inference Time Tizimning eng muhim yutug‘i — bir-biriga vizual jihatdan juda yaqin bo‘lgan harflarni (masalan, "O‘" va "G‘", "I" va "J") farqlash qobiliyatidir. Real vaqt rejimida veb-kamera orqali o‘tkazilgan sinovlar shuni ko‘rsatdiki, monoxrom format va chuqur qatlamli konvolyutsion neyron tarmoqlari kombinatsiyasi fon shovqinlariga qaramay barqaror natija beradi. Gibrid modellarning afzalligi: Faqatgina konvolyutsion neyron tarmoqlari emas, balki kelgusida ketma-ketliklarni hisobga oluvchi konvolyutsion neyron tarmoqlari va LSTM gibrid modellari dinamik harakatlarni (masalan, "J" yoki "G‘" harflaridagi harakatlanishni) aniqlashda yanada yuqori balansni ta’minlaydi. Datasetning ahamiyati: O‘zbek imo-ishora tizimi uchun yaratilgan ushbu baza kelajakdagi multimodal (ko‘p qirrali) ilmiy ishlar uchun etalon bo‘lib xizmat qilishi mumkin. Explainable AI (XAI): Tizimga tushuntiriladigan sun’iy intellekt elementlarini kiritish, model nima uchun aynan ma’lum bir harfni tanlaganini tahlil qilish imkonini beradi va foydalanuvchi ishonchini oshiradi. Tasvirlar shovqinlardan tozalandi va 300x300x1 o‘lchamli monoxrom formatga keltirildi, (rasm) bu esa hisoblash resurslarini tejash bilan birga modelning harakat traektoriyasiga fokuslanishini ta’minladi. Tasvirlarni aniqlash uchun chuqur o‘rganishning (Deep Learning) konvolyutsion neyron tarmoqlari tanlandi. Tanlangan model quyidagi qatlamlardan tashkil topdi: 4 ta Konvolyutsion qatlam: Tasvirdagi qo‘l shakli va barmoqlar holatining o‘ziga xos belgilarini ajratib olish uchun. Max Pooling: Muhim belgilarni saqlab qolgan holda ma’lumotlar hajmini optimallashtirish uchun. Dropout: Modelning o‘quv ma’lumotlariga haddan tashqari bog‘lanib qolishini (overfitting) oldini olish va umumlashtirish qobiliyatini oshirish uchun. 179