Sun’iy Intellekt va Raqamli Iqtisodiyot (SIRI 2025)

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 10. Xu, Z.; Wang, H.; Li, J. A Survey on Deep Learning-based Low-Light Image Enhancement. Neurocomputing, 2022, 489, 402–423. [CrossRef] 11. Dunai, L.; Chillarón Pérez, M.; Peris-Fajarnés, G.; Lengua Lengua, I. Euro Banknote Recognition System for Blind People. Sensors, 2017, 17, 184. [CrossRef] 12. Huang, S.; Yang, R.; Zhu, Z.; Matković, K. Real-Time Obstacle Detection for Visually Impaired People Using Deep Learning. IEEE Transactions on Neural Networks and Learning Systems, 2020, 31(5), 1649–1661. [CrossRef] 13. Li, H.; Zhang, L.; He, Y. Adaptive Low-Light Image Enhancement Using Generative Adversarial Networks. IEEE Access, 2021, 9, 123456–123469. [CrossRef] 14. Wang, Y.; Wang, Z.; Wang, X. Low-Light Image Denoising and Enhancement Using a Hybrid CNN Model. Pattern Recognition Letters, 2022, 152, 34–42. [CrossRef] 15. Gao, H.; Zhou, F.; Jiang, S. Enhancing Night Vision: A Deep Learning Approach to Low-Light Image Enhancement. International Journal of Computer Vision, 2021, 129, 1–15. [CrossRef] 16. Kim, S.; Park, J.; Kim, K. Deep Learning-based Object Detection in Low-Light Environments for Smart Glasses. Electronics, 2023, 12, 567. [CrossRef] 17. Cheng, Y.; Liu, X.; Wang, P. A Novel Deep Learning Framework for Scene Understanding in Smart Eyewear. IEEE Transactions on Cybernetics, 2024, 54, 456–470. [CrossRef] 61

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot MULTIPLE KIDNEY STONES PREDICTION WITH EFFICIENT RT-DETR MODEL Nasiba Xalikova1, Saida Beknazarova2, Muhriddin Qulmatov3, o‘rinboy Naziraliyev4 1University of management and future technologies, Tashkent, Uzbekistan, nasibaxalikova94@gmail.com 2Tashkent information technologies university, Tashkent, Uzbekistan, saidabeknazarova92@gmail.com Abstract: Kidney stone detection (KSD) is a critical aspect of medical imaging that necessitates precise identification and classification through computed tomography (CT) scans. The precise identification of the specific type of kidney stone is imperative for the administration of effective treatment. Although contemporary models demonstrate proficiency in classification tasks, they often face challenges when multiple stones are present within a single CT slice and frequently suffer from slow prediction times. This study aims to address these challenges by introducing the RT-DETR model, a novel approach designed for efficient and accurate detection of multiple kidney stones. Key words: KSD (kindey stone detection), CT (computed tomography), algorithm, RTDETR model. Introduction Kidney stones are a prevalent condition with significant impact on patient health, requiring timely and accurate detection for effective treatment. Traditional detection methods often face challenges when multiple stones appear within the same scan slice, leading to misdiagnosis or missed detections. Additionally, many existing models suffer from slow prediction times, limiting their practicality in fast-paced clinical environments. The need for a robust, real-time detection system is critical to improving patient outcomes. A real-time solution would allow healthcare professionals to quickly identify and classify kidney stones, enabling faster diagnosis and treatment. By enhancing both detection accuracy and prediction speed, such a system would streamline clinical workflows and improve overall patient care. This motivates the development of a more efficient, reliable, and clinically applicable detection model for kidney stones. The group of researchers proposed an effective fusion algorithm in which they fuse the complimentary information obtained from various modality images. This algorithm uses the cartoon texture decomposition method to fuse complementary information. Similarly, the fusion of multimodality can also be achieved by using the laplacian energy and phase congruency fusion methods. Due to this, the detailed information is effectively preserved in the fused image. One of the researcher named after Zhiqin Zhu et al. developed a technique for segmenting brain tumor by combining edge and semantic features in MRI multimodal images [1]. With this approach, precise segmentation is achieved. In order to achieve the three-dimensional MRI brain tumor segmentation, the author proposed a SDVTU (Sparse Dynamic Volume Trans U) network. With this network, the 3D MRI brain tumor segmentation is achieved accurately. 62

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 Sohaib Asif et al. proposed a stack ensemble model that combines the predefined networks like ResNet, Xception, and InceptionV3 to identify the kidney stones [2]. Moreover, the particle swarm optimization technique is used to update the weights in the ensemble model. With this model, the various sizes of stones are detected, but scores were not able to identify. A few years later he developed a new network called the Kronecker convolution network to detect the kidney stone. This network may focus on every single pixel of information in the CT image to improve accuracy. It effectively eliminates the replication in the attribute vectors; it cannot estimate the score of the stone. He conducted a study involving 1796 kidney stone patients by using an exemplar darknet19 network. In this network, the effective features of the CT image are obtained from the exemplar feature module, and the component analysis module helps to reduce the dimension of attribute vectors. Although this network cannot predict multiple stones at once, it can score stones in CT images. Kidney stones are a prevalent condition with significant impact on patient health, requiring timely and accurate detection for effective treatment. Traditional detection methods often face challenges when multiple stones appear within the same scan slice, leading to misdiagnosis or missed detections. Additionally, many existing models suffer from slow prediction times, limiting their practicality in fast-paced clinical environments. The need for a robust, real-time detection system is critical to improving patient outcomes[3]. A real-time solution would allow healthcare professionals to quickly identify and classify kidney stones, enabling faster diagnosis and treatment. By enhancing both detection accuracy and prediction speed, such a system would streamline clinical workflows and improve overall patient care. This motivates the development of a more efficient, reliable, and clinically applicable detection model for kidney stones. Conclusion Kidney Stone Detection (KSD) is a critical aspect of medical diagnosis, particularly when employing computed tomography (CT) imaging to identify and classify kidney stones. Accurate classification is imperative for prescribing appropriate treatments. While traditional image processing and convolution-based deep learning models are effective in classification tasks, they often struggle with CT images containing multiple kidney stones within a single slice and may exhibit slow prediction times. References 1. Zhiqin Zhu et al. “A novel multi-modality image fusion method based on image decomposition and sparse representation” Inf. Sci. (2018) 2. Sohaib Asif et al. “A novel method for predicting kidney stone type using ensemble learning” Artif. Intell. Med. (2018) 3. Ruixin Wang et al. “TipDet: a multi-keyframe motion-aware framework for tip detection during ultrasound-guided interventions” Comput. Methods Progr. Biomed. (2024) 63

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ УПРАВЛЕНИЯ СЛОЖНЫХ ТЕХНИЧЕСКИХ СИСТЕМ Сиддиков И.Х.1, Бахриева Х.А.2 Ташкент, ТГТУ1, isamiddin54@gmail.com Ташкент, Vatan University university2, xurshidabahriyeva@gmail.com Аннотация: В статье представлен всесторонний аналитический обзор методов управления сложными техническими системами, применяемых для обеспечения их эффективного функционирования и оптимизации работы. Сложные системы характеризуются высокой взаимосвязанностью своих компонентов, наличием множества переменных факторов и присутствием неопределённости, которая требует разработки и применения специализированных методов управления. В условиях такой сложности особую роль в управлении играет моделирование, которое позволяет не только точно предсказать поведение системы в различных условиях, но и разработать эффективные стратегии для оптимизации её функционирования. Особое внимание уделено различным типам моделей, используемых для анализа и управления такими системами. Среди них выделяются модели с конечными состояниями, дифференциальные уравнения, агентные модели, а также более сложные многомодальные и многозадачные модели, которые могут эффективно описывать динамику сложных систем. Моделирование позволяет исследовать реакции системы на различные изменения и воздействия, а также оптимизировать процессы её функционирования в реальном времени. Рассматриваются методы оптимизации, включая линейное и нелинейное программирование, динамическое программирование, генетические алгоритмы и методы эволюционного вычисления. Эти методы позволяют находить оптимальные решения для управления в условиях неопределённости, а также справляться с многозадачностью и ограничениями, которые часто присутствуют в сложных системах. Обсуждаются более современные подходы, такие как адаптивное управление, которое позволяет системе гибко реагировать на изменения внешних и внутренних условий, а также применение искусственного интеллекта, машинного обучения и нейронных сетей, которые становятся всё более востребованными для повышения эффективности управления в сложных и изменяющихся условиях. Ключевые слово: сложные технические системы, искусственный интеллект, машинное обучение, оптимизация, генетический алгоритм. Аналитический обзор методов управления сложными техническими системами представляет собой исследование различных подходов и техник, применяемых для эффективного функционирования таких систем управления. Сложные технические системы управления характеризуются высокой степенью взаимосвязанности элементов, множеством факторов и большой неопределенностью. 64

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 Моделирование является основой для анализа и управления сложными техническими системами. Оно позволяет предсказать поведение системы в различных условиях и разрабатывать стратегии управления. Применяются различные виды моделей, такие как модели с конечными состояниями, дифференциальные уравнения и агентные модели и другие. Для управления сложными техническими системами управления производственных объектов также используются методы оптимизации, включая линейное и нелинейное программирование, динамическое программирование, генетические алгоритмы и методы эволюционного вычисления. Они позволяют находить оптимальные решения и управлять системой с учетом различных критериев. Важным аспектом управления сложными техническими системами является обратная связь. Методы управления с обратной связью, включая PID-регуляторы, адаптивное управление и использование искусственного интеллекта, машинного обучения и нейронных сетей широко применяются при управлении сложных технических систем. Они позволяют корректировать работу системы в реальном времени на основе измерений ее состояния. Применение этих методов управления сложными техническими системами не только способствует созданию устойчивых и надежных систем, но также повышает их способность к адаптации и минимизации рисков в условиях динамичности и неопределенности. Машинное обучение используется для обучения систем на основе опыта, когда система самостоятельно обучается на основе взаимодействия с окружающей средой. На сегодняшний день при управлении сложных технических систем производства машинное обучение стало неотъемлемой частью современных методов, предоставляя новые возможности для повышения эффективности, адаптивности и устойчивости таких систем. В условиях высокой сложности, динамичности и неопределенности, которые характеризуют сложных технических систем, использование машинного обучения позволяет автоматизировать процессы принятия решений, оптимизировать управление, предсказывать поведение системы и адаптироваться к изменяющимся условиям. Машинное обучение предоставляет систему инструментов для адаптации к изменениям в окружающей среде или внутреннем состоянии системы. Это особенно важно для сложных технических систем, которые часто функционируют в условиях неопределенности, таких как экосистемы, роботизированные системы или производственные линии. Алгоритмы машинное обучение могут обрабатывать большие объемы данных, анализировать паттерны и находить решения на основе опыта, что позволяет системе автоматически подстраиваться под новые условия [3]. Активно применяется для предсказания возможных состояний системы на основе анализа исторических данных и текущих показателей. В технических системах это может включать прогнозирование отказов оборудования, диагностику 65

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot неисправностей, а также мониторинг и анализ параметров, таких как температура, давление или вибрация в промышленном оборудовании. Использование предсказательных моделей позволяет оперативно выявлять потенциальные проблемы и своевременно принимать меры для их устранения. Одной из основных областей применения машинного обучение является оптимизация процессов управления. С помощью алгоритмов, таких как методы обучения с подкреплением, система может обучаться на собственных ошибках и успехах, а также оптимизировать стратегии управления в реальном времени для достижения заданных целей. Это может включать задачи минимизации затрат, максимизации производительности или достижения других целей в сложных многозадачных и многокомпонентных системах. Машинное обучение находит широкое применение в управлении автономными системами, такими как беспилотные транспортные средства, дронов, роботов и другие автоматизированные устройства. Здесь алгоритмы машинного обучения используются для разработки интеллектуальных систем, которые могут принимать решения, взаимодействуя с окружающей средой и адаптируясь к изменениям в реальном времени [4]. Управление сложными техническими системами представляет собой многогранную задачу, которая требует применения различных методов, учитывающих многочисленные взаимодействия между компонентами системы, её окружением и внешними факторами. Сложность и динамичность таких систем делают необходимым использование разнообразных методов моделирования, поскольку они обеспечивают возможность предсказания поведения системы, анализа рисков и оптимизации процессов. Машинное обучение предоставляет уникальные возможности для управления сложными техническими системами, повышая их адаптивность, эффективность и способность работать в условиях неопределенности. Использование машинного обучения в управлении сложных технических систем позволяет автоматизировать принятие решений, прогнозировать поведение системы, оптимизировать процессы и минимизировать риски. Подводя итоги можно сказать что, моделирование является незаменимым инструментом для выявления уязвимостей системы, оптимизации её работы и повышения её устойчивости к внешним и внутренним воздействиям. Это даёт возможность оперативно реагировать на изменяющиеся условия и принимать обоснованные решения, что критично для функционирования таких систем, как энергетика, транспорт, производство, экология и многие другие. В заключение, можно отметить, что методы управления сложными техническими системами, основанные на моделировании, являются неотъемлемой частью современного подхода к проектированию, эксплуатации и оптимизации таких систем. Они помогают создавать более надёжные, устойчивые и эффективные системы, способные адаптироваться к изменениям и минимизировать возможные риски, что имеет огромное значение для технологического прогресса и устойчивого развития различных отраслей экономики. 66

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 Литература 1. Porubay, O. Siddikov, I. Nashvandova, G., Alimova, G. Synthesis of a control system for a two-mass electromechanical object AIP Conference Proceedings, 2024, 3045(1), 030080 2. Siddikov Isamidin Xakimovich, Bakhrieva Xurshida Askarxodjaevna Designs Neuro-Fuzzy Models in Control Problems of a Steam Heater // Universal Journal of Electrical and Electronic Engineering 6(5), 2019.-P. 359-365. (№29; Scopus; IF:0.283). 3. Zhao, D., & Zhang, Y. (2020). "Machine learning for control in complex systems: A survey". Journal of Control Science and Engineering, 2020. 4. Lippiello, V., Siciliano, B., & Siciliano, R. (2009). "Machine learning techniques for control of robotic systems". IEEE Transactions on Robotics, 25(4), 772-787. 67

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot SUN'IY INTELLEKT MODELLARINI CHUQUR o‘QITISH JARAYONIDAGI MUAMMOLAR VA IMKONIYATLAR o‘ktamov Muhsinjon, Saydullayev Sirojiddin, Muxiddinov Muhriddin Kommunikatsiya va raqamli texnologiyalar kafedrasi, “University of Management and Future Technologies”, Toshkent, O‘zbekiston. mukhiddinov@umft.uz Annotatsiya: Suniy intellekt modellarini o‘qitish jarayonida model xatoliklari va ularni keltirib chiqaruvchi omillar chuqur tahlil qilinadi. Ushbu maqolada haddan tashqari moslashish (overfitting) va kam moslashish (underfitting) muammolari, ularning alomatlari hamda oldini olish usullari ko‘rib chiqiladi. Modelning umumlashmalashuvi (generalizatsiya qobiliyati)ni yaxshilash maqsadida turli tartibga solish (regulyarizatsiya) usullari, xususan, og‘irliklar cheklovi (L2 normali), dropout usuli, erta to‘xtatish (early stopping) texnikasi, ma’lumotlarni ko‘paytirish (data augmentation) va giperparametrlarni sozlash (hyperparameter tuning) strategiyalari batafsil yoritiladi. Shuningdek, ushbu usullar samaradorligi zamonaviy ilmiy adabiyotlar tahlili asosida solishtiriladi va muhokama qilinadi. Olingan xulosalar suniy intellekt modellarini barqaror va samarali o‘qitishda xatolarni kamaytirish muhimligini ko‘rsatadi. Kalit so‘zlar: Suniy intellekt; model xatoliklari; haddan tashqari moslashish; tartibga solish; erta to‘xtatish; ma’lumotlarni ko‘paytirish; giperparametrlarni sozlash Kirish So‘nggi yillarda suniy intellect o‘qitish usullari yordamida tasvirni aniqlash, nutqni tanib olish va tabiiy tildagi matnni qayta ishlash kabi murakkab masalalarda misli ko‘rilmagan yutuqlarga erishdi. Masalan, 2012-yilda ImageNet tasvirlar to‘plamida erishilgan natijalar chuqur konvolyutsion tarmoqlarning qudratini namoyish etdi [1]. Bunday modellar odatda juda ko‘p sonli parametrlar (vaznlar)ga ega bo‘lib, ularni to‘g‘ri o‘qitish uchun katta hajmdagi ma’lumotlar talab etiladi. Katta hajmdagi ma’lumot mavjud bo‘lmaganda, model o‘qitishda haddan tashqari moslashish hodisasi kuzatilishi mumkin – ya’ni, model o‘qitish ma’lumotlariga “yodlab olish” darajasida moslashib, yangi ko‘rilmagan ma’lumotlarda yuqori xatolikka yo‘l qo‘yadi [2]. Aksincha, modelning o‘qitish ma’lumotlariga yetarlicha moslasha olmasligi (ya’ni, kam moslashish) holatida ham yuqori xatolik kuzatiladi – bunday model nafaqat test to‘plamida, balki o‘qitish to‘plamining o‘zida ham qoniqarsiz natija ko‘rsatadi. Modelning o‘qitish to‘plamidagi xatosi (train loss) va tekshirish to‘plamidagi xatosini (validation loss) solishtirish orqali haddan tashqari moslashishni aniqlash mumkin [2]. Odatda, epochlar davomida o‘qitish davom etar ekan, dastlab ham o‘qitish, ham tekshirish xatolari kamayadi. Biroq, ma’lum nuqtadan so‘ng model haddan tashqari moslasha boshlasa, o‘qitish xatosi kamayishda davom etadi, lekin tekshirish xatosi ortib boradi yoki ma’lum bir nuqtadan oshmay qoladi [2]. Tekshirish to‘plamidagi xatolikning bunday oshishi modelning umumlashmalashuvi yomonlashayotganini anglatadi. Aksincha, agar model kam moslashgan bo‘lsa, o‘qitish va tekshirish to‘plamlaridagi xatoliklar ikkalasi ham nisbatan yuqori bo‘lib qolaveradi. 68

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 Suniy intellekt modellarini muvaffaqiyatli o‘qitishda asosiy maqsad – umumlashmalashgan modelga erishish, ya’ni faqat o‘qitish ma’lumotlariga emas, balki ko‘rilmagan yangi ma’lumotlarga ham moslashuvchi model yaratishdir. Buning uchun o‘qitish jarayonida yuzaga keluvchi haddan tashqari moslashish muammosini bartaraf etish zarur. Tadqiqotchilar ushbu muammoni hal qilish maqsadida ko‘plab usullarni taklif etishgan. Jumladan, modelni tartibga solish (ya’ni, regulyarizatsiya) deb ataluvchi turli texnikalar yordamida umumlashmalashuvga majbur qilish mumkin [3]. Tartibga solish usullari modelning parametrlarini yoki o‘qitish jarayonini ma’lum cheklovlar orqali boshqarib, uning haddan tashqari moslashuvchan bo‘lib ketmasligini ta’minlaydi [3]. Shuningdek, o‘qitishni erta to‘xtatish, o‘qitish ma’lumotlarini sun’iy oshirish va giperparametrlarni optimal tanlash kabi yondashuvlar ham model xatolarini kamaytirishda muhim rol o‘ynaydi. Quyida Suniy intellekt modellarini o‘qitishda qo‘llaniladigan asosiy usullar va ularning xatoliklarni kamaytirishga ta’siri batafsil ko‘rib chiqiladi. Asosiy qism Model xatoliklari va umumlashmalashuv. Suniy intellekt modelini o‘qitishda asosiy kuzatiladigan xatolik turlari – bu o‘qitish to‘plamidagi va test (yoki tekshirish) to‘plamidagi xatoliklarning nisbati bilan bog‘liq muammolar, ya’ni haddan tashqari moslashish va kam moslashish holatlari. Agar model o‘qitish to‘plamiga juda yaxshi moslashib, lekin test to‘plamida yuqori xatoga ega bo‘lsa, bu uning haddan tashqari moslashganini bildiradi. Bunday model aslida o‘qitish ma’lumotlarining shovqinlari yoki tasodifiy o‘ziga xosliklarini ham “yodlab” olgan bo‘ladi va umumlashmalash qobiliyati pasayadi [2]. Masalan, ilmiy tadqiqotlar shuni ko‘rsatadiki, hatto tasodifiy belgilangan yorliqlar (labels) bilan berilgan o‘quv ma’lumotlarini ham katta hajmdagi neyron tarmoqlar deyarli nol xatolik bilan yodlab olishga qodir – albatta, bunday holda model haqiqiy vazifani umuman bajara olmaydi va test to‘plamida butunlay muvaffaqiyatsizlikka uchraydi [4]. Bu fakt chuqur tarmoqlarning haddan tashqari moslashish salohiyati qanchalik yuqori ekanini hamda katta ma’lumotlarsiz ularni o‘qitishda katta xatoliklarga yo‘l qo‘yilishi mumkinligini ta’kidlaydi [4]. Haddan tashqari moslashishning oldini olish uchun bir qator samarali yondashuvlar mavjud. Eng sodda usullardan biri – modelning murakkabligini pasaytirish yoki o‘qitish ma’lumotlarini ko‘paytirish orqali modelga “yodlash” imkonini bermaslikdir. Masalan, o‘rganilayotgan parametrlar sonini kamaytirish (kamroq neyronlar yoki qatlamlar ishlatish) yoki modelga qo‘shimcha cheklovlar qo‘yish orqali uning moslashuvchanligini pasaytirish mumkin. Shuningdek, qo‘shimcha ma’lumot to‘plash yoki mavjud ma’lumotlarni sun’iy ravishda kengaytirish ham modelning umumlashmalashuviga ijobiy ta’sir qiladi. Quyidagi bo‘limlarda haddan tashqari moslashishni kamaytirishga qaratilgan asosiy texnikalar tahlil qilinadi. 1-jadval. Chuqur o‘rganish modellari o‘qitilishidagi asosiy xatoliklar № Xatolik turi Belgilari Oldini olish usullari 69

SIRI-2025 1 2 Haddan tashqari moslashish Kam moslashish Train loss past, validation loss yuqori Train va validation loss yuqori Sun’iy Intellekt va Raqamli Iqtisodiyot Tartibga solish, dropout, erta to‘xtatish, augmentatsiya Murakkab model tanlash, giperparametrlarni sozlash Tartibga solish usullari (regulyarizatsiya) Tartibga solish – modelni o‘qitish vaqtida uning parametrlari qiymatlarini va modelning moslashuvchanlik darajasini tartibga keltiruvchi maxsus usullar to‘plamidir [3]. Boshqacha aytganda, tartibga solish usullari modelning murakkabligini “jazolash” yoki uning erkinlik darajasini cheklash orqali umumlashmalashuvchi xususiyatlarini yaxshilashga xizmat qiladi. Tartibga solishning klassik usullaridan biri – parametrlar normasi penalizatsiyasi, ya’ni og‘irliklar qiymatlarini chegaralashdir. Amaliyotda eng ko‘p qo‘llaniladigani L2-normali bo‘yicha jazo funksiyasi (ko‘pincha weight decay deb ataladi) bo‘lib, bunda har bir qatlam vaznlari kvadratlarining yig‘indisi yo‘qotish funksiyasiga (loss) qo‘shimcha had sifatida qo‘shiladi [3]. Natijada optimallashtirish jarayonida vaznlarning juda katta qiymatlarga “o‘sib ketishi” oldini olinadi. Kichikroq vaznlar esa modelning moslashuvchanligini pasaytirib, uni umumiyroq yechim topishga majbur qiladi. Masalan, mashhur AlexNet konvolyutsion tarmog‘i tarkibida L2 tartibga solish ishlatilgani uning tasniflash natijalarini sezilarli yaxshilagan edi [1]. L1-normali (vaznlar absolyut qiymatlari yig‘indisi) bo‘yicha jazo ham ba’zan qo‘llaniladi; u ayrim vaznlarni aniq 0 qiymatga tushirish xususiyatiga ega bo‘lib, modelning siyraklashishiga (sparse) olib keladi. Yana bir samarali tartibga solish usuli – dropout texnikasi bo‘lib, u 2012–2014 yillarda Hinton va hamkorlari tomonidan taklif qilingan [5]. Dropout jarayonida o‘qitish davomida har bir iteratsiyada neyron tarmoqning ba’zi chiqishlari tasodifiy o‘chirib qo‘yiladi (masalan, 50% ehtimol bilan har bir neyron nolga tenglashtiriladi) [5]. Bu usul modelni o‘qitishda har safar tarmoqning turli “kichik” arxitekturalarini ko‘rib chiqishga majbur qiladi. Natijada, go‘yoki ko‘p sonli kichik neyron tarmoqlar ansambli o‘rtacha natija chiqargandek effekt hosil bo‘ladi va model birorta individual neyron yoki aloqaga ortiqcha bog‘lanib qolmaydi [5]. Tadqiqotlar shuni ko‘rsatadiki, dropout yordamida ancha murakkab tarmoqlarni ham haddan tashqari moslashmasdan muvaffaqiyatli o‘qitish mumkin; aks holda bunday tarmoqlar trening ma’lumotlarini ortiqcha yodlab olish xavfi katta bo‘lardi. Dropout usuli kiritilgandan so‘ng tasniflash modellarida xatolik sezilarli darajada kamaygani ilmiy adabiyotlarda qayd etilgan [5]. 2-jadval. Chuqur o‘rganish modellari o‘qitilishidagi asosiy usullar № Usul nomi Ta'rifi Qo‘llanish sohalari 70 Samaradorligi

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 1 L2 penalizatsiya Og‘irliklarni cheklash Barcha orqali tartibga solish tarmoqlar chuqur Yuqori 2 Dropout Neyronlarni tasodifiy To‘liq bog‘langan, Juda yuqori o‘chirib tartibga solish konvolyutsion qatlamlar 3 Erta to‘xtatish Optimal nuqtada Uzun davom etadigan Yuqori o‘qitishni to‘xtatish treninglar 4 Ansambl modellari Bir nechta modellarning Yuqori aniqlik talab Juda yuqori natijasini birlashtirish qiluvchi masalalar Dropout usulining samarasini oshirish va turli model arxitekturalariga moslashtirish maqsadida uning ko‘plab modifikatsiyalari ham taklif etilgan. Masalan, konvolyutsion qatlamlar uchun DropConnect, SpatialDropout, DropBlock kabi variantlar, rekurrent tarmoqlar uchun vaqt bo‘yicha bog‘liq dropout va boshqa usullar yaratilgan. So‘nggi tadqiqotlarda transformer arxitekturalari va grafik neyron tarmoqlar uchun ham maxsus dropout yondashuvlari ishlab chiqilmoqda. Bu kabi yondashuvlar dropoutning qamrovini kengaytirib, turli sohalarda haddan tashqari moslashishni oldini olishga qaratilgan yechimlar spektrini boyitmoqda. Yuqoridagi usullardan tashqari, tartibga solishning yana boshqa turlari ham mavjud. Masalan, ansambl modellari (bir nechta mustaqil model natijalarini o‘rtacha olish) yuqori umumlashmalashuvga erishish usullaridan biridir. Bir nechta neyron tarmoqlarni turli boshlang‘ich og‘irliklar bilan o‘qitib, ularning chiqishlarini birlashtirish orqali xatolarni kamaytirish mumkin – bu usul ayniqsa tanlovlarda yuqori natijalarga erishish uchun qo‘llanadi. Biroq, ansambl usuli resurslar talabchan bo‘lgani sababli amaliyotda ko‘p hollarda dropout aynan shunday ansamblning “arzon” o‘rnini bosuvchi texnika sifatida qo‘llanadi [5]. Shuningdek, transfer o‘rganish ham bir shakldagi tartibga solish deb qaralishi mumkin – avval katta ma’lumotlarda o‘qitilgan modelni yangi vazifaga moslash orqali yangi model haddan tashqari moslashishdan himoyalanadi, chunki dastlabki qatlamlar allaqachon umumiy xususiyatlarni o‘rganib bo‘lgan bo‘ladi [2]. Bu yondashuv ham qiyosiy kam ma’lumotga ega sohalarda keng qo‘llanmoqda. Erta to‘xtatish (Early stopping) Erta to‘xtatish – modelni o‘qitishda haddan tashqari moslashish boshlanishidan avval treningni to‘xtatishni nazarda tutuvchi usuldir. Amaliyotda bu usul quyidagicha qo‘llanadi: o‘qitish jarayonida ma’lum har bir epochdan so‘ng modelning tekshirish to‘plamidagi natijalari kuzatilib boriladi. Agar ketma-ket bir necha epoch davomida tekshirish xatosi yaxshilanmay qolsa yoki yomonlashsa, demak model ortiq umumlashmayapti, aksincha trening ma’lumotlariga “o‘rganib qolyapti”, shu sababli treningni to‘xtatish lozim. Erta to‘xtatish qoidasi tufayli model optimal nuqtada to‘xtab, eng yaxshi umumlashma qobiliyatiga ega holatda qoladi. Tadqiqotlarda erta to‘xtatish usuli tartibga solishning samarali bir shakli ekanligi ta’kidlanadi [3]. Bu usul deyarli hech qanday qo‘shimcha hisoblash xarajati talab qilmasdan, faqat monitoring orqali amalga oshiriladi va shu sababli dasturchilar orasida juda ommalashgan. Erta to‘xtatish qoidalarini tanlashda (masalan, tekshirish xatosi yaxshilanishini kutish sabr muddati – “patience” parametri) 71

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot ehtiyot bo‘lish lozim, chunki treningni juda barvaqt to‘xtatib qo‘yish modelni yetarlicha o‘rgatmay qolishga (kam moslashishga) olib kelishi mumkin. Shu bois, odatda erta to‘xtatish bir necha boshqa tartibga solish usullari (masalan, L2 penalizatsiya va dropout) bilan birgalikda qo‘llanadi va kompleks tarzda model umumlashuvini yaxshilashga hissa qo‘shadi. Ma’lumotlarni ko‘paytirish (Data augmentation) Model xatolarini kamaytirishning eng qudratli usullaridan biri – ma’lumotlarni ko‘paytirish, ya’ni mavjud o‘quv ma’lumotlar sonini sun’iy oshirishdir. Ma’lumotlar hajmi ortgan sari model yangi misollarda ham xatoga yo‘l qo‘ymaslikka o‘rganadi, zero o‘qitish jarayonida ko‘proq muxtalif holatlar bilan tanishadi. Afsuski, hamma sohalarda ham katta hajmli ma’lumotlar mavjud emas – ba’zi muammolarda ma’lumot yig‘ish qiyin yoki qimmat bo‘lishi mumkin (masalan, tibbiy tasvirlar, noyob hodisalar va h.k.). Data augmentation usullari aynan shunday vaziyatlarda qo‘llanadi: mavjud ma’lumotlarga kichik tasodifiy o‘zgartirishlar kiritish orqali yangi “sun’iy” namunalar hosil qilinadi [2]. Shu tariqa model ko‘proq ma’lumot ko‘rib, o‘qitish to‘plami taqsimotini kengaytiradi, bu esa umumlashmalashuvni yaxshilaydi. Tasvir tanib olish masalalarida ma’lumotlarni ko‘paytirish uchun turli geometrik va rang o‘zgartirishlari keng qo‘llanadi: masalan, tasvirni biroz siljitish, aylantirish, masshtabini o‘zgartirish, akslantirish (flipping) yoki yorug‘ligini o‘zgartirish kabi amallar tasvirning mazmunini o‘zgartirmagan holda yangi tasvirlar yaratadi. Klassik misol sifatida, AlexNet modelini o‘qitishda tasvirlarni tasodifiy qirqish va aylantirish orqali har bir rasmning bir necha variatsiyalari yaratilgan edi [1]. Natijada model ancha umumiyroq belgilarga e’tibor qaratib, tasvirni tanib olishda barqarorroq natija bergan. Ma’lumotlarni ko‘paytirish oddiy vaqtlardayoq haddan tashqari moslashishni kamaytirishning juda samarali usuli sifatida tanilgan – masalan, ba’zi tasvir tanish mashqlarida bu usul qo‘llanilganda modelning xatolik darajasi bir necha foizga pasaygani kuzatilgan [2]. So‘nggi yillarda ma’lumotlarni ko‘paytirish borasida ham yangi qiziqarli usullar paydo bo‘ldi. Masalan, mixup deb nomlangan usulda ikki tasvir aralashtirilib (chiziqli kombinatsiya qilish orqali) yangi sun’iy tasvir va uning aralash yorlig‘i hosil qilinadi [6]. Bu usul neyron tarmoqni oraliq holatlar va belgilarga moslashishga o‘rgatib, umumlashuvni oshiradi. Yana bir yondashuv – AutoAugment algoritmi bo‘lib, u ko‘paytirish strategiyalarini o‘zi avtomatik tarzda tanlab beradi [7]. AutoAugment genetika algoritmlari yoki kuchaytiruvchi o‘rganish (reinforcement learning) yordamida qaysi transformatsiyalarni qachon qo‘llashni ma’lumotlarning o‘zidan o‘rganadi [7]. Tajribalar shuni ko‘rsatadiki, bunday avtomatlashtirilgan yondashuvlar qo‘lda tanlangan oddiy ko‘paytirishlarga qaraganda yaxshiroq natijalar berishi mumkin, chunki ular har bir ma’lumotlar to‘plamiga mos individual augmentatsiya siyosatini topa oladi. Bundan tashqari, generativ modellar (masalan, GAN – generativ raqoblashuvchi tarmoqlar) yordamida ham ma’lumotlarni sun’iy yaratish usullari rivojlanmoqda [2]. GAN modellaridan foydalangan holda trening to‘plamiga o‘xshash, lekin yangi bo‘lgan namunalarni sintez qilish mumkin. Bu, ayniqsa, ma’lumot kam bo‘ladigan sohalarda juda foydali bo‘lmoqda – masalan, tibbiy tasvirlarni GAN orqali sun’iy generatsiya qilib, neyron 72

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 tarmoqni o‘qitish natijasida diagnostika modelining umumlashmalashuvi sezilarli oshgani haqida tadqiqotlar mavjud [2]. Giperparametrlarni sozlash (Hyperparameter tuning) Suniy intellekt modellarini o‘qitishda turli giperparametrlar (model tuzilmasi va o‘qitish protsedurasiga tegishli parametrlar) muhim ahamiyatga ega. Ular qatoriga o‘rganish tezligi (learning rate), qatlamlar soni, har bir qatlamdagi neyronlar soni, batch o‘lchami, aktivatsiya funksiyalari turi, optimizatsiya algoritmining parametrlari va boshqalar kiradi. To‘g‘ri tanlanmagan giperparametrlar sababli model haddan tashqari yoki kam moslashishi, yoki umuman konvergensiya qilmasligi ham mumkin. Shuning uchun giperparametrlarni sozlash model xatolarini minimallashtirishning ajralmas qismidir. Giperparametrlarni qo‘lda tanlash ko‘p vaqt va tajriba talab qiladi. Ilmiy adabiyotlarda uni soddalashtirish uchun avtomatik yondashuvlar taklif etilgan. Dastlabki usullar to‘liq izlash (grid search) va tasodifiy izlash (random search) edi. Tadqiqotchilar ko‘rsatganidek, tasodifiy izlash ko‘p hollarda to‘liq izlashdan samaraliroq bo‘lib, bir xil resurs evaziga yaxshiroq parametrlarni topishga erishadi [8]. Chunki ko‘p giperparametrlar orasida model natijasiga bir-ikkitasi juda ta’sirli bo‘ladi, boshqalari esa unchalik ahamiyatga ega emas; tasodifiy izlash esa ko‘proq kombinatsiyalarni qamrab olib, muhim parametrlar uchun ko‘proq variantlarni sinab ko‘rishga imkon beradi [8]. Keyinchalik, giperparametrlarni optimallashtirish uchun bayes usullari va qidiruv algoritmlari joriy etildi. Bayes optimizatsiyasi modelning ilgari sinab ko‘rilgan konfiguratsiyalaridagi natijalarga asoslanib keyingi variantlarni aqlli tanlashga harakat qiladi. Bu yondashuv ortida yotgan g‘oya – juda ko‘p variantlarni ko‘r-ko‘rona sinash o‘rniga, istiqbolli sohalarni “bashorat” qilib, shu tarafga e’tiborni qaratishdir. Masalan, Treestructured Parzen Estimator (TPE) [9] bayes optimizatsiyasi yordamida neyron tarmoq giperparametrlarini samarasiz variantlarni minimal sinovdan o‘tkazgan holda optimallashtirishi mumkin. Shuningdek, Hyperband kabi metodlar ham taklif etilib, bunda kam istiqbolli variantlar uchun trening boshidanoq kamroq resurs ajratib, eng yaxshi variantlargagina to‘liq epochlar sarflanadi – shu tariqa ko‘plab parametrlarni iqtisodiy yo‘l bilan tekshirish imkoni yaratiladi. Bugungi kunda giperparametrlarni sozlash masalasi AutoML (Avtomatik Mashina o‘rganish) tizimlarining bir qismiga aylangan. Maxsus dasturiy vositalar va kutubxonalar (masalan, Hyperopt, Optuna, AutoKeras va boshqalar) yordamida model tuzilmasi va o‘qitish parametrlarini avtomatik optimallashtirish tobora ommalashmoqda [9]. Ilmiy adabiyotlarda 2014–2020 yillar orasida giperparametrlarni avtomatlashtirish bo‘yicha yuzlab maqolalar chop etilgani qayd etilgan, bu sohaning dolzarbligidan dalolat beradi [9]. Giperparametrlarni to‘g‘ri sozlash natijasida model xatoliklari sezilarli darajada qisqarishi mumkin, shu bois amaliyotda bu jarayonga yetarlicha e’tibor qaratish zarur. Tahliliy qism Yuqorida ko‘rib chiqilgan usullar Suniy intellekt modellarini o‘qitishda xatoliklarni kamaytirish va umumlashmalashuvni yaxshilashda muhim ahamiyatga ega. Ularning har biri o‘ziga xos afzallik va cheklovlarga ega bo‘lib, turli vaziyatlarda turlicha samara berishi mumkin. 73

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Og‘irliklar normasi penalizatsiyasi (L2 yoki L1) deyarli barcha hollarda foydali bo‘lib, oddiy qo‘shimcha had orqali modelni haddan tashqari moslashishdan saqlaydi. Ushbu usulning kuchi shundaki, u optimizatsiya jarayoniga katta o‘zgarish kiritmaydi va boshqa texnikalar bilan birga qo‘llanishi mumkin. Ko‘p mashhur neyron tarmoqlar (masalan, [1] dagi AlexNet va undan keyingi VGG, ResNet modellari) default tarzda L2 weight decay bilan o‘qitiladi, chunki bu ularning tekshirish to‘plamidagi xatolarini sezilarli kamaytiradi. Biroq, penalizatsiya koeffitsientini juda katta tanlash modelni ortiqcha cheklab qo‘yishi va kam moslashishga olib kelishi mumkin – shu sabab har bir vazifa uchun optimal jazo darajasini eksperimental yondashuv bilan tanlash talab qilinadi. Dropout texnikasi ayniqsa katta o‘lchamli model va qatlamlarda samarali bo‘lib, aynan to‘liq bog‘langan qatlamlar (fully-connected layers)da dastlab katta yutuqlar ko‘rsatgan. Masalan, tasniflash tarmoqlarida dropout joriy etilishi bilan tekshirishda aniqlik bir necha foizga oshgani kuzatilgan. Keyinchalik, dropout konvolyutsion qatlamlar uchun moslashtirilib, DropBlock kabi usullar bilan ma’lum hududlarni birgalikda o‘chirish orqali qo‘llanib, tasvir klassifikatsiyasida ham ijobiy natijalar bergan. Dropoutning afzalligi – u ansambl modellash g‘oyasini bir tarmoq ichida amalga oshiradi va hisoblash xarajatini faqat o‘qitish vaqtida biroz oshiradi, xolos (test vaqtida o‘chirilgan neyronlar to‘liq tiklanadi). Shu sabab, hozirgi paytda dropout ko‘plab neyron tarmoq arxitekturalarining ajralmas qismiga aylangan. Biroq, dropout hamma joyda ham birday foyda bermasligi mumkin: ba’zi vaziyatlarda (masalan, ma’lumot juda ko‘p bo‘lsa yoki model kichik bo‘lsa) dropout qo‘llanmasdan ham haddan tashqari moslashish kuzatilmasligi mumkin. Shuningdek, rekurrent tarmoqlarda dropout ehtiyot bilan qo‘llanishi lozim, chunki vaqt bo‘yicha bog‘liq o‘chirishlar qo‘llanmasa, vaqt o‘tishi bilan bog‘liq axborot yo‘qolib ketishi mumkin. Shu jihatdan, dropoutning turli modifikatsiyalari kiritilgani aynan har bir model turiga moslashgan yechim topish maqsadidan kelib chiqadi. Erta to‘xtatish usuli oddiy bo‘lsa-da, ko‘pincha juda samarali natija beradi. Ayniqsa, o‘qitish uzoq davom etadigan yirik modellar uchun bu usul vaqt va resursni ham tejaydi – tekshirishdagi eng yaxshi natijaga erishilgach, keyingi epochlarni o‘tkazib yuborish mumkin bo‘ladi. Erta to‘xtatish odatda weight decay va dropout bilan birgalikda ishlatiladi, chunki ularning kombinatsiyasi modelni yaxshiroq holatda “to‘xtatish”ga yordam beradi. Ba’zi hollarda, erta to‘xtatishsiz davom ettirilgan o‘qitish modelni sezilarli ravishda buzib yuborishi, xatoni keskin oshirishi mumkin; bunday paytda tekshirish to‘plamidagi xatolik grafigida “U-shakl” hosil bo‘ladi (ya’ni dastlab pasayib, keyin ortadi). Erta to‘xtatish shu ko‘tarilish boshlanishi oldidan jarayonni to‘xtatib, optimal nuqtadagi holatni saqlaydi. Kamchilik tomoni – oldindan to‘xtatish vaqti noma’lum, uni topish uchun alohida tekshirish to‘plami va kuzatuv jarayoni kerak bo‘ladi. Ammo bu usul hozirda amaliyotda de-fakto standartga aylangan bo‘lib, ko‘plab amaliy tizimlarda qo‘llaniladi. Ma’lumotlarni ko‘paytirish aksariyat hollarda modelni yaxshilashning eng samarali yo‘llaridan biridir. Chunki bu usul bevosita haddan tashqari moslashish muammosining tub omili, ya’ni o‘quv ma’lumotlari yetishmasligiga qarshi kurashadi. Agar yangi real ma’lumotlar qo‘shish imkoni bo‘lmasa, sun’iy augmentatsiyalar qo‘llash deyarli har doim foydali bo‘ladi. Yangi taklif qilingan mixup va AutoAugment kabi usullar esa yanada katta yutuqlarni va’da qilmoqda – mixup nafaqat xatolikni kamaytirib, balki modelning noaniqlik (uncertainty) 74

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 baholash qobiliyatini ham oshiradi (chunki oraliq belgilarga ham o‘rgatiladi), AutoAugment esa inson aralashuvisiz optimal augmentatsiya siyosatini topib berib, tajriba yo‘li bilan izlashni yengillashtiradi. Shu bilan birga, ma’lumotlarni ko‘paytirish ham me’yorida bo‘lishi lozim: agar sun’iy o‘zgartirishlar ma’nosiz holga kelsa (masalan, tasvirni haddan ziyod burish yoki shovqin bilan to‘ldirish), model noto‘g‘ri o‘rganishi mumkin. Demak, augmentatsiya strategiyasini ehtiyotkorlik bilan tanlash zarur. Zamonaviy yondashuvlar bu jarayonni ham avtomatlashtirishga intilmoqda. Giperparametrlarni sozlash masalasi esa, aslida, yuqoridagi barcha usullarni to‘g‘ri tatbiq etishning kalitidir. Chunki weight decay koeffitsienti, dropout foizi, erta to‘xtatish sabr muddati, qaysi augmentatsiyalarni tanlash kabi nuanslar hammasi model giperparametrlari sirasiga kiradi. Shu bois, giperparametrlarni optimallashtirishni ba’zan “meta-tartibga solish” deb ham atashadi – ya’ni tartibga solish usullarining o‘zini ham sozlash kerak bo‘ladi. Ilmiy natijalar shuni ko‘rsatadiki, avtomatik qidiruv yordamida topilgan giperparametrlar ko‘pincha qo‘lda tanlanganidan ancha yaxshiroq bo‘ladi [8][9]. Ayniqsa, model kattalashib, parametrlar ko‘paygan sari optimal kombinatsiyani topish inson uchun mushkullashadi. Bugungi kunda Suniy intellekt modellarini o‘qitishda odatda bir nechta yondashuvlar birgalikda qo‘llanadi. Masalan, konvolyutsion tarmoqlar L2 penalizatsiya, dropout va ma’lumotlarni ko‘paytirish bilan birga, trening yakunida esa eng yaxshi model erta to‘xtatish orqali tanlab olinadi. Shuningdek, bir nechta mustaqil o‘qitilgan model ansambli final natijada o‘rtacha qilinib, yakuniy natija olinadi – bu esa xatoni yanada kamaytiradi. Bunday kompleks yondashuvlar tufayli hozirgi zamonaviy chuqur o‘rganuvchi tizimlar juda yuqori aniqlik va past xatolik ko‘rsatkichlariga erishmoqda. Xulosa Xulosa qilib aytganda, Suniy intellekt modellarini o‘qitishda yuzaga keladigan xatolarni kamaytirish va umumlashmalashgan modelga erishish uchun bir qator muhim strategiyalar mavjud. Ushbu maqolada biz haddan tashqari moslashish va kam moslashish muammolarini aniqlash hamda bartaraf etish usullarini ko‘rib chiqdik. Tartibga solish usullari (og‘irliklar normasi penalizatsiyasi, dropout va boshqalar) modelning ortiqcha moslashuvchanligini jilovlaydi va uning yangi ma’lumotdagi xatolarini kamaytiradi. Erta to‘xtatish texnikasi ortiqcha o‘qitishning oldini olib, modelni optimal nuqtada saqlab qoladi. Ma’lumotlarni sun’iy ko‘paytirish o‘quv to‘plamining qamrovini kengaytirib, modelning umumiy holatlarni o‘rganish qobiliyatini oshiradi. Giperparametrlarni ehtiyotkorlik bilan sozlash har bir yuqoridagi usulning samaradorligini maksimal darajada ochib berishga xizmat qiladi. Tahlillar shuni ko‘rsatadiki, real muammolar uchun odatda ushbu usullarni kombinatsiyalash eng yaxshi natija beradi – masalan, dropout va L2 birga qo‘llanib, ustiga ma’lumotlar augmentatsiya qilinsa, har biri alohida holatdagiga qaraganda ancha past xatolik kuzatiladi. Eng muhimi, modelning o‘qitish jarayonini to‘g‘ri boshqarish, xatoliklarni doimiy kuzatib, kerakli paytda choralar ko‘rish (masalan, o‘qitishni to‘xtatish yoki giperparametrlarni qayta sozlash) zarurdir. Zamonaviy ilmiy adabiyotlar tahlili shuni ko‘rsatmoqdaki, Suniy intellekt sohasida haddan tashqari moslashish muammosini yengish hali ham dolzarb yo‘nalish bo‘lib qolmoqda. Yangi tartibga solish usullari, o‘qitishni yanada barqaror qilish texnikalari hamda 75

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot avtomatlashtirilgan sozlash vositalari muntazam ravishda taklif etilmoqda. Bu jarayonlar natijasida kelgusida yanada umumiy, turli sharoitlarda ishonchli ishlay oluvchi neyron tarmoqlar yaratilishiga erishiladi. Xulosa o‘rnida aytish mumkinki, Suniy intellekt modellarini muvaffaqiyatli o‘qitish uchun model xatoliklarini chuqur tahlil qilish, ularning sabablarini aniqlash va mos usullar bilan ularni bartaraf etish muhim sanaladi. Ushbu maqolada keltirilgan yondashuvlar esa amaliyotda bunday muammolarni yengishda muhandislarga qo‘l keladigan asosiy vositalardir. Adabiyotlar 1. Krizhevsky, A.; Sutskever, I.; Hinton, G.E. ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems (NeurIPS), 25 (2012): 1097-1105. 2. Shorten, C.; Khoshgoftaar, T.M. A survey on Image Data Augmentation for Deep Learning. Journal of Big Data, 6(1):60 (2019). 3. Kukačka, J.; Golkov, V.; Cremers, D. Regularization for Deep Learning: A Taxonomy. arXiv:1710.10686 (2017). 4. Zhang, C.; Bengio, S.; Hardt, M.; Recht, B.; Vinyals, O. Understanding deep learning requires rethinking generalization. International Conference on Learning Representations (ICLR) (2017). 5. Srivastava, N.; Hinton, G.; Krizhevsky, A.; Sutskever, I.; Salakhutdinov, R. Dropout: a simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15(1): 1929–1958 (2014). 6. Zhang, H.; Cisse, M.; Dauphin, Y.N.; Lopez-Paz, D. mixup: Beyond Empirical Risk Minimization. International Conference on Learning Representations (ICLR) (2018). 7. Cubuk, E.D.; Zoph, B.; Mane, D.; Vasudevan, V.; Le, Q.V. AutoAugment: Learning Augmentation Policies from Data. IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (2019). 8. Bergstra, J.; Bengio, Y. Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13: 281–305 (2012). 9. Yu, T.; Zhu, H. Hyper-Parameter Optimization: A Review of Algorithms and Applications. arXiv:2003.05689 (2020). 10. Salehin, I.; Kang, D.-K. A Review on Dropout Regularization Approaches for Deep Neural Networks within the Scholarly Domain. Electronics, 12(14): 3106 (2023). 76

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 STEREO KAMERA YORDAMIDA KUZATUVDAGI OB'EKTGACHA MASOFANI o‘LCHASHNING USULLARI SOLISHTIRMA TAXLILI Bekzod Turgunov Kommunikatsiya va raqamli texnologiyalar kafedrasi, “University of Management and Future Technologies”, Toshkent, O‘zbekiston. bekzodmirzoturgunov@gmail.com Annotatsiya: Ushbu maqolada avtonom harakatlanish tizimlarida keng qo‘llanilishga ega bo‘lgan stereo kamera yordamida kuzatuvdagi ob’yektgacha masofani o‘lchashni ananviy geometriya asosidagi va sun’iy neyron tarmoqlar asosida amalga oshirishning imkoniyatlari, afzallik va kamchiliklari solishtirma taxlili natijalari bayon qilinadi. Stereo kameralar yordamida olingan paralaks tasvirlar asosida masofani o‘lchash jarayonining matematik asoslari, sun’iy neyron tarmoq modellari asosda masofani o‘chashning o‘ziga xosliklari bayon qilinadi. Solishtirma taxlil natijalari bayon qilinadi. Kalit so‘zlar: Stereo kamera, neyron tarmoq modeli, masofani o‘lchash tezkorligi, disparantlik. Kirish Ma’lumki bugungi kunda insoniyat xayotida avtomatlashgan tizimlarning keng miqyosda qo‘llanilishi kuzatilmoqda. Ayniqsa inson ishtirokisiz avtonom xarakatlanuvchi qurilmalar jamiyatning turli soxalarida ko‘llanilish darajasi ortib bormoqda. Bunga avtonom xarakatlanuvchi transport vositalari va robotlashgan tizimlarni misol eltirish mumkin. Shu bilan birgalikda ko‘zi ojiz insonlarni mustaqil xarakatlanishiga imon beruvchi zamonaviy texnologiyalar ham bunga misol bo‘la oladi. Bunday avtonom xarakatlanish tizimlarida ma’lum bir to‘siq yoki muayyan ob’yektgacha masofani o‘lchash jarayoni bir necha texnologiyalardan biri asosida amalga oshishi mumkin. Xususan, ultratovushli datchiklar yordamida, Lidar texnologiyasi asosida va stereo kameralar yordamida. Bu usullar o‘zaro ishlash tamoyili, o‘lchash aniqligi va qo‘llanilish samaradorligi nuqtai nazarida bir biridan farq qiladi. Yuqorida sanab o‘tilgan texnologiyalar ichida qo‘llanilishda qulayligi, qurilma gabarit o‘lchamlarining kichik bo‘lishini ta’minlashi, elektr energiyasining kam sarfi va o‘lchash aniqligining yuqori ko‘rsatkichlariga ega bo‘lishi bilan stereo kameralar yordamida ob’yektgacha masofani aniqlash usuli keng qo‘llanilishga ega. Bu bu usulda stereo kamera tarkibidagi ikki kameradan olingan ob’yekt tasvirlaridagi farqlarni aniqlashga asoslanib ob’yektgacha masofa aniqlalandi. Stereo kamera yordamida ob’yektgacha masofani aniqlash jarayonida har ikki kameradan olingan tasvirlardagi farqlarni qanday aniqlanish usuliga bog‘liq ravishda bu usul ham ikki xil usulga ajraladi: ➢ ➢ Ananaviy giometrik usul Suniy intelektga asosidagi usul Asosiy qism 77

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot Stereo kamera yordamida ananaviy geometriya usulida kuzatuvdagi ob’yektgacha masofani o‘lchash epipolyar geometriya va disparitet xaritasi asosida masofani hisoblashga asoslangan. Bu usulda ikki kamera markazlari orasidagi masofasi va kameralalrning fokus masofasi ma’lum bo‘lgan xolda yordamida ob’yektgacha bo‘lgan masofa aniqlanadi. o‘lchashda avvalo disparitet (tasvirlar orasidagi siljish) aniqlanadi so‘ngra triangulyatsiya formulasi orqali masofa hisoblanadi (1-rasm). 1-rasm. Stereo kamera xosil boʻladigan paralaks tasvirlar asosida triangulyasiya usulida masofani oʻlchash uchun stereo optik tizim 𝑍𝑍 = 𝐿𝐿𝐿𝐿 𝐿𝐿𝐿𝐿 = (1) (𝑎𝑎2 − 𝑎𝑎1 ) 𝑤𝑤𝑥𝑥 (𝑥𝑥2 − 𝑥𝑥1 ) Sun’iy intellekt asosidagi yondashuv – neyron tarmoqlar (masalan, Deep Learning asosida Stereo Matching) yordamida disparitetni bevosita aniqlaydi. Neyron tarmoq oldindan turli stereo tasvirlarda o‘qitilgan bo‘lib, u disparitetni aniqlashni klassik algoritmlarga asoslangan usulga tezkorligi, aniqligi bilan farq qiladi. Xulosa Xulosa sifatida takidlash mumkinki stereo kamera yordamida ob’yektgacha masofani o‘lchashning klassik geometriyaga asoslangan usuli xisoblash resursi kam bo‘lgan qurilmalar uchun optimal yechim bo‘la oladi. Chunki bu usulda disparatlik aniqlangandan keyin triangulyatsiya usulida ob’yektgacha masofani xisoblash oldinda kiritilgan aniq algorit 78

Sun’iy Intellekt va Raqamli Iqtisodiyot SIRI-2025 asossida amalga oshirirladi. Agar stereo kamerani kalibrlash jarayani sifatli amalga oshirilgan bo‘lsa va kemaring boshqa parametrlari xatoliklarsiz kiritilgan bo‘lsa bu metod aniq o‘lchash natijasini beradi. Sun’iy intelektga asoslangan neyron tarmoq modelidan foydalanishda katta xisoblash resursi talab qilinadi. Chunki bunda o‘lchov natijasi aniq xisoblashlar asosida emas, balki oldindan o‘qitilgan modelning bashorati asosida olinadi. Adabiyotlar 1. Shapiro, L. Computer vision / L. Shapiro, D. Stockman – Moscow: BINOM, 2006. – 752 p. 2. Alemán-Flores, M. Automatic Lens Distortion Correction Using One-Parameter Division Models / M.AlemánFlores, L. Alvarez, L. Gomez, D. Santana-Cedres // Image Processing On Line. - 2014. - Vol. 4. - P. 327-343., doi: 10.1007/s10851-012-0342-2. 3. Bugaenko, EI A method for automatic detection and correction of radial distortion on digital images / EI Bugaenko, MI Trufanov // Izv. Universities. Instrument making. – 2008. – V. 51, No. 2. – P. 16-22. (in Russian). 79

SIRI-2025 Sun’iy Intellekt va Raqamli Iqtisodiyot ТАСВИРЛАРНИ РАҚАМЛИ ИШЛАШДА ГАУСС РАҚАМЛИ ФИЛТРЛАШ УСУЛИНИНГ ҚЎЛЛАНИЛИШИ ВА САМАРАДОРЛИК КЎРСАТКИЧЛАРИ Гофуржонов Мухаммадали Расулжон угли1, Гофуржонов Мухаммадризо Расулжон угли2 1Мухаммад ал-Хоразмий номидаги Тошкент ахборот технологиялари университети , Тошкент 100000, Узбекистан. gofurjonov13@mail.ru 2 Kommunikatsiya va raqamli texnologiyalar kafedrasi, “University of Management and Future Technologies”, Toshkent, O‘zbekiston. Бугунги рақамли технологиялар тараққиёти тасвирларни қайта ишлаш ва таҳлил қилиш соҳасини кенг ривожлантирди. Ҳар қандай рақамли тасвир турли сабабларга кўра сифатсиз ёки хира бўлиши мумкин. Масалан, суратга олиш жараёнида камера сенсоридаги техник чекловлар, ёруғлик камчилиги, шовқинлар ёки тасвирнинг беқарорлиги тасвир сифатини пасайтириши мумкин. Шу сабабли тасвирларни аниқ ва тоза ҳолда қайта ишлаш зарурати ортиб бормоқда. Бу жараёнда рақамли фильтрлаш усуллари муҳим ўрин тутади. Гаусс фильтри (Gaussian Filter) – бу энг кенг қўлланиладиган пассив фильтрлардан бири бўлиб, тасвирни юмшатиш ва тасодифий шовқинларни бартараф этиш учун ишлатилади. У математик жиҳатдан гаусс функцияси асосида ҳисобланади ва ҳар бир пиксел қўшни пикселлар билан белгиланган тартибда ўртача қийматга эга бўлади. Бу эса тасвирдаги кескин ўзгаришларни юмшатиб, уни бирмунча силлиқлашга ёрдам беради. Гаусс фильтри бир ўлчовли ҳолда қуйидаги кўринишдаги гаусс функцияси билан тасвирланади: Бу ерда: G(x) - гаусс функцияси; • σ - стандарт оғиш, у фильтрнинг тасвирни қанчалик даражада юмшатишини белгилайди; • x - пикселнинг марказга нисбатан узоқлиги. • Икки ўлчовли ҳолатда (тасвирларга нисбатан қўлланганда), гаусс функцияси қуйидаги кўринишда бўлади: Бу формула ҳар бир пикселнинг атрофидаги пикселлар билан қандай таъсирлашувини ва уларнинг ҳиссасини ҳисоблашда ишлатилади. Гаусс фильтри тасвирларга татбиқ этиш учун махсус маска (ядро) шаклидаги матрица орқали амалга оширилади. Масалан, 3×3 ёки 5×5 ўлчамли гаусс ядроси қуйидаги формула орқали аниқланади: 80