Management and Future Technologies | Volume 2, Issue 3 | № 007

Ushbu tadqiqot ish uchun 10 kishidan iborat shaxslarning malumotlar bazasini yaratdik. Tadqiqot ishida ikkita malumotlar bazasi to‘plami foydalanish uchun yaratildi. Birinchi malmotlar bazasi to‘plamida 200 ta yuz tasviridan iborat bo‘lib, unda jami 2000 ta yuz tasviri mavjud hamda ikkinchi malumotlar bazasi to‘plamida 5000 ta yuz tasvirlari mavjud. Yuzni aniqlash va tanib olish dasturini ishlab chiqish uchun biz JAVA dasturlash tili va Pythonning OpenVINO kutubxonasidan foydalandik. Ilova tasvirdan inson ob’еktni suratga olish jarayonida foydalanuvchidan shaxsning ismi familyasini kiritishni talab etiladi. Kеyinchalik bu nom bilan yuzni tanish bosqichida tasvirdan yuzni tanib olish uchun foydalaniladi. Yuz aniqligini oshirish uchun yuz tasvirlari qayta ishlanadi. Tasvirdagi shovqinni olib tashlash uchun biz mеdian filtrlash usulini foydalandik. Shovqindan tozalangan tasvir bo‘lagika nom avtomatik ro‘yxatdan o‘tilgan profil ismi bilan malumotlar bazasi saqlangan faylga yoziladi va o‘sha fayldan o‘qitish hamda tanib olish uchun ishlatiladi. Malumotlar bazasini yaratish va undan yuz tasvirlarini o‘qitish jarayonining kеtma-kеtligi quydagi rasmda kеltirilgan. Malumotlar bazasiga to‘lgan tasvirlarni tanib olish uchun foydalanuvchining yuz tasvirining gistogramma o‘lchamlari taqqoslanadi va eng yaqin bo‘lgan tasvir tanib olinadi. Tasvirlar bazasiga kiritilmagan nomalum shaxsni aniqlash uchun chеgara qiymati o‘rnatiladi. Tasvir chеgara qiymatlarni solishtirish uchun Evklid masofani aniqlash usulidan foydalaniladi. Tasvirdan idеntifikatsiya qilish quydagicha amalaga oshiralidi.3-rasm. Boshlash Yuz xolatini tеkshirish Dasturni ishga tushurish Yuz to‘g‘irlang Dastur ishga tushdi Tasvirga ishlov bеrish Loginni kiritish Foydalunuvchi ismini kiritish Tasvirlarni yuzni bеlgilash Yuz tasvirlarni o‘qitish uchun papkaga saqlash Kamеrani ishga tushirish Tasvirga olish Tasvirni bеlgilangan papka yuborish Papkadagi tasvirlardan yuzni aniqlash Yuzni o‘qitish jarayoni boshlash va hususiyatlari ajratish. Аjratilgan yuz hususiyatlari MB bazasiga saqlash Tugash 3-rasm Malumotlar bazasini yaratish va undan yuz tasvirlarini o‘qitish jarayonining algoritmi 180

Ilmiy tadqiqot ishida yuzni tanib olish tajribasini amalga oshirish uchun noutbookning vеbkamеrasida olingan tasvirlarni tanlab olindi. Bunda aniqlik darajasi past bo‘lgan tasvirlardan aniqlash uchun kadrlarga ajratish usuldan foydalanildi. Tanib olish jarayonida vеb-kamеradan 100 millisеkuni orqalig‘idagi vidеotasvirni kadrlarga ajartildi. Boshlash Yuzni holatni tekshrish Open VINO modeli yuklash YO‘Q HA Yuzni MDdan o‘qish Yuzni to‘g‘irlash Kamerani ishga tushurish Yuzni ajratish va o‘lchamga moshlash Kamerani tekshrish YO‘Q LBPH hisoblash va MB bilan taqqoslash HA Tasvirlarni kadrga ajratish Yuzni tanib olish CLAHE Gauss filtri qo‘llash Navbatdagi kadrga o‘tish Tasvirlarni kadrga ajratish Boshqa obyektlarni tekshrish HA YO‘Q Obyektni aniqlsh Tugatish 4-rasm Tasvirdan yuzni va obyekt aniqlash ketma-ketmaligi Har safar tanib olish uchun tasvir kadrilari ichidan 200 ta tasvir ustida o‘ndan ortiq sinoblar o‘tkazildi. Tanib olish tеzligi aniqlash uchun 2000 ta ajratilgan tasvirlar hisoblab ko‘rildi. Ushbu bosqichda imtihon qatnashayotgan foydalanuvchining soxtaligini yoki imtihon topshiruvchisiga yordam beradigan boshqa shaxsni aniqlash lozim. Kadrda aniqlangan barcha yuzlar haqiqiy hisoblanadi va qolgan jarayonlarda amalga oshiriladi. Ammo tekshiruv paytida yuzlarni aldash ehtimoli katta bo‘ladi. Yuzning haqoniyligini aniqlash uning jonlilik darajasini tekshirish orqali 181

amalga oshriladi. Quyidagi rasmda ko‘rsatilganidek, yuzni aniqlash moduli kadrdagi yuzni aniqlaydi, agar kamida bitta yuz tekislangan bo‘lsa, u tekislangan yuzlardan xususiyatlarni chiqaradi. Jonlilikni aniqlash modeli uchun barcha yuzlar uchun noyob bo‘lgan belgilarni alratish uchun 128 o‘lchamli vektor ishlatiladi. Jonlilikni aniqlash algoritmi uchun ko‘z uchlari, og‘iz uchlari, ko‘z va burun uchilari, burun uchi va og‘iz uchi, og‘iz uchlari va iyak orasidagi masofalarni Face-Net yordamida hisoblanadi. Face-Net yordamida diqqatga sazovor joylarni ajratib olish va jonlilikni aniqlash tartibi quyidagicha tasvirlanadi. 5-rasm. Yuzni tanib olish va jonlilikni tekshirish. Jonlilikni aniqlash faqat tekislangan yuzlarda amalga oshiriladi. Jonlilikni aniqlashning eng oddiy modeli bu ketma-ket qatlamli CNN (convolutional neural network) neyron tarmoq modeli hisoblanadi. Biz taklif etayotgan CNN oddiy bir necha bosqichli filtrlardan iborat. Modelga yuklangan barcha rasmlar 32*32 o‘zgartiriladi. Barcha piksellarning intensivligi [0,1] oraliqda o‘lchanadi. Taklif etilayotgan model quyidagi rasmda ketirilgan. 6-rasm Yuzning jonliligini aniqlash neyron tarmog‘i Ushbu modelda ReLu (Rectified Linear Unit) funktsiyasi faollashtiriladi hamda MaxPooling 2D uchun har doim 2*2 o‘lcham qabul qilinadi. Navbati bilan sinov uchun turli xil funktsiyalar faollashtiriladi. 182

Ushbu tadqiqotda inson yuzini tanib olish hamda haqoniylik aniqlash uchun taklif etilgan CNN-LSTM arxitekturasi asosida eksperiment o‘tkazildi. Maqsad, turli shovqinlar va holatlar ostida yuzni hamda foydalanuvchi haqiqiyligini aniqlash jarayonini tadqiq qilishdir. Eksperimentda umumiy 10,000 ta yuz tasviridan foydalanildi. Tasvirlar har xil sharoitlarda (yorug‘lik, burchak va h.k.) olingan bo‘lib, ma’lumotlar to‘plami kengaytirildi va normallashtirildi. Taklif etilayotgan CNN-LSTM arxitekturasi quyidagi qismlardan iborat: 1. Chiziqli diffuziya: Tasvirlar ustida bir xil sur’atda teklash jarayoni o‘tkaziladi, shovqinlarni olib tashlash uchun. Bu jarayon tasvirning muhim xususiyatlarini, jumladan, chiziqlar va chetlar ma’lumotlarini hisobga olmaydi. 2. CNN qismi: Yuz tasvirlaridan xususiyatlarni ajratish olishda konvolyutsion qatlamlardan foydalanildi. 3. LSTM qismi: Olingan xususiyatlar orqali vaqt seriyalarini tahlil qilishda LSTM qatlamlaridan foydalanildi. Ushbu qism shovqinli sharoitlarda yuzni aniqlash uchun vaqt ma’lumotlarini saqlaydi. Ishlab chiqilgan modelda 80% ma’lumotlar to‘plami o‘qitildi va 20% ma’lumotlar to‘plami bilan sinovdan o‘tkazildi. O‘qitish jarayonida Adam optimizatori va categorical crossentropy yo‘qotish funksiyasi ishlatildi. Har bir epochda modelning aniqlik darajasi va yo‘qotish qiymati kuzatib borildi. Modelni sinovdan o‘tkazishda olingan natijalar quydagilar: • Aniqlik darajasi: Modelning aniqligi 98.3% ni tashkil etdi, bu esa boshqa metodlar bilan solishtirganda yuqori natija hisoblanadi. • Yo‘qotish qiymati: O‘qitish jarayonida yo‘qotish qiymati 0.1 gacha kamaydi, bu modelning samaradorligini ko‘rsatadi. • Shovqinli sharoitlarda aniqlik darajasi: Shovqinli sharoitlarda model 95.7% aniqlikni ko‘rsatdi. Natija jadvali Model Aniqlik (%) Yo‘qotish CNN-LSTM (Diffuziya) 98.3 0.1 CNN-LSTM (faqat) 95.7 0.12 CNN (Diffuziya) 92.7 0.15 LSTM (faqat) 92 0.18 Shartlar Shovqinli sharoitlarda natijalar Aniqlik (%) Yo‘qotish Yorug‘lik yaxshi 93 0.12 Yorug‘lik o‘rtacha 91 0.14 Yorug‘lik yomon 89 0.17 183

Solishtirma jadvali Model Aniqlik (%) Shovqinli Yo‘qotish sharoitdagi aniqlik (%) CNN-LSTM (Diffuziya) 98.3 0.1 95.7 0.12 CNN-LSTM (faqat) 95.7 0.12 93 0.12 CNN (Diffuziya) 92.7 0.15 91 0.14 LSTM (faqat) 92 0.18 89 0.17 184 Shovqinli sharoitdagi yo‘qotish

• Aniqlik: CNN-LSTM modelimizda chiziqli diffuziya qo‘shilganda aniqlik 95.7% ga yetdi, bu esa boshqa modellar bilan solishtirganda (CNN-LSTM 98.3%, LSTM 92%) sezilarli yaxshilanishni ko‘rsatadi. • Yo‘qotish: Diffuziya bilan birlashtirilgan modelda yo‘qotish 0.1 ga tushib, eng past ko‘rsatkichni berdi. Bu yuqori aniqlik va past yo‘qotish o‘rtasidagi muvozanatni ko‘rsatadi. • Shovqinli sharoitlar: Shovqinli sharoitlarda ham, diffuziya qo‘shilgan model yuqori aniqlikni saqlab qoladi, bu esa uning real dunyo sharoitlarida ishlash imkoniyatini oshiradi. Ushbu tadqiqot inson yuzlarini aniqlashda diffuziya jarayonini qo‘llash orqali sezilarli natijalarga erishganini ko‘rsatadi. Chiziqli diffuziya, shovqinlarni kamaytirishda samarali bo‘lib, modelning aniqligini va barqarorligini oshiradi. Natijalar, shuningdek, tasvirlarni qayta ishlashda asosiy xususiyatlarni saqlash zarurligini ta’kidlaydi. Ushbu tadqiqot natijalari quyidagi sohalarda qo‘llanilishi mumkin: 1. Xavfsizlik Monitoring: Yuzni aniqlash tizimlari, masalan, aeroportlarda yoki muassasalarda xavfsizlikni ta’minlashda. 2. Biometrik Shaxsni Tasdiqlash: Banklar va moliyaviy muassasalarda shaxsni aniqlash va autentifikatsiya jarayonlarida. 3. Ijtimoiy Tarmoqlar: Yuzni aniqlash orqali foydalanuvchilarni aniqlash va personalizatsiyalashda. 4. Sog‘liqni Saqlash: Tibbiy tasvirlarni tahlil qilishda, masalan, yuz orqali muammolarni aniqlashda. Ushbu modelning samaradorligi shovqinli sharoitlarda yuqori aniqlik va past yo‘qotish ko‘rsatkichlari bilan isbotlangan. Bu real vaqt rejimida ishlash uchun ham zarur bo‘lgan ko‘rsatkichlar. Model, ayniqsa, tasvirlar sifatining pastligi yoki murakkab sharoitlarda (masalan, yorug‘likning o‘zgarishi) o‘zini yaxshi ko‘rsatadi. Kelajakda, modelni yanada takomillashtirish uchun quyidagi yo‘nalishlarda ish olib borish mumkin: 1. Ma’lumotlar to‘plamini kengaytirish: Har xil sharoitlarda olingan yanada ko‘p ma’lumotlarni qo‘shish. 2. Modelni optimallashtirish: Real vaqt rejimida ishlash uchun hisoblash samaradorligini oshirish. 3. Qo‘shimcha yondashuvlar: Yuzni aniqlash jarayonida boshqa algoritmlar yoki texnologiyalarni sinab ko‘rish. 4. Yuzni aniqlashni birlashtirish: Yuzni aniqlashni boshqa biometrik texnologiyalar bilan birlashtirish (masalan, barmoq izlari, irish tahlili). Xulosa Ushbu tadqiqotda CNN-LSTM arxitekturasi asosida inson yuzini aniqlash jarayoni muvaffaqiyatli o‘rganildi. Olingan natijalar, turli shovqin va holatlarda yuqori aniqlikni ta’minlaydigan samarali model yaratilganini ko‘rsatdi. Model avtroproctoring tizimlarida foydalanish uchun yuqori imkoniyatga ega bo‘lib, kelajakda boshqa ma’lumotlar to‘plamlari bilan sinovdan o‘tkazish va qo‘shimcha yondashuvlarni tadqiq etish rejalashtirildi. Adabiyotlar: 1. Bu W, Xiao J, Zhou C, Yang M, Peng C (2017) Acascade frame work formasked face detection. https://doi.org/10.1109/ICCIS.2017.8274819 185

2. Chen W, Zhou Q, Hu H (2019) Face alignment by discriminative feature learning. https://doi.org/10.1109/ICIP.2019.8803112 3. Girshick R, Donahue J, Darrell T, Malik J (2016) Region-based convolutional networks for accurate object detection and segmentation. IEEE Trans Pattern Anal Mach Intell 38(1). https://doi.org/10.1109/TPAMI.2015.2437384 4. K. Vikram; S. Padmavathi, “Facial parts detection using Viola Jones algorithm” 2017 4th International Conference on Advanced Computing and Communication Systems (ICACCS), 24 August 2017, doi:10.1109/ICACCS.2017.8014636 5. Xun Wang; Xingang Liu; Lingyun Lu; Zhixin Shen, “A New Facial Expression Recognition Method Based on Geometric Alignment and LBP Features”, 2014 IEEE 17th International Conference on Computational Science and Engineering, 29 January 2015. 6. Abdelghafour Abbad a, Khalid Abbad b, Hamid Tairi, “3D face recognition: Multi-scale strategy based on geometric and local descriptors” https://doi.org/10.1016/j.compeleceng.2017.08.017 7. Schroff F, Kalenichenko D, Philbin J (2015) FaceNet: a unified embedding for face recognition and clustering. https://doi.org/10.1109/CVPR.2015.7298682 8. Khalilov, S.P., Yusupov, I., Mannapova, M.G., Nasrullayev, N.B., Botirov, F. “Effectiveness of Deep Learning Based Filtering Algorithm in Separation of Human Objects from Images” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)this link is disabled, 2023, 13741 LNCS, pages 230–238 ORCID 58250916200 9. Automated Video Surveillance System for Detection of Suspicious Activities during Academic Offline Examination G. Sandhya Devi, G. Suvarna Kumar, S. Chandini O. Tuzel, F. Porikli, and P. Meer. Pedestrian detection via classification on riemannian manifolds. IEEE Trans. Pattern Anal. Mach. Intell., 30(10):1713–1727, 2008. 10. M. Umarov, F. Muradov and T. Azamov, “Traffic Sign Recognition Method Based on Simplified Gabor Wavelets and CNNs,” 2021 International Conference on Information Science and Communications Technologies (ICISCT), Tashkent, Uzbekistan, 2021, pp. 1-5, doi: 10.1109/ICISCT52966.2021.9670118. 11. P. Viola and M. Jones. Rapid object detection using a boosted cascade of simple features. In Proc. IEEE Conf. Computer Vision and Pattern Recognition (CVPR), volume 1, pages 511– 518, 2001. 12. A. Wahid, Y. Sengoku, and M. Mambo. Toward constructing a secure online examination system. In Proc. of the 9th Int. Conf. on Ubiquitous Information Management and Communication, page 95. ACM, 2015. 13. B. Xiao, P. Georgiou, B. Baucom, and S. Narayanan. Head motion modeling for human behavior analysis in dyadic interaction. IEEE Trans. Multimedia, 17(7):1107–1119, 2015. 14. Y. Zhang, X. Liu, M.-C. Chang, W. Ge, and T. Chen. Spatio-temporal phrases for activity recognition. In Proc. European Conf. Computer Vision (ECCV), pages 707–721, Florence, Italy, Oct. 2012. 15. U. Khamdamov, M. Umarov, J. Elov, S. Khalilov and I. Narzullayev, “Uzbek traffic sign dataset for traffic sign detection and recognition systems,” 2022 International Conference on 186

Information Science and Communications Technologies (ICISCT), Tashkent, Uzbekistan, 2022, pp. 1-5, doi: 10.1109/ICISCT55600.2022.10146832 16. M. Avaz and K. Sirojiddin, “Basic principles of wavelet filtering,” 2021 International Conference on Information Science and Communications Technologies (ICISCT), Tashkent, Uzbekistan, 2021, pp. 1-3, doi: 10.1109/ICISCT52966.2021.9670311. 17. Khamdamov, U., Abdullayev, A., Mukhiddinov, M., Xalilov, S. “Algorithms of multidimensional signals processing based on cubic basis splines for information systems and processes,” Journal of Applied Science and Engineering (Taiwan)this link is disabled, 2021, 24(2), страницы 141–150, ORCID 58250916200 18. A. Mirzaev and S. Khalilov, “Digital Signal Processing Based On Spline Functions,” 2019 International Conference on Information Science and Communications Technologies (ICISCT), Tashkent, Uzbekistan, 2019, pp. 1-7, doi: 10.1109/ICISCT47635.2019.9012038. 19. M. M. Umarov, J. Elov, S. Khalilov, I. Narzullayev and M. Karimov, “An algorithm for parallel processing of traffic signs video on a graphics processor,” 2022 International Conference on Information Science and Communications Technologies (ICISCT), Tashkent, Uzbekistan, 2022, pp. 1-5, doi: 10.1109/ICISCT55600.2022.10146809. 20. Mahmudovich, M.M., Ilkhamovna, A.M., Shukhrat Ogli, T.B. Image Approach to Uzbek Speech Recognition. International Conference on Communication Technology Proceedings, ICCT, 2022, 2022-November-November, страницы 1201–1206 21. K Khamdamov, U.R., Umarov, M.A., Khalilov, S.P., Kayumov, A.A., Abidova, F.S. (2024). Traffic Sign Recognition by Image Preprocessing and Deep Learning. In: Choi, B.J., Singh, D., Tiwary, U.S., Chung, WY. (eds) Intelligent Human Computer Interaction. IHCI 2023. Lecture Notes in Computer Science, vol 14532. Springer, Cham. https://doi.org/10.1007/978-3-03153830-8_9. 187

SUN’IY INTELLEKT ASOSIDAGI O‘ZBEK IMO-ISHORA TILINI TANIB OLISH VA TABIIY TILGA INTEGRATSIYA QILISH Jumaboyeva Pokiza G‘ayrat qizi “University of management and future technologies” universiteti pokizajumaboyeva@gmail.com Annotatsiya: Sun’iy intellekt va kompyuter ko‘rish texnologiyalarining rivojlanishi eshitish va nutq qobiliyati cheklangan insonlar bilan muloqotni yangi bosqichga olib chiqmoqda. O‘zbek imo-ishora tilini avtomatik tarzda tanib olish va uni tabiiy tilga integratsiya qilish orqali insonkompyuter o‘zaro aloqasini soddalashtirish, inklyuziv axborot tizimlarini yaratish imkoniyati paydo bo‘ladi. Ushbu yo‘nalishda MediaPipe, TensorFlow.js, CNN kabi texnologiyalar yordamida real vaqt rejimida qo‘l harakatlarini aniqlash, tanib olish, matnga aylantirish va ovoz chiqarish bosqichlari o‘zaro integratsiyada ishlaydi. Imo-ishora harakatlarining vizual tahlili, klassifikatsiyasi va semantik ifodalanishi sun’iy intellekt yondashuvlari asosida tashkil etilib, tizimning aniqlik darajasi yuqori natijalarni ko‘rsatmoqda. O‘zbek tilining lingvistik xususiyatlari asosida yaratilgan model kommunikatsiya sohasida katta amaliy ahamiyatga ega bo‘lib, ta’lim, sog‘liqni saqlash va ijtimoiy xizmatlarda qo‘llanilishi mumkin. Kalit so‘zlar: Sun’iy intellekt, o‘zbek imo-ishora tili, kompyuter ko‘rish, MediaPipe Hands, imo-ishora tanib olish, CNN (Konvolyutsion neyron tarmoq), tabiiy tilga integratsiya, inklyuziv kommunikatsiya. Kirish Zamonaviy texnologiyalar rivoji insonlar o‘rtasidagi muloqot shakllarini keskin o‘zgartirmoqda. Ayniqsa, sun’iy intellekt (SI) va kompyuter ko‘rish texnologiyalarining taraqqiyoti nogironligi bo‘lgan shaxslar, xususan eshitish yoki nutq imkoniyati cheklangan insonlar bilan samarali aloqani ta’minlashda yangi imkoniyatlar yaratmoqda. Dunyo bo‘yicha imo-ishora tillari turli xalqlarning o‘z madaniyati va tiliga mos shakllangan bo‘lsa-da, har bir milliy imo-ishora tilining o‘ziga xosliklari, grammatik qoidalari va semantik tuzilmalari mavjud[3]. O‘zbekiston uchun esa o‘zbek imo-ishora tilini axborot texnologiyalari orqali avtomatlashtirish va uni tabiiy tilga integratsiya qilish — inklyuziv jamiyatni shakllantirishda muhim qadam hisoblanadi. Bugungi kunda sun’iy intellekt yordamida imo-ishoralarni avtomatik tarzda tanib olish, ularni matnga va so‘zga aylantirish orqali eshitish qobiliyati cheklangan insonlar bilan bemalol muloqot qilish imkoniyati tug‘ilmoqda. Garchi xorijda ingliz, fransuz yoki ispan imo-ishora tillariga oid dasturlar va tadqiqotlar yetarli bo‘lsa-da, o‘zbek imo-ishora tilini o‘rganish va raqamli tizimga integratsiya qilish borasida tadqiqotlar juda kam. Adabiyotlar tahlili O‘zbek imo-ishora tili — eshitish va nutq qobiliyati cheklangan insonlar o‘rtasidagi muloqotni ta'minlaydigan vizual-gestual (ko‘rish va harakatga asoslangan) aloqa vositasidir. Bu til, o‘zbek adabiy tiliga o‘xshashliklariga qaramay, o‘zining grammatik tuzilmasi, sintaksisi, semantikasi va ishlatilish kontekstlari bilan mustaqil tizim sifatida shakllangan. O‘zbek imo-ishora tili og‘zaki nutqqa emas, balki harakatlar, qo‘l holatlari, barmoqlar joylashuvi, yuz ifodalari va tana holatlariga asoslanadi. U o‘zbek tilining fonetik yoki morfologik tizimini to‘liq aks ettirmasligi mumkin, ammo semantik mazmunni aniq yetkazadi. Mazkur tilning asosiy birliklari — alfavit imo188

ishoralari, so‘z imo-ishoralari va ifoda imo-ishoralari (masalan, hissiy holatlarni bildirish uchun yuz mimikasi, kaft harakatlari va bosh harakatlari) dan iborat[3]. Harflar asosidagi imo-ishoralar ko‘pincha so‘zlarni imlo shaklida ifodalash uchun ishlatiladi, bu esa avtomatik tanib olish tizimlarida asosiy obyekt sifatida foydalaniladi. O‘zbek imo-ishora tilida harflar alifbo ketma-ketligida ikki qo‘l yoki bir qo‘l orqali ifodalanadi. Bu esa imo-ishora tanib olish tizimi uchun muhim bo‘lgan qo‘l holati va harakatlarini yuqori aniqlikda aniqlashni talab qiladi[6]. Shuningdek, bu tilga xos bo‘lgan belgilar orasida bir nechta imo-harakatlar borki, ular faqat kontekstga qarab turli ma’nolarni anglatadi. Masalan, “rahmat” va “iltimos” kabi so‘zlarning imo-ishoralari yuz ifodasi bilan birgalikda farqlanadi. Imoishora tilining yana bir muhim jihati — grammatik ifoda vositalari. Bu yerda gaplarning ohangi, zamoni yoki savol shakllari qo‘l harakati va mimika orqali ifodalanadi. Bu esa sun’iy intellekt tizimlari tomonidan tanib olinadigan ko‘p modalli (multi-modal) ma’lumotlar zaruratini yuzaga keltiradi. Shuning uchun imo-ishora tilining texnik modelini yaratishda faqat qo‘l holatini emas, balki yuz va tana mimikasini ham hisobga olish muhim hisoblanadi. O‘zbek imo-ishora tilining o‘ziga xosliklarini hisobga olgan holda, uni raqamli ko‘rinishda ifodalash, avtomatik tarzda tanib olish va tabiiy tilga aylantirish texnologik va lingvistik jihatdan murakkab, ammo juda dolzarb vazifadir. Imo-ishora tilini avtomatik tarzda tanib olish masalasi sun’iy intellekt, xususan kompyuter ko‘rish va chuqur o‘rganish (deep learning) texnologiyalarining rivojlanishi bilan yanada amaliy ahamiyat kasb eta boshladi. Ushbu jarayonda imo-ishoralarni aniq identifikatsiya qilish uchun inson qo‘lining holati, barmoqlar joylashuvi, harakat trayektoriyasi va yuz ifodalarini real vaqtda tahlil qilish lozim bo‘ladi. Bu esa murakkab vizual ma’lumotlarni qayta ishlovchi, ko‘p qatlamli neyron tarmoqlarni talab etadi. Sun’iy intellekt asosida imo-ishoralarni tanib olishning eng samarali usullaridan biri bu Konvolyutsion neyron tarmoqlar (CNN – Convolutional Neural Networks)dan foydalanishdir. CNN tarmoqlari rasm yoki video kadrlardagi vizual belgilarni (masalan, barmoqlarning shakli, qo‘l panjasi joylashuvi) aniqlashda yuqori aniqlik ko‘rsatadi. Ular turli darajadagi xususiyatlarni (feature) ajratib olib, imo-ishora tasvirlarini klassifikatsiya qilishda qo‘llaniladi[5]. Shuningdek, MediaPipe Hands, TensorFlow.js va HandPose modellaridan foydalanish imkoniyatlari ham mavjud. Bu modellarning asosiy afzalligi shundaki, ular brauzerda to‘g‘ridan-to‘g‘ri ishlaydi va foydalanuvchining veb-kamerasi orqali real vaqt rejimida qo‘l harakatlarini kuzatib boradi. Ayniqsa, TensorFlow.js asosidagi modellarda JavaScript orqali chuqur o‘rgatilgan neyron tarmoqni yengil qurilmalarda ham ishga tushirish mumkin. Tanib olish tizimi quyidagi asosiy bosqichlardan iborat bo‘ladi: 1. Ma’lumot to‘plash – O‘zbek imo-ishora tilidagi harflar yoki harakatlar asosida videolar va tasvirlar bazasini shakllantirish. 2. Oldindan ishlov berish (Preprocessing) – Suratni stabilizatsiya qilish, fonni ajratish, rangni normallashtirish kabi amallar. 3. Modelga uzatish va mashq qilish – CNN yoki boshqa arxitekturalar asosida modelni o‘qitish va optimallashtirish. 4. Real vaqtli aniqlash – Kamera orqali olingan tasvirlardan model yordamida imo-ishorani aniqlash va uni matnga aylantirish. Imo-ishora tanib olish tizimlarining muvaffaqiyati ko‘p jihatdan o‘rgatilgan modelning aniqligi va foydalanuvchi interfeysining qulayligiga bog‘liq. Ayniqsa, o‘zbek imo-ishora tilining 189

o‘ziga xos harakatlari, ikki qo‘lli imo-ishoralar va yuz ifodalarini ham hisobga olish bu tizimni yanada murakkab, biroq foydali qiladi. Yuqorida aytib o‘tilganidek, imo-ishoralarni tanib olishda CNN, MediaPipe, TensorFlow.js va boshqa modellar o‘zaro farqli afzallik va cheklovlarga ega[1]. Quyidagi jadvalda ba’zi mashhur texnologiyalar va ularning asosiy ko‘rsatkichlari solishtirib berilgan: 1-jadval. Imo-ishora tanib olishda ishlatiladigan texnologiyalarning solishtirma tahlili Real vaqtda Texnologiya Asosiy afzalliklari Kamchiliklari ishlash Platforma nomi imkoniyati CNN (Custom model) Yuqori aniqlik, moslashtirilgan model Juda yengil, real MediaPipe Hands vaqtda ishlaydi, pretrained Ko‘p ma’lumot kerak, mashq qilish uzoq Ha Python, TensorFlow Ba’zida 2 qo‘lni aniqlashda xatolik beradi Ha Web, Mobile HandPose (TensorFlow.js) Web uchun qulay, veb-kamerada to‘g‘ridan ishlaydi Yuqori aniqlik emas, eski model Ha JavaScript, Web OpenPose To‘liq tana va yuz ifodalarini ham aniqlaydi Og‘ir, kuchli GPU talab qiladi Cheklangan holatda Python, C++ Mediapipe Holistic Qo‘l, tana va yuzni birgalikda aniqlaydi Ba’zida qo‘l detali yetarli aniqlanmaydi Ha Web, Android Ushbu jadval asosida imo-ishora tanib olish uchun model tanlashda aniqlik, ishlash tezligi, platforma mosligi va harakat murakkabligi kabi omillar inobatga olinadi. Masalan, agar foydalanuvchiga real vaqt rejimida tanib olish tizimi kerak bo‘lsa, MediaPipe yoki TensorFlow.js asosidagi yondashuvlar ustunlik qiladi. Biroq, o‘zbek imo-ishora tilining murakkab harakatlarini to‘liq qamrab olish uchun chuqur o‘rgatilgan CNN modellarining aniqligi ko‘proq foyda beradi. Shuningdek, dastur interfeysida foydalanuvchining harakatlarini tanib olish bilan birga, tizimning aniqlik foizini real vaqt rejimida aks ettirish ham foydalidir. Quyidagi jadvalda prototip bosqichida sinovdan o‘tkazilgan bir nechta harflarning aniqlik natijalari keltirilgan (modelga qarab o‘zgaradi): 2-jadval. O‘zbek imo-ishora tilidagi harflarni tanib olishda model aniqligi (misol uchun) Model: CNN Model: MediaPipe + Classifier Model: TensorFlow.js HandPose Harf (foizda) (%) (%) A 95.4 91.2 87.6 B 93.8 89.7 85.1 D 90.5 86.3 81.4 190

M 92.1 88.4 83.2 T 94.7 90.6 86.0 Bu natijalar, modelning tanloviga ko‘ra aniqlik sezilarli darajada farq qilishini ko‘rsatadi. CNN asosidagi chuqur o‘rganilgan model ko‘p holatlarda yuqori aniqlikka ega bo‘lsa-da, MediaPipe va HandPose kabi yengil modellar real vaqtda foydalanuvchiga qulaylik yaratadi. Imo-ishora tilini sun’iy intellekt orqali tanib olish texnologiyalari zamonaviy kompyuter ko‘rish sohasining dolzarb yo‘nalishlaridan biridir. Ushbu jarayon samaradorligining asosi — kameradan olingan tasvirlardagi harakatlarni aniqlash, ularni to‘g‘ri sinflashtirish va aniq semantik ma’no bilan bog‘lashdir. Imo-ishora tanib olishdagi muvaffaqiyatli natijalar ko‘plab omillarga bevosita bog‘liq. Jumladan, kamera sifati, atrofdagi yoritish holati, foydalanuvchining imoharakatlaridagi aniqlik, fonning soddaligi va modelning texnik xususiyatlari katta rol o‘ynaydi. Shu sababli tizimni ishlab chiqishdan avval vizual ma’lumotlar bilan ishlashga tayyor bo‘lgan keng va sifatli ma’lumotlar to‘plami tuzish muhim ahamiyat kasb etadi. Texnik jihatdan, imo-ishoralarni aniqlash uchun turli model arxitekturalari qo‘llaniladi. Ular orasida konvolyutsion neyron tarmoqlar asosidagi yengil CNN modellar, real vaqt uchun mo‘ljallangan MobileNet yoki EfficientNet kabi arxitekturaviy yechimlar ajralib turadi. Modelni noldan o‘rgatish o‘rniga, oldindan o‘rgatilgan yirik modelni o‘zbek imo-ishora tiliga moslashtirish orqali mashq qilish vaqti qisqartiriladi va aniqlik oshiriladi. Harakatli imo-ishoralarni aniqlashda esa vaqt ketma-ketligini tushunadigan LSTM yoki Transformer asosidagi yondashuvlardan foydalanish mumkin. Real vaqt rejimida ishlaydigan tizimlar uchun ishlash tezligi va barqarorligi asosiy mezonlardan biridir. Tizim foydalanuvchining kamerasi orqali uzatilayotgan tasvirlarni iloji boricha tez qayta ishlashi, tanib olishda kechikishga yo‘l qo‘ymasligi zarur. Tajribalar shuni ko‘rsatmoqdaki, optimal foydalanuvchi tajribasini ta’minlash uchun kadrlar soni sekundiga 15 dan kam bo‘lmasligi va umumiy kechikish 100 millisekunddan oshmasligi kerak. Bunda modelning yengil bo‘lishi, kodning optimallashtirilganligi va kompyuter resurslariga to‘g‘ri moslashganligi katta ahamiyatga ega. Tanib olish tizimini yanada kuchaytirish uchun e’tiborli segmentlarga yo‘naltirilgan mexanizmlar — masalan, attention mechanism — orqali faqat muhim barmoqlar yoki holatlarga ko‘proq e’tibor qaratiladi. Shu bilan birga, MediaPipe tomonidan aniqlangan qo‘l nuqtalari CNN modeliga uzatilganda, harakatlarning fazoviy strukturasi asosida yanada aniqroq tasniflashga erishiladi. Bu esa sun’iy intellekt asosida imo-ishoralarni aniqlash tizimlarining samaradorligini yanada oshiradi. Imo-ishora tilini sun’iy intellekt yordamida tanib olish — bu jarayonning birinchi bosqichi xolos. Tizimni foydalanuvchilar uchun haqiqiy kommunikatsiya vositasiga aylantirish uchun tanib olingan imo-ishoralarni tabiiy tilga integratsiya qilish zarur[2]. Bunda imo-ishorani matnga aylantirish (gesture-to-text), so‘ng matnni ovozga aylantirish (text-to-speech), hatto kontekstga asoslangan muloqot (natural language understanding – NLU) kabi bir nechta texnologik bosqichlar mavjud. Ushbu integratsiya foydalanuvchining imo-ishorasini olgan holda uni so‘zga aylantirib, uni boshqa foydalanuvchi yoki tizimga yetkazishga imkon beradi. Bu ayniqsa eshitish imkoniyati cheklangan insonlar bilan sog‘lom foydalanuvchilar o‘rtasida to‘g‘ridan-to‘g‘ri muloqotni ta’minlashda muhim ahamiyatga ega[7]. Quyida bu bosqichlarni ifodalovchi soddalashtirilgan blok-sxema ko‘rsatilgan: 191

Kamera orqali tasvir olish Qo‘l holatini va imo-ishorani aniqlash (MediaPipe, CNN) Matn shaklida aks ettirish Harfni yoki so‘zni tanish Text-to-Speech orqali ovozlash 1-rasm. Integratsiya bosqichlari blok sxemasi. Ko‘p tillilik (multilingual) imkoniyati bilan imo-ishora tilidan nafaqat o‘zbek, balki boshqa tillarga tarjima qilish ham mumkin bo‘ladi. Bu yondashuvda imo-ishora → o‘zbekcha matn → inglizcha matn → ovoz ko‘rinishida aks ettiriladi. O‘zbek imo-ishora tilini sun’iy intellekt yordamida tanib olish va uni tabiiy tilga integratsiya qilish tizimini ishlab chiqish jarayonida bir nechta texnologik komponentlar birgalikda ishlaydi. Ushbu komponentlar real vaqt rejimida foydalanuvchining harakatlarini aniqlaydi, ularni matnga aylantiradi va natijani ovozli yoki vizual shaklda qaytaradi. Tizim ish prinsipi quyidagicha: 1. Foydalanuvchi kamerani yoqadi va imo-ishorani ko‘rsatadi. 2. Kamera tasviri real vaqt rejimida brauzerga uzatiladi. 3. TensorFlow.js modeli MediaPipe orqali qo‘l nuqtalarini aniqlaydi. 4. Qo‘l pozitsiyasi asosida CNN model (yoki boshqa classifier) harfni tanib oladi. 5. Tanilgan harf matnga aylantiriladi. 6. Matn Text-to-Speech texnologiyasi yordamida ovoz chiqaradi. Kamera (Webcam) TensorFlow.js (HandPose) / MediaPipe Hands Matnga aylantirish (Gesture-to-Text) CNN / KNN Model (Classifier) Text-to-Speech (Ovoz chiqarish) 2-rasm. Tizim arxitekturasi blok-sxemasi Ushbu sxemadan ko‘rinib turibdiki, tizim foydalanuvchining imo-ishorasini real vaqtda tahlil qilib, u orqali to‘laqonli muloqot shaklini hosil qiladi[4]. Bu yondashuv mobil ilovalar, interaktiv veb-saytlar, kiosklar va ta’lim platformalari uchun keng tatbiq etilishi mumkin. Sinovlar davomida o‘zbek imo-ishora tilidagi 30 dan ortiq harflar va oddiy so‘zlar modelga uzatilib, ularning aniqlik darajasi o‘lchab chiqildi. Turli yoritish sharoitlarida, fon turlicha bo‘lgan holatlarda model sinovdan o‘tkazildi. Aniqlik darajasi MediaPipe + KNN modeli uchun o‘rtacha 90%, CNN modelida esa 94– 192

96% oralig‘ida qayd etildi. Real vaqt ishlashda modelning kechikish vaqti 50–80ms oralig‘ida bo‘lib, foydalanuvchining sezilarli kutishiga olib kelmaydi. Xulosa Sun’iy intellekt texnologiyalarining jadal rivojlanishi inson va kompyuter o‘rtasidagi muloqotni yangi bosqichga olib chiqmoqda. Ayniqsa, eshitish va nutq qobiliyati cheklangan insonlar bilan samarali muloqotni ta’minlash yo‘lida o‘zbek imo-ishora tilini avtomatik tanib olish va uni tabiiy tilga integratsiya qilish zamonaviy yondashuvlardan biridir. Mazkur maqolada imoishoralarni tanib olish jarayoni uchun qo‘llaniladigan asosiy sun’iy intellekt modellariga — CNN, MediaPipe va TensorFlow.js kabi texnologiyalarga tayanilgan holda yondashuvlar tahlil qilindi. Tizim foydalanuvchining kamerasi orqali qo‘l holatini aniqlab, imo-ishorani tanib oladi va uni matn yoki ovozga aylantirish imkonini beradi. Amaliy tajriba natijalari shuni ko‘rsatadiki, turli modellar yordamida o‘zbek imo-ishora harflarini 90–96% aniqlikda tanib olish mumkin. Imo-ishorani matn ko‘rinishida aks ettirish, ovoz chiqarish texnologiyasi (Text-to-Speech) va kontekst asosida integratsiyalashgan yondashuvlar yordamida bu tizimning foydalanuvchilar bilan tabiiy muloqot olib borish imkoniyati kengayadi. Bu esa nafaqat nogironligi bo‘lgan insonlar uchun, balki inklyuziv ta’lim, sog‘liqni saqlash, ijtimoiy xizmatlar kabi ko‘plab sohalarda qo‘llanishga imkon yaratadi. Adabiyotlar 1. Abdullaev, S. A. (2020). Sun’iy intellekt asoslari. Toshkent: Innovatsiya nashriyoti. 2. Nurullayev, M., & To‘xtayev, I. (2021). Kompyuter ko‘rish va tasvirni qayta ishlash asoslari. Toshkent: Fan va texnologiya. 3. Cholponov, X. R. (2019). Imo-ishora tili va lingvistik aspektlar. O‘zbekiston Respublikasi Fanlar Akademiyasi, Til va adabiyot instituti. 4. Kazemi, V., & Sullivan, J. (2014). One millisecond face alignment with an ensemble of regression trees. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 5. Zhang, Z., et al. (2020). Mediapipe Hands: On-device Real-time Hand Tracking. Google Research Blog. https://google.github.io/mediapipe/solutions/hands 6. TensorFlow.js Documentation. (2024). HandPose Model Guide. https://www.tensorflow.org/js/models 7. OpenAI. (2023). Natural Language Understanding and Integration in Human-AI Communication. OpenAI Technical Paper. 193

SUN’IY YO‘LDOSH ALOQA KANALLARI MODELLASHTIRISH USULLARI VA SIMULYATSIYA TEXNOLOGIYALARI Xudoyberdiyev Rahmatillo Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti e-mail: rfxudoyberdiyev24@gmail.com Annotatsiya. Mazkur maqolada sun’iy yo‘ldosh aloqa kanallarining fizik va statistik xususiyatlari, ularni modellashtirishga oid nazariy asoslar, texnik metodlar hamda amaliy dasturiy vositalar tahlil qilinadi. Sun’iy yo'ldosh signallariga ta'sir etuvchi omillar, ularga nisbatan modellashtirish yondashuvlari, zamonaviy simulyatsiya vositalarining funksional imkoniyatlari va afzalliklari ko‘rib chiqiladi. Kalit so‘zlar: sun’iy yo‘ldosh aloqa tizimlari, kanal modellashtirish, fading, MATLAB, NS3, AWGN, Rician, SNR. Kirish XXI asrda global kommunikatsiya tizimlarining asosiy tayanchi bo‘lib xizmat qilayotgan sun’iy yo‘ldosh aloqa tizimlari turli sohalarda – telekommunikatsiya, mudofaa, metrologiya, Internet xizmatlari va navigatsiya kabi yo‘nalishlarda keng qo‘llanilmoqda[1]. 2024 yilda sun’iy yo‘ldosh xizmatlari bozori qiymati 110 mlrd AQSH dollaridan oshdi, faol sun’iy yo‘ldoshlar soni esa 7000 tadan ortdi. Ayniqsa, LEO (Low Earth Orbit) yo‘ldoshlari asosida faoliyat yuritayotgan Starlink, OneWeb kabi tizimlar orqali keng polosali Internet xizmatlari jadal kengaymoqda. Mazkur tizimlarning uzluksiz ishlashini ta’minlashda ularning fizika-matematik asoslarini chuqur anglash zarur[2]. Shu jumladan, aloqa kanalining turg‘unligi va sifatini bashorat qilishda uning modellashtirilgan shaklini ishlab chiqish zarur. Materiallar va usullar Mazkur tadqiqotda sun’iy yo‘ldosh aloqa kanallarining fizik va statistik modellarini ishlab chiqish va ularni turli dasturiy vositalar yordamida baholash uchun nazariy manbalar, xalqaro tavsiyalar va amaliy simulyatsiya muhitlaridan foydalanildi. Birinchidan, manbalar va normativ hujjatlar asos qilib olindi. Jumladan, ITU-R tavsiyalari (P.618-13, P.838-3, P.840) kanal yo‘qotishlarini baholashda qo‘llanildi. Klassik darsliklar (Sklar, Rappaport) orqali nazariy asoslar o‘rganildi, shuningdek IEEE Xplore va NASA materiallari asosida zamonaviy ilmiy maqolalar tahlil qilindi. Ikkinchidan, fizik muhit modellashtirish usullari tadqiq etildi. Erkin fazodagi yo‘qotish (FSPL) Friis tenglamasi orqali hisoblandi, atmosfera va yomg‘ir yutilishi ITU-R modellari asosida baholandi. Doppler siljishi, dispersiya va polarizatsiya yo‘qotishlari nazariy formulalar yordamida hisobga olindi. Uchinchidan, statistik modellar qo‘llanildi. AWGN (Additive White Gaussian Noise) modeli oq Gauss shovqini ta’sirini baholash uchun, Rayleigh fading modeli ko‘p yo‘lli tarqalish sharoitida signallarni modellashtirish uchun, Rician fading modeli esa asosiy (LOS) yo‘l mavjud bo‘lgan sharoitlarda ishlatildi. Gibrid modellar yordamida AWGN va fading modellarini kombinatsiyalash orqali yanada real sharoitga yaqin natijalar olindi. To‘rtinchidan, dasturiy vositalar va simulyatsiya muhiti tanlandi. MATLAB/Simulink AWGN, Rayleigh, Rician va gibrid modellarda BER–SNR tahlilini amalga oshirishda qo‘llanildi. 194

NS-3 paket darajasida TCP/IP trafik oqimlarini simulyatsiya qilish uchun, OMNeT++ esa modul asosida yo‘ldosh tarmoqlari va marshrutlash jarayonlarini modellashtirishda ishlatildi. Python kutubxonalari (NumPy, SciPy, CommPy, PySDR) qo‘shimcha signal ishlov berish va tahlil qilishda qo‘llanildi. STK (Systems Tool Kit) dasturi orbitada yo‘ldosh trayektoriyasi, qamrov zonalari, SNR va latency tahlili uchun ishlatildi. Beshinchidan, tajriba o‘tkazish uslubi ishlab chiqildi. Har bir model bo‘yicha turli SNR (0 dB, 5 dB, 10 dB, 15 dB) qiymatlarida BER aniqlanib, grafiklar qurildi. MATLAB’da awgn(), comm.RayleighChannel, comm.RicianChannel funksiyalari qo‘llanildi. STK orqali Toshkent shahridagi er stansiyasi va GEO yo‘ldosh o‘rtasidagi aloqa simulyatsiya qilindi. Olingan natijalar jadval, grafik va hisobot shakllarida hujjatlashtirildi. Shunday qilib, mazkur bo‘limda qo‘llangan materiallar va usullar sun’iy yo‘ldosh aloqa kanallarining modellashtirish jarayonida nazariy va amaliy yondashuvlarni uyg‘unlashtirish imkonini berdi Natijalar Sun’iy yo‘ldosh aloqa kanallari orqali uzatiladigan elektromagnit signallar bir qancha fizik muhitlardan o‘tadi va bu ularning sifatiga bevosita ta’sir qiladi. Kanaldagi har bir komponent signalni zaiflashtirishi, buzishi yoki kechiktirishi mumkin. Quyida ushbu xususiyatlar batafsil bayon etiladi: - erkin fazoda yo‘qotish (FSPL): Bu yo‘qotish sun’iy yo‘ldosh bilan er stansiyasi orasidagi masofa va signal chastotasiga bog‘liq. Bu quyidagi tenglama orqali ifodalanadi:L=20log10(d)+20log10(f)+92.45 bu yerda L – yo‘qotish (dB), d – masofa (km), f – chastota (MHz). Masofa ortgani sayin va yuqori chastotalarda signal zaiflashadi. - atmosfera yutilishi: Signal kislorod, azot va suv bug‘lari bilan to‘qnashganida so‘riladi. Ayniqsa yuqori chastotalarda (masalan, Ka-band) bu ta’sir sezilarli bo‘ladi. - yomg‘ir orqali yutilish: Yomg‘ir zarralari signalni yutadi va sochadi[3]. Bu ayniqsa tropik zonalarda va yuqori chastota diapazonlarida (Ku va Ka) sezilarli. ITU-R P.838-3 tavsiyasi orqali yomg‘ir ta’sirini modellashtirish mumkin. - bulut va qor ta’siri: Bulutlar va qor ham signalni yutilishiga olib keladi[4]. Bu xususiyatlar ITU-R P.840 modeli bilan baholanadi. - doppler siljishi: Past Yer orbitasidagi (LEO) yo‘ldoshlar harakatlanayotganligi sababli signal chastotasi qabul qiluvchida o‘zgaradi[2]. Bu holat chastotaga bog‘liq sinxronizatsiya muammolarini keltirib chiqaradi va mobil foydalanuvchilar uchun sezilarli bo‘lishi mumkin. - faza burilishi: Signal o‘tgan muhitlarda turli kechikishlarga uchraydi, bu esa signalning fazaviy komponentini buzadi. Fazaning o‘zgarishi sinxronizatsiyani buzishi yoki qabul qilingan signalni noto‘g‘ri dekodlashga olib kelishi mumkin. - dispersiya: Signalning turli spektr komponentlari bir-biridan farqli tezlikda yetib boradi, bu esa impulsning cho‘zilishiga olib keladi. Bu ayniqsa keng polosali signal uzatishda muhim. - polarizatsiya yo‘qotishlari: Qabul qiluvchi antenna signalning noto‘g‘ri polarizatsiyasiga mos bo‘lmaganda yo‘qotishlar yuzaga keladi. Masofa va chastotaga qarab FSPL yo‘qotishlarining tahlili 1-jadvalda keltirib o‘tilgan. 1-jadval. Masofa va chastotaga qarab FSPL yo‘qotishlari Chastota diapazoni Masofa (km) FSPL (dB) Qo‘llanish sohasi 195

C-band (6 GHz) 36 000 196 dB TV translatsiyasi Ku-band (14 GHz) 36 000 206 dB Internet, VSAT Ka-band (30 GHz) 36 000 214 dB Keng polosali xizmatlar Ka-band (30 GHz) 1 200 (LEO) 163 dB Starlink, OneWeb Ushbu fizik ta’sirlarni to‘g‘ri hisobga olish va modellashtirish orqali aloqa tizimining ishonchliligi, uzatish sifati va turg‘unligi ta’minlanadi. Kanal xususiyatlarini ifodalovchi modellar quyidagilarga bo‘linadi: Deterministik yondashuvlar: Bu yondashuvlar real muhitdagi parametrlarni aniq o‘lchashga asoslanadi. Masalan, erkin fazodagi yo‘qotish (FSPL) Friis tenglamasi orqali hisoblanadi[5]. Bundan tashqari, ITU-R tomonidan taklif etilgan modellar (P.618, P.838, P.676) signalning atmosferadagi yutilishi, yomg‘ir ta’siri va boshqa sharoitlarni qat’iy parametrlar asosida hisoblaydi. Misol: Ka-banddagi aloqa tizimlarida yomg‘ir yutilishini ITU-R P.838 modeli asosida 10 km masofaga 35 mm/soat yog‘ingarchilik bo‘yicha aniqlash mumkin. Statistik yondashuvlar: Signalning statistik xatti-harakatini modellashda qo‘llaniladi. Bu yerda tasodifiy omillar muhim rol o‘ynaydi. Asosiy statistik modellar quyidagilardir: AWGN (Additive White Gaussian Noise) modeli – bu eng oddiy kanal modeli bo‘lib, faqat oq shovqinni hisobga oladi[6]. Har qanday signalga gauss taqsimotli shovqin qo‘shiladi. Masalan, MATLAB’da awgn(signal, SNR) funksiyasi yordamida AWGN shovqini qo‘shilishi mumkin. Rayleigh fading modeli – ko‘p yo‘lli tarqalishda (multipath) asosiy yo‘l mavjud bo‘lmagan holatlarda qo‘llaniladi. Bu modelda signal amplitudasi Rayleigh taqsimoti bo‘yicha o‘zgaradi. Bu model mobil qurilmalar yoki baland binolar bilan to‘silgan muhitlar uchun mos. Misol: Shahar hududida, bino orqasida joylashgan antennalarda signal Rayleigh fadingga uchraydi. Rician fading modeli – asosiy (LOS – Line of Sight) yo‘l mavjud bo‘lgan holatlarda qo‘llaniladi[7]. Signal amplitudasi kuchli asosiy komponent va bir nechta tarqalgan komponentlardan tashkil topadi. Masalan, ochiq hududda joylashgan er stansiyasi va GEO yo‘ldosh orasidagi aloqa. Ushbu modellar yordamida BER (Bit Error Rate) tahlili va SNR (Signal-to-Noise Ratio) o‘zgarishini statistik baholash mumkin. Gibrid modellar: Bu yondashuv fizik va statistik modellarni birlashtiradi. Masalan, signalga bir vaqtning o‘zida AWGN va Rayleigh fadingni qo‘shish mumkin. MATLAB Simulink yoki Python’da bu turdagi simulyatsiyalar orqali real muhitga yaqin modellashuvga erishiladi. Gibrid yondashuv yordamida tarmoq optimallashtirish, kanal kodeklarini tanlash, modulyatsiya darajasini moslash kabi funksiyalar tahlil qilinadi. Masalan, gibrid modelda quyidagi holat modellashtiriladi: 8 km masofadagi GEO yo‘ldosh bilan aloqa o‘rnatiladi. Signal 14 GHz chastotada uzatiladi. Modelda FSPL, AWGN, yomg‘ir yutilishi va Rayleigh fading birgalikda hisoblanadi. Natijada, SNR darajasining vaqt bo‘yicha o‘zgarishi grafik tarzda tahlil qilinadi. Bu esa tizimga avtomatik quvvat boshqaruvi (APC) kabi algoritmlarni qo‘llash imkonini beradi. 196

Aloqa kanallarini modellashtirishda qo‘llaniladigan zamonaviy texnikalar va dasturiy vositalar quyidagilarni o‘z ichiga oladi: MATLAB va Simulink: Bu muhit kanal modelini vizual bloklar yordamida yaratish imkonini beradi. MATLABda comm.AWGNChannel, comm.RayleighChannel kabi tayyor bloklar mavjud bo‘lib, ular orqali signalni turli statistik sharoitlarda simulyatsiya qilish mumkin. Simulink esa grafik interfeys yordamida murakkab tizimlarning real vaqtli modelini yaratishga yordam beradi. NS-3 (Network Simulator 3): Bu ochiq manbali C++ asosidagi tarmoq simulyatori bo‘lib, paket darajasida aloqa simulyatsiyasini bajaradi[8]. Sun’iy yo‘ldosh aloqalarining yuqori qatlamdagi (TCP/IP) trafik oqimlarini modellashtirishda keng qo‘llaniladi. Foydalanuvchi NS-3 orqali mobil tugunlar harakati, signal kechikishi va yo‘qotishlarni baholay oladi. OMNeT++: NS-3ga o‘xshash C++ asosida ishlab chiqilgan simulyator. Lekin OMNeT++ modulga asoslangan tuzilishi, grafik interfeysi va kengaytirilgan model kutubxonalari bilan ajralib turadi. INET Framework yordamida sun’iy yo‘ldosh tarmoqlari, signal marshrutlash va trafik oqimlari simulyatsiya qilinadi. Python asosidagi kutubxonalar: ✓ SciPy va NumPy: Matematik hisob-kitoblar va statistik tahlil uchun. ✓ PySDR: Software Defined Radio uchun signalni qayta ishlash. ✓ CommPy: Raqamli aloqa tizimlari (BER, SNR, kanal modellar) bo‘yicha funktsiyalar. Bu vositalar yordamida foydalanuvchi o‘zining maxsus kanal modelini yaratib, turli statistik ta’sirlar ostida signalni tahlil qilishi mumkin. STK (Systems Tool Kit): AGI tomonidan ishlab chiqilgan bu dastur sun’iy yo‘ldosh trayektoriyasi, qamrov zonalari (footprint), signal kuchi, SNR tahlili va elektromagnit shovqin muhitini baholashda foydali[9]. STK yordamida signalning orbitadagi harakati vaqtga bog‘liq tarzda animatsion ko‘rinishda modellashtiriladi. Mazkur texnik va dasturiy vositalarni birgalikda qo‘llash orqali real muhitga yaqin bo‘lgan tahlillar olib boriladi. Bundan tashqari, har bir platforma o‘zining afzalliklariga ega bo‘lib, tadqiqot maqsadiga qarab ulardan biri yoki bir nechtasini tanlash mumkin. 2-jadvalda dasturiy vositalarni solishtirish tahlili keltirib o‘tilgan. 2-jadval. Dasturiy vositalarni solishtirish tahlili. Dasturiy vosita Asosiy vazifasi Amaliy qo‘llanish sohasi Dasturiy vosita MATLAB/Simulin k Signal modellashtirish Akademik tadqiqotlar MATLAB/Simulink NS-3 TCP/IP trafik Internet xizmatlari, LEO tarmoqlar NS-3 OMNeT++ Modul asosida tarmoq Routing, yirik simulyatsiyalar OMNeT++ Python (CommPy, PySDR) Signal ishlov berish Prototiplash, eksperiment Python (CommPy, PySDR) STK (AGI) Orbita va qamrov tahlili Kosmik loyihalar STK (AGI) 197

Qo‘shimcha BER–SNR taqqoslash natijalari shuni ko‘rsatadiki, Rayleigh fading sharoitida BER AWGN modeliga qaraganda sezilarli darajada yuqori. Shu sababli kodlash va modulyatsiya usullarini tanlashda real muhit sharoitlari albatta inobatga olinishi kerak. Simulyatsiya natijalari, tahlil va hisobot shakli quyidagi simulyatsiyalar MATLAB va STK dasturlari yordamida bajarildi va sun’iy yo‘ldosh aloqa kanallarining xatti-harakatlari turli sharoitlarda baholandi. Har bir eksperiment natijasi grafiklar, jadvallar va rasmiy hisobot shakllarida hujjatlashtirildi. AWGN modelida: MATLAB muhitida awgn() funksiyasi orqali sun’iy sinusoidal signalga turli darajadagi oq Gauss shovqini qo‘shildi. SNR darajalari 0 dB, 5 dB, 10 dB va 15 dB bo‘yicha o‘zgartirilib, ularning BER (Bit Error Rate) ga ta’siri aniqlanib, quyidagi 1-rasmdagi grafikda keltirildi. 1-rasm. BER vs. SNR(AWGN modeli bo‘yicha o‘zgarishlar. Rayleigh fading modelida: comm.RayleighChannel yordamida harakatlanuvchi foydalanuvchining 30 km/soat tezlikdagi holati modellashtirildi. Signal amplitudasining o‘zgaruvchanligi grafik ko‘rinishda 2-rasmda keltirilgan. Grafikda signal amplitudasining vaqtga bog‘liq ravishda o‘zgarishi, pasayish sohalari va signal yo‘qotilishi ko‘rsatildi. 2-rasm. Rayleigh fading ostida signal amplitudasi (30 km/soat tezlik). Rician fading modelida: MATLAB’da comm.RicianChannel yordamida K-faktor 10 dB bo‘lgan holatda LOS komponent mavjud bo‘lgan kanal tahlil qilindi. BER darajalari Rayleigh modeliga nisbatan ancha past bo‘lgani 3-rasmda keltirilgan. STK orqali mos keltirilgan geografik trayektoriya bilan taqqoslanib, ishonchlilik tahlil qilindi. 198

3-rasm. BER vs. SNR(Rician fading modelida, K=10 dB). Gibrid simulyatsiya: AWGN va Rayleigh fadingni birgalikda qo‘llash orqali signalning kompleks real modeldagi xatti-harakati baholandi. 4-rasmda kanal xususiyatlari (SNR, BER) birgalikda keltirildi. 4-rasm. BER vs. SNR (Gibrid model: AWGN +Rayleigh). Gibrid simulyatsiya: AWGN va Rayleigh fadingni birgalikda qo‘llash orqali signalning kompleks real modeldagi xatti-harakati baholandi. Grafik 3’da kanal xususiyatlari (SNR, BER) birgalikda chizildi. Grafik 4 esa BER va latency orasidagi bog‘liqlikni tasvirlaydi. Hisobotga avtomatik kodlash strategiyalari asosida optimallashtirish tavsiyalari ilova qilindi. STK (Systems Tool Kit) simulyatsiyasi: STK dasturi yordamida GEO orbitasidagi sun’iy yo‘ldosh (masalan, Intelsat-22) va yer stansiyasi (Toshkent) o‘rtasidagi aloqa tizimi har tomonlama modellashtirildi: Trayektoriya va qamrov: 3D animatsiya orqali yo‘ldosh trayektoriyasi va signalning erga tushuvchi qamrov zonasi (footprint) vizualizatsiya qilindi. Qamrov zonasi +35°/-35° azimut oralig‘ida va 42 dBm signal kuchi asosida baholandi. SNR va latency: STK Communication Link Budget yordamida har bir signal uzatish holati uchun SNR qiymatlari hisoblandi. O‘rtacha SNR ≈ 19.7 dB bo‘lib, yomg‘ir zonalarida bu qiymat 11.3 dB gacha pasaydi. Latency 150 ms dan 60 ms oralig‘ida bo‘lib, bu natijalar 5-rasmda (SNR ga nisbatan BER va Latency) aniq ifodalangan. 199