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

1-rasm. CNN modelining iyerarxik arxitekturasi va ma’lumotlar oqimi Ishlab chiqilgan tizim laboratoriya va real sharoitlarda sinovdan o‘tkazilganda kutilganidan yuqori natijalarni qayd etdi.O‘quv jarayoni samaradorligi: Model o‘quv bosqichida 98.4% aniqlikka erishdi. Validatsiya va Test: Begona (model ko‘rmagan) ma’lumotlar bilan ishlashda 97.8% lik aniqlik saqlanib qoldi. Tizim barqarorligi: F1-score ko‘rsatkichining 0.97 ga tengligi modelning "yanglishish" ehtimoli minimal ekanligini tasdiqlaydi. Ayniqsa, vizual jihatdan bir-biriga yaqin bo‘lgan "O‘" va "G‘" harflarini real vaqt rejimida veb-kamera orqali aniqlashda tizimning tezkorligi sezilarli darajada yuqori bo‘ldi. Xulosa Ushbu maqolada sun’iy intellekt texnologiyalari yordamida imo-ishora aniqlashning nazariy asoslari va so‘nggi yillarda amalga oshirilgan tadqiqotlar tahlil qilindi. Tadqiqotlar shuni ko‘rsatdiki, turli chuqur o‘rganish modellarini qo‘llash, xususan konvolyutsion neyron tarmoqlari, LSTM, GRU va Transformer arxitekturalarining hybrid kombinatsiyalari, imo-ishoralarni aniqlashda yuqori aniqlik va samaradorlikni ta’minlaydi. Multimodal yondashuvlar – tasvir, qo‘l pozalari va boshqa sensorlar birgalikda ishlatilishi – tizimlarning real sharoitlarda ishonchli ishlashini oshiradi. Explainable AI metodlari esa model qarorlarini tushuntirish imkonini berib, foydalanuvchilarga tizimdan ishonch bilan foydalanish imkonini yaratadi. O‘zbek imo-ishora tiliga nisbatan quyidagi yangiliklar va istiqbollar muhim hisoblanadi. O‘zbek imo-ishora ma`lumotlar bazasini yaratish: keng va xilma-xil dataset, turli yosh, jins va sharoitdagi foydalanuvchilarni qamrab oladi. Xulosa qilganda sun’iy intellekt asosidagi imo-ishora aniqlash tizimlari insonlar bilan muloqotni soddalashtirishi, eshitish qobiliyati cheklangan shaxslar hayotini yaxshilashi va kommunikatsiya imkoniyatlarini kengaytirishi mumkin. O‘zbek imo-ishora tilini rivojlantirish va yuqorida keltirilgan yo‘nalishlarni amalga oshirish esa sohada ilmiy izlanishlar va texnologik yangiliklar uchun istiqbolli yo‘l bo‘lib qoladi. Adabiyotlar 1. Deng, J., Guo, J., Niannan, X., & Zafeiriou, S. (2019). ArcFace: Additive angular margin loss for deep face recognition. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp. 4690–4699. 180

2. Paul, S., Gupta, R., & Martinez, J. (2025). Hybrid Deep Learning Architectures for RealTime American Sign Language Recognition. IEEE Access, vol. 13, pp. 4520-4535. 3. S. Aly and A. Fathi, "Deep Learning-based Arabic Sign Language Recognition: A Hybrid Transformer-CNN Approach," in Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2024, pp. 210-225 4. Alzohairi, R., Alghonaim, A., Al-Slamah, R., & Al-Mubarak, H. (2024). Hybrid Lightweight Deep Learning Models for Arabic Sign Language Recognition with Spatial Attention Mechanisms. IEEE Access, 12, 11450-11468. 5. Central Asian Sign Language Recognition using a Convolutional Neural Network. International Conference Proceedings, August 2023. 181

SIGNALLARNI SILLIQLASHDA VOLTERRA 2 –TUR TENGLAMASINI QO‘LLANILISHI 1 Qulmatov M.B., 2Salimov J.I., 3Ziyodullayev S.S 1 International Digital University, Mudofaachilar Str, Tashkent, 100000, Uzbekistan. 2 International Digital University, Mudofaachilar Str, Tashkent, 100000, Uzbekistan. 3 Toshkent Amaliy Fanlar Universiteti, Gavhar Str, Tashkent, 100127, Uzbekistan. kulmatov.mukhriddin@idu.uz Annotatsiya. Mazkur ishda signallarni qayta ishlash jarayonida shovqin ta’sirini kamaytirish masalasi ko‘rib chiqiladi. Ayniqsa, chiziqsiz va vaqt bo‘yicha o‘zgaruvchan tizimlarda signallarni silliqlashda Volterra 2-tur integral tenglamalarini qo‘llashning nazariy asoslari yoritilgan. Volterra yadrosi yordamida tizimning xotira xususiyatlarini hisobga olish imkoniyati tahlil qilinadi hamda ushbu yondashuvning signalni aniqroq tiklashdagi afzalliklari asoslab beriladi. Tadqiqot natijalari raqamli signalni qayta ishlash, texnik va tabiiy jarayonlarni modellashtirishda amaliy ahamiyatga ega. Kalit so‘zlar: signallarni silliqlash, Volterra integral tenglamasi, chiziqsiz tizimlar, shovqinli signal, yadro funksiyasi, xotirali tizimlar, raqamli signalni qayta ishlash. Kirish Raqamli va analog signallarni qayta ishlash jarayonida shovqin ta’sirini kamaytirish va foydali signalni aniqlik bilan ajratib olish muhim vazifalardan biri hisoblanadi. Ushbu masalani hal etishda signalni silliqlash (filtrlash) usullari keng qo‘llaniladi. Ayniqsa, tizim chiziqsiz xususiyatga ega bo‘lgan hollarda klassik chiziqli modellar yetarli aniqlik bermaydi. Bunday vaziyatlarda Volterra 2 – tur integral tenglamalari samarali matematik vosita sifatida namoyon bo‘ladi. Volterra 2 – tur tenglamasi umumiy holda quyidagi ko‘rinishda ifodalanadi: t x y (t ) f (t ) K (t , ) x( )d (1) 0 bu yerda y (t ) – noma’lum funksiya bo‘lib, silliqlangan signal, f (t ) – kuzatilgan signal yoki shovqin, K (t , ) – tizimning yadro funksiyasi bo‘lib signalning vaqt bo‘yicha o‘zaro ta’sirini ifodalaydi[3]. Mazkur tenglama signallarni silliqlashda shovqinli signalni integral operator orqali qayta ishlash imkonini beradi. Volterra yadrosi yordamida tizimning xotira xususiyati hisobga olinadi, ya’ni signalning oldingi qiymatlari hozirgi holatga ta’sir ko‘rsatadi. Bu esa real fizik va texnik tizimlarni modellashtirishda muhim ahamiyatga ega[5]. Volterra 2-tur tenglamalarining afzalligi shundaki, ular nochiziqli va turg‘un bo‘lmagan signallarni silliqlashda yuqori aniqlikni ta’minlaydi. Ayniqsa, biologik signallar, tibbiy diagnostika ma’lumotlari, seysmik va ekologik monitoring signallarini qayta ishlashda ushbu yondashuv keng qo‘llaniladi. Shuningdek, raqamli signalni qayta ishlashda Volterra modellari adaptiv filtrlash algoritmlarini ishlab chiqishda asos bo‘lib xizmat qiladi. Ko‘p holatlarda Volterra 2-tur tenglamalarini aniq yechish imkoni bo‘lmaydi, shu sababli ularni sonli yechim orqali yechiladi[4]. 182

Bir qator yaxshi natija beradigan sonli usullar, ya’ni xatolik kamroq bo‘ladigan sonli yechimlarni hisoblash usullari mavjud. Ulardan biri kvadratur usuli bo‘lib, shu jumladan Trapetsiya va Simson formulalarini keltirish mumkin. Asosiy maqsad bunda integralni yig‘indi ko‘rinishda ifodalash bo‘ladi. Unda, f ( x ) funksiya chiziqli funksiyaga yaqin bo‘lsin, u holda integralni balandligi b a ga va asoslari f ( a ) va f (b ) ga teng bo‘lgan trapetsiya yuzi bilan almashtirish mumkin, u holda ba b f ( x)dx 2 ( f (a) f (b)) (2) a (2) formula trapetsiya formulasi deyiladi. Trapetsiya usuli algoritmi [a, b] kesmani nuqtalar bilan n ta teng bo‘lakka bo‘lamiz. Har bir qo‘shni bo‘luvchi nuqtalar orasidagi h b a n [a, b] kesmani bo‘luvchi nuqtalardan chehgaraviy egri chiziq bilan kesishgunga qadar perpendikulyar o‘tkazamiz. Egri chiziq mos nuqtalarining ordinatalari quyidagicha bo‘ladi: y0 f ( x0 ), y f ( x ),...., yn f ( xn ) Perpendikulyarning y f ( x) chiziq bilan kesishgan qo‘shni nuqtalarini vatarlar bilan birlashtiramiz va hosil qilingan har bir to‘g‘ri chiziqli trapetsiyalarning yuzini topamiz: y0 y1 y1 y2 y y h, h,..., n 1 n h 2 2 2 barcha n ta trapesiya yuzini qo‘shamiz: y y s h( 0 y1 y2 ... n ) 2 2 (3) bo‘linish qadami h b a ekanligi va hosil bo‘lgan yig‘indi inobatga olinsa, egri chiziqli 2 trapetsiyaning yuzini taqriban quyidagicha yozish mumkin: b y0 yn f ( x ) dx h ( y y ... ) 1 2 a 2 2 (4) Ushbu sonli usulnig xatoligi quyidagiga teng: Rn ( f ) b a '' f ( )h 2 , [a, b] 12 Ushbu sonli usul algoritmining blok-sxema orqali ifodalanishi quyidagicha bo‘ladi[1]. 183 (5)

1-rasm. Trapetsiya sonli usuli algoritmi blok-sxema ko‘rinishi Integrallarni hisoblashning Simpson usulini ko‘rib chiqamiz. f ( x ) funksiya [𝑎, 𝑏] oraliqda b kvadratik funksiyaga ayqin bo‘lsa, u holda f ( x)dx ni taqribiy ravishda Ox o‘qi va x a , x b a to‘g‘ri chiziqlar hamda y f ( x) funksiya grafigining absislari x a , a b va x b bo‘lgan 2 nuqtalaridan o‘tuvchi ikkinchi tartibli parabola orqali chegaralangan yuza bilan almashtirish mumkin, u holda quyidagi tenglik o‘rinli bo‘ladi: b ba ab f ( x)dx 2 f (a) 4 f ( 2 ) f (b) a [a, b] kesma uzunligi h b a bo‘lgan 2n ta juft bo‘lakka x1 , x2 ...x2 n 1 nuqtalar orqali ajratamiz: 2n x0 , x2 , x2 , x4 ,..., x2n2 , x2n (a x0 , b x2n ) 184 (6)

Bu kesmalarning o‘rtalari mos ravishda x1 , x2 ...x2 n 1 nuqtalar bo‘ladi[2]. Umumiy holatda f ( x)dx ba ( y0 y2n ) 2( y2 y4 ... y2n2 4( y1 y3 ... y2n1 ) 6 (7) (7) formula Simpson formulasidir. Ushbu sonli usulning xatoligi quyidagicha bo‘ladi: Rn ( f ) b a IV f ( )h 4 , a, b 180 (8) Simpson sonli usli algoritmi blok-sxema orqali ifodalanishi quyidagi ko‘rinishda bo‘ladi: 2-rasm. Simpson sonli usuli algoritmi blok-sxema ko‘rinishi Endi signallarni qayta ishlashda (1) ko‘rinishdagi tenglamalar Volterra 2 – tur tenglamalari uchun ushbu sonli usullar orqali yechishni ko‘rib chiqamiz. Masalaning qo ‘yilishi Signallarni yuborishda manbaga yetib kelguncha signal ma’lum bir to‘siq yoki shovqinga uchrab kelishi mumkin. Zararlangan signallarni qayta ishlashda avvalo signalni o‘zini qanday tutishini uning funksiyasiga qarab bilishimiz mumkin. Odatda signallar sinusoida ko‘rinishida tarqaladi. Ushbu tezisda Volterra integral tenglamalarida yadro K (t , ) va ozod had f (t ) ning o‘zgarishi signalning qanday “silliqlanishi” yoki “transformatsiya” bo‘lishini belgilab beradi. Bunda faqat yadro emas balki ozod had ya’ni signal funksiyasi turli xil ko‘rinishda, ularni trapetsiya va simpson sonli usllari orqali yechib xatoliklarini baholashni ko‘rib chiqamiz. 185

Quyidagi 2 xil ko‘rinishdagi yadrolar orqali ifodalangan Volterra 2-tur tenglamalarini ko‘rib chiqamiz: 1. Ushbu tenglama signallarni shovqindan tozalashda eng ko‘p qo‘llaniladigan model hisoblanadi. Umumiy ko‘rinishi quyidagicha: t y (t ) sin(t ) e (t ) y ( )d (9) 0 Ushbu tenglamaning [0; 2] kesmada h 0.01 qadam bilan aniq yechimi va Trapetsiya hamda Simpson sonli usullarida olingan barcha t lar uchun olingan y (t ) qiymatlari 1-jadvaldagi kabi bo‘ladi. 1-jadval Signallarni qayta ishlashda (9) tenglama aniq yechimi va Trapetsiya hamda Simpson sonli usullari tahlili Tugun nuqtalar( t ) 0.0 Aniq yechimda olingan natija( y (t ) ) Trapetsiya yechimida olingan natija( y (t ) ) Simpson yechimida olingan natija( y (t ) ) 0.0000 0.0000 0.0000 0.5 0.6018 0.6019 0.6023 1.0 1.3012 1.3012 1.3010 1.5 1.9268 1.9268 1.9245 2.0 2.3254 2.3255 2.3198 3-rasmda bu ikki sonli usulning va aniq yechimlarning taqqoslanishi ko‘rsatilgan. Grafikda ko‘rinib turibdi sonli yechim ma’lum bir nuqtalarda uzoqlashayotganini va yana qaysidir nuqtalar yaqilashayotganini kuzatish mumkin. 3-rasm. (9) tenglamaning aniq yechimi va Trapetsiya hamda Simpson sonli usullari taqqoslash grafigi 186

2. Agar yadro doimiy son bo‘lsa, bu tizim avvalgi barcha qiymatlarni bir xil darajada hisobga oladi. Umumiy ko‘rinishi quyidagicha: t y (t ) t 1 y ( )d 2 (10) 0 Ushbu tenglamaning [0; 2] kesmada h 0.01 qadam bilan aniq yechimi va Trapetsiya hamda Simpson sonli usullarida olingan barcha t lar uchun olingan y (t ) qiymatlari 1-jadvaldagi kabi bo‘ladi. Signallarni qayta ishlashda Trapetsiya va Simpson sonli usullari tahlili Tugun nuqtalar( t ) Aniq yechimda olingan natija( y (t ) ) Trapetsiya yechimida olingan natija( y (t ) ) Simpson yechimida olingan natija( y (t ) ) 0.0 0.0000 0.0000 0.0000 0.5 0.2974 0.2941 0.2953 1.0 1.4366 1.4174 1.4242 1.5 3.9634 3.9010 3.9239 2.0 8.7781 8.6163 8.6775 4-rasmda bu ikki sonli usulning taqqoslanishi ko‘rsatilgan. Grafik ko‘rinib turibdi sonli yechim t 0.5 dan so‘ng uzoqlashayotganini va yana qaysidir nuqtalar yaqilashayotganini kuzatish mumkin. 187

4-rasm. (10) tenglamaning aniq yechimi va Trapetsiya hamda Simpson sonli usullari taqqoslash grafigi Xulosa Xulosa qilb aytganda ushbu ishda signallarni qayta ishlash jarayonlarida Volterra 2-tur integral tenglamalarining o‘rni va ularni yechishda qo‘llaniladigan sonli usullarning samaradorligi ko‘rib chiqildi. Xususan, Trapetsiya va Simpson kvadratur formulalari yordamida integral tenglamalarni sonli yechish va ularning xatoliklarini solishtiirb chiqildi. Simpson usuli kvadratik approksimatsiyaga asoslangani sababli, chiziqli yaqinlashishga ega Trapetsiya usuliga qaraganda ancha yuqori aniqlik namoyon etdi. Bu, ayniqsa, dinamik o‘zgaruvchan va yuqori chastotali signallarni silliqlashda muhim ahamiyatga ega. Hisoblash tajribalari shuni ko‘rsatdiki, sonli yechimning xatolik darajasi bevosita integral tenglamasining yadrosiga bog‘liq. Yadroning differensiallanish tartibi qanchalik yuqori (ya’ni, yadro qanchalik silliq) bo‘lsa, sonli usullarning barqarorligi shunchalik ortadi va natijaviy signalning “shovqin” darajasi pasayadi. Ozod hadning uzluksizligi va uning yuqori tartibli hosilalarining mavjudligi integrallash jarayonidagi xatoliklar yig‘indisiga bevosita ta’sir ko‘rsatadi. Signalning keskin o‘zgarish nuqtalarida Trapetsiya usuli Simpson usuliga qaraganda kamroq tebranish berishi aniqlandi. Tadqiqot natijalari shuni tasdiqlaydiki, yadro funksiyasini to‘g‘ri tanlash va mos sonli usulni qo‘llash orqali signallarni qayta ishlash tizimlarida axborot yo‘qotilishini minimallashtirish mumkin. Adabiyotlar 1. Sonli usullar: O‘quv qo‘llanma/A.I.Ismoilov, Sh.A.Ro‘zaliyev. –Farg‘ona.:2025.-150 b. 2. Integral tenglamalar: Oliy o'quv yurtlari talabalari uchun darslik./ M. Salohiddinov. Т.: Yangiyul poligraph service, 2007. —256 b. 3. Linz, P. (1985). Analytical and Numerical Methods for Volterra Integral Equations. SIAM. (Volterra tenglamalarini sonli yechish bo‘yicha dunyodagi eng mashhur qo‘llanmalardan biri). 4. Wazwaz, A. M. (2011). Linear and Nonlinear Integral Equations: Methods and Applications. Springer Science & Business Media. 5. Kress, R. (1989). Linear Integral Equations. Springer-Verlag. 188

IMKONIYATI CHEKLANGAN INSONLAR UCHUN SUN’IY INTELLEKTGA ASOSLANGAN APPARAT-DASTURIY MAJMUA Umarov Muhriddin; Umarov Xusniddin “University of Management and Future Technologies” universiteti, “Kommunikatsiya va raqamli texnologiyalar” kafedrasi dotsenti muhriddin.umarov.1992@gmail.com Annotatsiya. Ushbu maqolada ko‘zi ojiz va zaif ko‘ruvchi insonlarga qulaylik yaratish uchun sun’iy intellekt texnologiyalaridan foydalanib yordamchi tizim ishlab chiqish masalasi qaralgan. Ushbu tizim obyektlarni tanib olish, to‘siqlargacha bo‘lgan masofani o‘lchash va matnlarni aniqlash kabi vazifalarni bajaradi. Obyektlarni tanib olish va to‘siqlar masofasini o‘lchashda mashinali o‘qitish algoritmlaridan, tasvirdagi matnlarni aniqlashda optik belgilarni aniqlash algoritmlaridan hamda aniqlangan natijalarni ovozli ifodalashda matnlarni tahlil qilish algoritmlaridan foydalanildi. Ko‘zi ojiz va zaif ko‘ruvchi insonlarning atrof-muhitni anglashi, insonlar bilan muloqot qilishi va mustaqil harakatlanishiga ko‘maklashish hamda ijtimoiy faoliyatini yaxshilash asosiy maqsad hisoblanadi. Ko‘zi ojiz insonlar uchun foydalanishga qulay, arzon va o‘zbek tilida natijalarni bayon qiluvchi dasturiy vositalarni ishlab chiqish mamlakatimizda dolzarb muammolardan biri hisoblanadi. Ishlab chiqilgan algoritmlar yordamida obyektlarni va matnlarni aniqlash bo‘yicha o‘tkazilgan tadqiqot natijalari mos ravishda 92,16% va 99,87% ni tashkil qildi. To‘siqlar masofasini o‘lchash mobil ilovaga nisbatan maksimal og‘ish darajasi 6,32% ni tashkil etdi. Bunday natijalar shuni ko‘rsatadiki, taklif etilayotgan yordamchi tizim tijorat qurilmalari kabi ishonchli ko‘rsatkichlarni beradi. Ko‘rish qobiliyati zaif insonlarning xavfsizligi va farovonligiga foyda keltiradigan kundalik hayotning asosiy talablariga javob beradi. Kalit so‘zlar: ko‘zi ojiz insonlar, sun’iy intellekt, yordamchi tizim, obyektlarni tanib olish, matnlarni aniqlash, to‘siqlar masofasini o‘lchash, ovozli ifodalash. Kirish Vision Loss Expert Group (VLEG) tomonidan ishlab chiqilgan statistik ma’lumotlarga ko‘ra, dunyo miqyosida ko‘r bo‘lgan insonlar soni 2050-yilda 115 million kishiga yetishi kutilmoqda [1]. Bugungi kunda mamlakatimizdagi 76020 nafar ko‘zi ojiz insonlarning 64244 nafari O‘zbekiston ko‘zi ojizlar jamiyati hisobiga olingan. Jami ishlovchi ko‘zi ojiz insonlar soni 3305 nafarni, shundan 1539 nafari jamiyat korxonalarida, 557 nafari jamiyat tizimida va 1209 nafari tizimdan tashqari turli tashkilotlarda faoliyat yuritmoqda [2]. Shuningdek, sog‘liqni saqlash tizimining tobora ortib borayotgan yuqori xarajatlarini bartaraf etish muammosi ko‘plab mamlakatlarda katta qiyinchilikni keltirib chiqaradi. Odatda, ko‘rish qobiliyati zaif insonlar ko‘rish tizimlarisiz tashqi ma’lumotni idrok eta olmaydilar, bu esa kundalik hayotda qiyinchiliklar va noqulayliklarga olib keladi [3]. Masalan, ular to‘siqlarga va yaqin atrofdagi tanib bo‘lmaydigan buyumlarga urilishi, shuningdek, kitob yoki ekrandagi kontentni o‘qiy olmasligi tufayli yiqilib tushishi mumkin [4]. Hozirgi kunda tijorat qurilmalari qimmat, katta hajmli va natijalarni ovozli ifodalashda til muammolari mavjud hamda atrof-muhitni tushunarli va yuqori aniqlikda yetkazib berish dolzarb muammolardan hisoblanadi. Shu sababli, ko‘rish qobiliyati zaif insonlar uchun yordamchi tizim usullarini yanada takomillashtirish zarur. 189

Ko‘rish qobiliyati zaif insonlarga tashqi ma’lumotni idrok etishga yordam beradigan bir nechta yechimlar taklif qilingan. Masalan, hassa ko‘zi ojiz insonlar uchun an'anaviy vosita bo‘lib, o‘z atrofida harakat qilishi va o‘zlarini boshqalarga ko‘rsatish uchun foydalinadi [5]. Biroq, u uzoqdan yaqinlashib kelayotgan to‘siqlarni oldidan ogohlantira olmaydi, shuningdek, tizzadan yuqorida joylashgan to‘siqlarni taniy olmaydi. Yo‘l ko‘rsatuvchi itlar ko‘rish qobiliyati zaif insonlarga yordam beradigan yana bir variant bo‘lib, bu ularga mustaqil, ishonchli va boshqalarga tayanmasdan xavfsiz yurishiga yordam beradi va to‘siqlar natijasida jarohat olishiga to‘sqinlik qiladi. Lekin, yo‘l ko‘rsatuvchi itlarni o‘rgatish uchun vaqt va ko‘p kuch talab etiladi, bunday jarayon odatda 2 yilgacha davom etadi va narxi qimmat [6]. Hozirgi kunda turli vositalar va sun’iy intellekt texnologiyalarining rivojlanishi bilan boshga taqiladigan, ovozli ko‘rsatma beradigan va qo‘lda foydalinadigan bir nechta prototiplar taklif etilgan [7, 8, 9]. Ularning aksariyati yaqin atrofdagi ma’lumotlarni to‘plash uchun turli xil sensorlarni birlashtiradi va eshitish vositasi orqali xabar beradi. Sog‘liqni saqlash nazorati funksiyasini qo‘shish va monitoring qilish, umumiy xarajatlarni bir vaqtning o‘zida kamaytirish orqali yanada takomillashtirilishi mumkin. Ushbu mavjud kamchiliklarni bartaraf etish uchun joriy prototiplar asosida sun’iy intellektga asoslangan yordamchi tizim ishlab chiqilgan. Ushbu tizim obyektlarni tanib oladi va ularni foydalanuvchidan uzoqligini taxmin qiladi. Bundan tashqari, ovozli yordamchi orqali taqdim etilishi mumkin bo‘lgan matnni aniqlaydi va foydalanuvchiga uzatish imkonini beradi. Keyinchalik, ko‘rish qobiliyati zaif insonlarga atrof-muhitdagi obyektlar haqida ma’lumotni yaxshiroq idrok etishga yordam berish va real vaqt rejimida ishlashni ta'minlash uchun tasvirga oid barcha ma’lumotlarni qayta ishlash maxsus serverlarda amalga oshiriladi. Natijada, yordamchi tizimlar kundalik hayotda ko‘rish qobiliyati zaif insonlarning xavfsizligi va farovonligini yaxshilash imkonini beradi. Ko‘rishda nuqsoni bo‘lgan insonlarning idrok etish qobiliyatini yaxshilash uchun taklif etilayotgan sun’iy intellektga asoslangan yordamchi tizim real vaqt rejimida obyektlarni tanib olish, to‘siqlar masofasini o‘lchash va matnni aniqlashga xizmat qiladi. Bundan tashqari, ovozli ifodalash orqali tegishli ma’lumotlarni o‘zbek tilida taqdim etish imkonini beradi. Tajribalar bunday funksiyalarning qulayligini ko‘rsatdi, ularning atrof-muhit haqida muhim ma’lumotlarni olishi keng imkoniyatlarni yaratadi. Material va metodlar Ushbu tadqiqotda qaralayotgan ko‘rishda nuqsoni bo‘lgan insonlarga yordam beruvchi tizimga to‘xtalsak, ular texnologik asoslariga ko‘ra uchta alohida toifaga ajratildi: kompyuter ko‘rishga asoslangan, kompyuter ko‘rishga asoslanmagan va gibrid [10]. Kompyuter ko‘rishga asoslangan tizimlar atrof-muhit haqida ma’lumot berish uchun real vaqt rejimida video oqimlar yoki tasvirlardan foydalanadi. Kompyuter ko‘rishga asoslanmagan tizimlar atrof-muhitni tahlil qilish va foydalanuvchiga tegishli ma’lumotlarni yetkazish uchun ko‘plab sensorlar va modullardan foydalanadi. Gibrid tizimlar ikkala yondashuvning afzalliklarini olish uchun kompyuter ko‘rishga asoslangan sensor texnologiyalarini birlashtiradi. Yordamchi tizim ko‘p funksiyali bo‘lishi va natijalarning aniqligi hamda qulay tarzga ifodalanishi muhim masalalardan hisoblanadi. Obyektlarni tanib olish. Mashhur olim Lowe tomonidan yorug‘lik va shovqin ta’sir qilmaydigan ishonchli xususiyatlarni aniqlaydigan Scale Invariant Feature Transform (SIFT) algoritmini taklif qildi [11]. Keyinchalik, SIFTga asoslangan takomillashtirilgan Speeded-Up Robust Features (SURF) algoritmi ishlab chiqildi, u taqsimotga asoslangan deskriptordan foydalanilgan [12]. 190

Ushbu an’anaviy algoritmlar muhim obyektlarni aniqlash uchun past darajadagi xususiyatlarni qo‘lda ajratib oladi va ko‘p toifali obyektlarni samarali tanib olmaydi [13]. Shu maqsadda bir nechta chuqur o‘qitish algoritmlari qo‘llanildi, ular nafaqat murakkabroq xususiyatlarni ajratib olish imkonini beradi, balki bitta neyron tarmoq yordamida xususiyatlarni ajratib olish, tanlash va tasniflash imkonini beradi. Region-Convolution Neyron Network (R-CNN) algoritmi obyektlarni tanib olish aniqligini yaxshilashga katta yordam beradi. Biroq, real vaqt talablarida yetarli javob bermaydi. The You Only Look Once (YOLO) algoritmi chuqur o‘qitishda regressiyadan foydalanadi. U real vaqt talablariga javob berib, soniyasiga 40 ta kadrni (FPS) qayta ishlashi mumkin. Umuman olganda, chuqur o‘qitish algoritmlari tanib olish aniqligi va tezligi bo‘yicha an’anaviy usullardan ancha ustundir. To‘siqlargacha bo‘lgan masofani o‘lchash. To‘siqlar masofasini o‘lchashni to‘rt toifaga bo‘lish mumkin: ultratovush, infraqizil, lazer va vizual. Masalan, Meshram tomonidan olib borilgan tadqiqqotlarda ultratovushli datchiklardan tizza ostidagi to‘siqlarni aniqlash uchun foydalanilgan. Villanueva va Farsi kabi olimlar hassani infraqizil datchiklar bilan birlashtirib, to‘siqlardan aks ettirilgan infraqizil impulslarni chiqardi va aniqladi, bu ko‘rish qobiliyati zaif odamlarga yo‘lda yetarlicha keng yo‘l topishga imkon berdi. Yuqorida tavsiflangan yondashuvlar diapazondagi muammoni hal qilish uchun ishlatilishi mumkin, biroq ular yaqin atrofdagi harakatlanuvchi obyektlarni aniqlash uchun mos emas. Bundan tashqari harorat, namlik va atrof-muhit shovqini kabi atrof-muhit parametrlari ta’sir qiladi hamda lazer insonning ko‘ziga zarar yetkazishi mumkin. Shu sababdan, kompyuter ko‘rishga asoslangan usul eng yaxshi yechim hisoblanadi. Monteiro tomonidan kamera atrofida sodir bo‘layotgan harakatlarni tanib olish va ko‘rish qobiliyati zaif insonlar uchun fikr-mulohazalarni berishda konvolyutsion neyron tarmog‘idan foydalangan. Shunday qilib, kompyuter ko‘rishga asoslangan yondashuvlar ko‘rish qobiliyati zaif insonlarga atrof-muhitni his qilishlariga va to‘siqlardan ishonchliroq qochishlariga yordam beradi. Matnni aniqlash. Oldingi bir qancha tadqiqotlar real vaqt rejimida matnni aniqlashni amalga oshiradigan mustahkam tizimlarni ishlab chiqishga qaratilgan. Ular ko‘p hollarda kitob yoki ekrandagi kontentni olish uchun chegaralarni aniqlash va optik belgilarni aniqlash (OCR-Optical Character Recognition) kabi kompyuter ko‘rish usullaridan foydalanilgan. Masalan, Pei va Zhu tomonidan Tesseractga asoslangan real vaqt rejimida matnni aniqlash tizimi taqdim etilgan. Long Short-Term Memory (LSTM) arxitekturasini o‘z ichiga olgan yangi xususiyatli so‘zlar va satrni aniqlash vazifasini bajaradi. Har bir kadr uchun matnni aniqlaydi va bashorat qiladi, keyin har bir kadr uchun bashorat yorliqlarini yakuniy ketma-ketlikka aylantiradi. Mukhiddinov va Cho kabi olimlarning tadqiqotlarida OCR orqali matnni end-to-end tanib olish algoritmidan foydalanib aniqlash amalga oshirilgan, uning asosiy komponenti matnni tanib olish uchun oʻzgartirilgan toʻliq konvolyutsion tarmoq hisoblanadi. Tadqiqot natijalari Ko‘zi ojiz insonlarning kundalik hayotdagi turli holatlari va ehtiyojlarini hisobga olgan holda, uchta asosiy talabni bajarish kerak. Shu maqsadda, 1-rasmda YOLO algoritmi asosida atrof-muhitni idrok etadigan yordamchi tizim uchun taklif qilingan dizayn ko‘rsatilgan. Bu yerda tasvirlar kamera yordamida olinadi va neyron tarmoq modeli mos masofadagi tashqi obyektlarni va kitob yoki ekrandagi kontentni aniqlaydi. Ma’lumotlarni yig‘ish va monitoring qilish uchun natijalarni markaziy severga yuklash mumkin. 191

1-rasm. Obyektni tanib olish, to‘siqlar masofasini o‘lchash va matnni aniqlashga tavsiya etilgan dizayn. Obyektlarni tanib olish YOLO algoritmi tomonidan amalga oshiriladi, bunday chuqur neyron tarmoqlardan foydalanish orqali obyektni tanib olishning aniqligi va tezligi oshirildi. U tasvirni bo‘laklarga bo‘lish va har bir bo‘lakdagi katakchalar uchun chegaralovchi qutilarni bashorat qilish orqali ishlaydi, shuning uchun ular atrofida chegaralovchi qutilarni yaratishda tasvirdagi bir nechta obyektlarni tanib olishi mumkin. Bundan tashqari, uning yengil ishlashi cheklangan ishlov berish quvvatiga ega bo‘lgan qurilmalarga mos va Raspberry Piga integratsiya qilish imkonini beradi. Bu tadqiqotda YOLO neyron tarmog‘idan foydalanildi, uni asosan uchta qatlamga bo‘lish mumkin: xususiyatlar xaritasi, obyektlarni aniqlash, sinflashtirish (2-rasm). 2-rasm. YOLO arxitekturasi. Birinchi qatlam kameradan olingan kiruvchi tasvirlardan xususiyatlarni ajratib olish uchun ma’sul. Xususiyatlar xaritasi qatlami CNN modeli orqali turli masshtablarda ierarxik xususiyatlarni to‘plash uchun bir qator konvolyutsiya va birlashtirish operatsiyalarini bajaradigan tayanch bo‘lib xizmat qiladi. Obyektlarni aniqlash qatlami xususiyatlar xaritasi qatlamining chiqishi bilan bog‘laydi 192

va turli o‘lchamdagi obyektlarni aniqlash qobiliyatini yaxshilashi mumkin bo‘lgan xususiyat sintezidan foydalanadi. Nihoyat, sinflashtirish qatlami obyektning yakuniy bashoratini chegaralovchi quti bilan ifodalaydi. Obyektlarni tanib olishdan tashqari, to‘siqlardan qochish nazoratini amalga oshirish uchun ko‘zi ojiz insonlar oldidagi to‘siqlarni masofadan o‘lchashga erishish muhimdir. Shu maqsadda binokulyar ko‘rish diapazoni usuli binokulyar kameradan (Intel RealSense D435) yozib olingan ma’lumotlardan foydalaniladi. 3-rasmda ko‘rsatilganidek, bu yerda OL va OR chap va o‘ng linzalarga ishora qiladi, f kameraning fokus uzunligini bildiradi, B chap va o‘ng linzalar orasidagi masofani bildiradi, a - linzaning kengligi, P - to‘siqning maqsad nuqtasi, P′, P′′ - P va ikkita linzalarning kesishish nuqtalari, m - linzalarning o‘rta nuqtasi, n - linzaning so‘nggi nuqtasi va Z - to‘siqlardan asosiy chiziqqacha bo‘lgan masofani ifodalaydi. eet eet 3-rasm. To‘siqlargacha bo‘lgan masofani binokulyar ko‘rish usuli asosida o‘lchash. Matematik jihatdan ularning munosabatlarini quyidagicha ifodalash mumkin: 𝑍−𝑓 = 𝑍 𝐵−(𝑚+𝑛) 𝐵 𝑎 𝑋𝐿 = + 𝑚 2 𝑎 𝑋𝑅 = 2 − 𝑛 (1) (2) (3) (1), (2) va (3) formulalarni birlashtirib, (4) formulani hosil qilamiz: 𝐵∗𝑓 𝑍=𝑋 𝐿− 𝑋𝑅 193 𝐵∗𝑓 = 𝑑 (4)

Bu yerda Z o‘zaro B, f va d (tegishli chap va o‘ng nuqtalarning paralaksi, ya’ni XL-XR) bilan bog‘liq. B va f kameraning o‘zgarmas qiymatlari bo‘lib, ular nisbatan o‘zgarmasdir va har bir nuqtaning paralaksi d qiymati olinganda, Z qiymatini (to‘siqlar masofasi) mos ravishda baholash mumkin. Natijada, agar to‘siq aniqlansa va foydalanuvchilargacha bo‘lgan masofa o‘lchansa, yordamchi tizim obyektlarning toifasini ko‘rish qobiliyati zaif insonlarga tegishli masofa bilan xabar qilishi mumkin. Bundan tashqari, kitob yoki ekrandagi kontentni o‘qish vaqtida duch keladigan muammolarni hal qilish uchun OCR asosidagi matnni aniqlash usuli ovozli yordamchi bilan birgalikda qo‘llanildi. Butun jarayon 4-rasmda ko‘rsatilgandek, bir necha bosqichlarni o‘z ichiga oladi. Dastlab binokulyar kameradan tasvir olinadi, so‘ngra tasvir shovqinini kamaytirish uchun namuna olinadi. Keyinchalik, tasvirdan tegishli matn hududini olish uchun kulrang tasvirga aylantiriladi va binarizatsiya qo‘llaniladi. Shundan so‘ng, alohida belgilarni segmentlarga bo‘lish uchun belgilarni ajratib olish qo‘llaniladi. Keyingi qadam segmentlangan tasvirni skanerlashni o‘z ichiga oladi va muhim belgilardan xususiyat vektorlari olinadi. Xususiyat vektorlarini optimallashtirish maqsadida shablon kutubxonasiga moslashtiriladi, bu esa shablonlarni aniq moslashtirish va belgilarni aniqlash imkonini beradi. Nihoyat, natijalar ko‘rishda nuqsoni bo‘lgan insonlar uchun o‘qish muammolarini hal qiladigan ovozli yordamchi orqali ifodalanadi. Boshlash Tasvirga olish Shovqinlarni tozalash Kulrang va oq-qora tasvirga aylantirish Matn maydonini ajratib olish Tugatish Ovozli ifodalash Optimallashtirish Belgilarni tanib olish Belgilarni segmentatsiyalash 4-rasm. Matnni tanib olish tuzilmasi. Tadqiqot natijalari tahlili Eksperimental amaliyot asosan ishlab chiqilgan algoritmlar orqali uchta asosiy masalani tekshirishni o‘z ichiga oldi. Uning maqsadi ushbu tizim turli sharoitlarda ushbu funksiyalarni bajarishi mumkinligini tekshirishdir. Tajribalar obyektlarni tanib olish, to‘siq masofasini o‘lchash va matnni aniqlash uchun o‘rnatilgan Raspberry Piga ulangan binokulyar kameraga ega. Yuqorida aytib o‘tilganidek, real vaqt rejimi talablarini bajarish uchun yordamchi tizim tomonidan amalga oshirildi. Obyektlarni tanib olish va to‘siqlar masofasini o‘lchashni tekshirish uchun bino ichida va bino tashqarisida aniqlanadigan bitta yoki bir nechta obyektlarni o‘z ichiga olgan 20 ta holatdan foydalangan holda baholash o‘tkazildi. Natijalar bino ichida 5-rasmda va bino tashqarisida 6-rasmda ko‘rsatilganidek, tegishli masofaga ega bo‘lgan berilgan obyektni qamrab oldi. Turli sinov holatlarida obyektlarni tanib olishning batafsil natijalari 1-jadvalda keltirilgan. 194

5-rasm. Binoda ichida olingan tasvirlar yordamida obyektlarni tanib olish va to‘siq masofasini o‘lchash natijalariga misol. 6-rasm. Bino tashqarisida olingan tasvirlar yordamida obyektlarni tanib olish va to‘siq masofasini o‘lchash natijalariga misol. 1-jadval natijalari bitta, ikkita va uchta obyektli holatlar uchun yuqori aniqlikni ko‘rsatadi. Biroq, tasvirdagi obyektlar soni ortishi bilan, ayniqsa, o‘xshash ko‘rinishdagi obyektlar uchun xatoliklar kuzatildi. Masalan, 10 va 13 holatlarda kompyuter monitori televizor sifatida noto‘g‘ri identifikatsiya qilingan, 19 va 20 holatlarda esa mototsikl velosiped sifatida noto‘g‘ri aniqlangan, bu o‘xshash obyektlarni tanib olish qobiliyatini yaxshilash uchun qo‘shimcha ma’lumotlarni qayta ishlash zarurligini bildiradi. Yordamchi tizim obyektlarni tanib olishning taxminan 92,16% aniqligiga erisha oldi (20 holatda jami 51 tadan 47 ta to‘g‘ri bashorat va atigi 4 tasi xato), bu ko‘rish qobiliyati zaif insonlarga obyekt haqida ma’lumot berish uchun yetarli hisoblanadi. 195

1-jadval Turli hollarda obyektlarni tanib olish ko‘rsatkichlari 1 2 3 4 5 6 7 8 9 Obyektlar soni bitta bitta bitta bitta bitta ikkita ikkita uchta uchta 10 to’rtta 11 to’rtta odam, shisha, stul, telefon 12 to’rtta 13 beshta 14 15 16 17 bitta ikkita ikkita uchta 18 uchta 19 uchta 20 beshta kitob, qalam, sichqoncha, klaviatura odam, shisha, stul, sichqoncha, monitor avtomobil velosiped, motosikl odam, avtomobil odam, mashina, daraxt odam, velosiped, avtomobil odam, motosikl, avtomobil odam, daraxt, avtomobil, motosikl Holatlar Haqiqiy obyektlar Belgilangan obyektlar odam kubok qalam klaviatura monitor odam, shisha kreslo, sichqoncha kitob, qalam, telefon odam, kubok, stul odam, sichqoncha, monitor, klaviatura odam kubok qalam klaviatura monitor odam, shisha kreslo, sichqoncha kitob, qalam, telefon odam, kubok, stul odam, sichqoncha, televizor, klaviatura odam, shisha, stul, telefon kitob, qalam, sichqoncha, klaviatura odam, shisha, stul, sichqoncha, televizor avtomobil velosiped, motosikl odam, avtomobil odam, mashina, daraxt odam, velosiped, avtomobil odam, velosiped, avtomobil odam, daraxt, avtomobil, velosiped Nato‘g‘ri obyektlar yo’q yo’q yo’q yo’q yo’q yo’q yo’q yo’q yo’q manitor yo’q yo’q manitor yo’q yo’q yo’q yo’q yo’q motosikl motosikl Masofani o‘lchash natijalariga kelsak, 1-jadvalda keltirilgan barcha holatlar orasida bir nechta obyektlar nomi noto‘g‘ri aniqlangan bo‘lsada, ularning tegishli masofalarini olish mumkin va diapazoni 0,71–65,54 m. Mobil ilova bilan taqqoslaganda, og‘ish darajasi 0,28-6,32% ni tashkil qiladi, masofa qanchalik uzoq bo‘lsa, og‘ish darajasi shunchalik yuqori bo‘ladi. Masofa oshgani sayin, ushbu uzoqdagi obyektlar uchun tasvirlardagi mos nuqtalar orasidagi tafovut kichikroq bo‘lib, chuqurlikni baholashning aniqligini pasaytiradi. Shuning uchun, chuqurlikni hisoblash usuli tufayli uzoq masofalarda cheklovlar mavjud. Bundan tashqari, OCR usuli ko‘rish qobiliyati zaif insonlar uchun real vaqt rejimida o‘qish tajribasini yaxshilash uchun mo‘ljallangan, masalan, odatda bino ichida bo‘lgan kitob yoki ekran kontentini o‘qish. Shuning uchun uni baholash kitobdan olingan o‘nta matn asosida amalga oshirildi 196

va namunaviy natijalar 7-rasmda ko‘rsatilgan. Shunisi e’tiborga loyiqki, ushbu test holatida barcha so‘zlarni aniqlash mumkin. 7-rasm. Matnni aniqlash natijalariga misol. Qo‘shimcha holatlar turli xil sonli so‘zlarni o‘z ichiga olgan va natijalar 2-jadvalda keltirilgan. Real vaqt rejimida matnni aniqlashda juda kichik xatolarga olib kelishi mumkin bo‘lsada, aniqlik taxminan 99,87% ni tashkil etdi. EasyOCR and TesserOCR algoritmlari [27] yordamida olingan natijalar bilan solishtirma ko‘rsatkichlar 3-jadvalda keltirilgan. Shunday qilib, Bluetooth audio uskunasi orqali bunday so‘zlarni ifodalash orqali ko‘rish qobiliyati zaif insonlar kundalik hayotda o‘qish tajribasini yaxshilashlari mumkin. 2-jadval Turli holatlardagi matnni aniqlash ko‘rsatkichlari Holatlar Asl so‘zlar soni To‘g‘ri so‘zlar soni Aniqlik (%) 1 263 263 100 2 422 422 100 3 489 489 100 4 784 783 99.87 5 986 980 99.39 3-jadval Turli algoritmlar yordamida matn belgilarini aniqlash ko‘rsatkichlari Holatlar TesserOCR (%) EasyOCR (%) Bizning yondashuv (%) 1 99.55 99.55 99.68 2 100 99.53 99.81 3 100 100 100 4 100 99.02 100 5 97.97 75.38 98.79 Xulosalar Ushbu maqolada obyektlarni tanib olish, to‘siqlar masofasini o‘lchash va matnni aniqlash kabi vazifalarni bajaruvchi ko‘rish qobiliyati zaif insonlar uchun qulaylikni oshirish uchun yordamchi tizim taklif etildi. Bundan tashqari, foydalanuvchilarga aniqlangan natijalarini yetkazadigan ovozli yordamchi mavjud. Tadqiqot tajribalari obyektlarni tanib olish va matnni aniqlash uchun mos 197

ravishda 92,16% va 99,87% yuqori aniqlikni ko‘rsatdi. Mobil ilovaga nisbatan to‘siqlar masofasini o‘lchashda kuzatilgan maksimal og‘ish darajasi 6,32% ni tashkil qildi. Bunday natijalar shuni ko‘rsatadiki, taklif etilayotgan tizim mavjud tijorat qurilmalari bilan raqobatlasha oladi. Arzon va ko‘p funksiyali yordamchi tizim ko‘rish qobiliyati zaif insonlarning ehtiyojlarini qondirish uchun mos va qulay yechim bo‘lib, ularning xavfsizligi va farovonligi uchun xizmat qiladi. Kelajakda yetarlicha katta ma’lumotlar to‘plami yordamida tanib olishning aniqligini yanada yaxshilash uchun yordamchi tizimda kuchaytirilgan chuqur neyron tarmog‘I kabi bir nechta ilg‘or modellar o‘rganiladi. Bundan tashqari, his-tuyg‘ularni aniqlash va charchoqni aniqlash kabi qo‘shimcha funksiyalar ko‘rish qobiliyati zaif insonlarning umumiy hayot sifatini yaxshilash uchun ishlab chiqiladi. REFERENCES 1. LESH Visual Impairment & Blindness Global Data & Statistics 2023 Update: https://www.lasereyesurgeryhub.co.uk/data/visual-impairment-blindness-data-statistics/. 2. O‘zbekiston ko‘zi ojizlar jamiyati: https://uzkoj.uz/about-us/. 3. El-Rashidy, N.; El-Sappagh, S.; Islam, S.M.R.; El-Bakry, H.M.; Abdelrazek, S. Mobile health in remote patient monitoring for chronic diseases: Principles, trends, and challenges. Diagnostics 2021, 11, 607. 4. Jivrajani, K.; Patel, S.K.; Parmar, C.; Surve, J.; Ahmed, K.; Bui, F.M.; Al-Zahrani, F.A. AIoTbased smart stick for visually impaired person. IEEE Trans. Instrum. Meas. 2023, 72, 2501311. 5. Husin, M.H.; Lim, Y.K. InWalker: Smart white cane for the blind. Disabil. Rehabil. Assist. Technol. 2020, 15, 701–707. 6. Glenk, L.M.; Prˇibylová, L.; Stetina, B.U.; Demirel, S.; Weissenbacher, K. Perceptions on health benefits of guide dog ownership in an Austrian population of blind people with and without a guide dog. Animals 2019, 9, 428. 7. Chang, W.; Chen, L.; Hsu, C.; Chen, J.; Yang, T.; Lin, C. MedGlasses: A wearable smartglasses-based drug pill recognition system using deep learning for visually impaired chronic patients. IEEE Access 2020, 8, 17013–17024. 8. Kuriakose, B.; Shrestha, R.; Sandnes, F.E. Tools and technologies for blind and visually impaired navigation support: A review. IETE Tech. Rev. 2020, 39, 3. 9. Li, B.; Muñoz, J.P.; Rong, X.; Chen, Q.; Xiao, J.; Tian, Y.; Arditi, A.; Yousuf, M. Vision-based mobile indoor assistive navigation aid for blind people. IEEE Trans. Mobile Comput. 2019, 18, 702– 714. 10. Plikynas, D.; Žvironas, A.; Gudauskis, M.; Budrionis, A.; Daniušis, P.; Sliesoraityte˙, I. Research advances of indoor navigation for blind people: A brief review of technological instrumentation. IEEE Instrum. Meas. Mag. 2020, 23, 22. 11. Lowe, D.G. Distinctive image features from scale-invariant keypoints. Int. J. Comput. Vis. 2004, 60, 91–110. 12. Bay, H.; Ess, A.; Tuytelaars, T.; Van Gool, L. Speeded-up robust features (SURF). Comput. Vis. Image Underst. 2008, 110, 346–359. 13. Xiao, Y.; Tian, Z.; Yu, J.; Zhang, Y.; Liu, S.; Du, S.; Lan, X. A review of object detection based on deep learning. Multimed. Tools Appl. 2020, 79, 23729–23791. 198

KORPARATIV TARMOQ TRAFIGIDA SHUBHALI PAKETLARNI ANIQLASH ALGORITMI kapitan Raxmonov N.N. O‘R MV Kiberxavfsizlik deportamenti bo‘lim boshlig‘i DSc., dotsent Turapov Sh.N. AKT va AHI, Axborotni kriptografik himoyalash va maxsus aloqa kafedrasi boshlig‘i kapitan Qodirov Jahongir Alisherjon o‘g‘li O‘R MV Kiberxavfsizlik deportamenti bo‘lim boshlig‘i o‘rinbosari kapitan Anvarov Sh.S. O‘R MV Kiberxavfsizlik deportamenti boshqarma boshlig‘i o‘rinbosari Annotatsiya: Ushbu maqolada korporativ tarmoqlarda IP-trafikni tahlil qilish va shubhali paketlarni aniqlash uchun mashinali o‘qitishga asoslangan model taklif etilgan. Tadqiqotda o‘qituvchi bilan, o‘qituvchisiz va qisman o‘qituvchi bilan o‘qitish usullari qo‘llanilgan. Trafik statistikasi va paket xususiyatlari asosida zararli trafikni aniqlash samaradorligi oshirilishi ko‘rsatilgan. Kalit so‘zlar: Korporativ tarmoq, IP-trafik, shubhali paket, mashinali o‘qitish, trafik tasniflash, DDoS hujum, fishing, IDS, tarmoq monitoringi, kiberxavfsizlik. Kirish. Shubhali paketlarni aniqlash ro‘yxatlari tarmoqdagi turli tahdidlar va zararli harakatlar haqidagi ma’lumotlarni o‘z ichiga olgan maxsus ma’lumotlar bazalaridir. Ushbu ro‘yxatlar muntazam ravishda yangilanadi va yangi ma’lum tahdidlar, zararli IP-manzillar, domenlar, fayl xeshlari va zararli faoliyatning boshqa xususiyatlari to‘g‘risidagi ma’lumotlarni o‘z ichiga oladi. Shubhali paketlarni aniqlashda ikkita qora va oq qoidalar ro‘yxatlaridan foydalaniladi. Shubhali paketlarni aniqlash tuzilmasi quyidagi bosqichlardan iborat: Yumshatish bosqichi Yumshatish bosqichi quyida keltirilgan beshta jadvaldan iborat: 1. Qora ro‘yxat jadvali buzg‘unchining MAC-manzilini blokirovka qiladi va foydalanuvchilarga kerakli ma‘lumotlar to‘plamini taqdim qiladi. 2. Oq ro‘yxat jadvali paketning manba MAC-manzilini tekshiradi. Agar mos yozuv bo‘lsa, paket yo‘naltiriladi. Aks holda, SYN paketi tekshirish-sinxronlash jadvaliga joylashtiriladi, ACK paketi tekshirishni tasdiqlash jadvaliga joylashtiriladi va paketning qolgan qismi o‘chiriladi. 3. Yo‘naltirish jadvali paketlarni tegishli chiqish portiga yo‘naltiradi. 4. Sinxronizatsiyani tekshirish jadvali agar paket 256 ta yozuvdan biriga mos kelsa, SYN va ACK paketlari sinxronlashtiriladi va buzg‘unchi aniqlanadi. 5. Tasdiqlash jadvali paketning ACK raqamini tekshiradi. Agar ACK raqami to‘g‘ri bo‘lsa, buzg‘unchi aniqlangan hisoblanadi. Aks holda paket tashlab yuboriladi. Aniqlash bosqichi Registrlarda qiymatlarni saqlash uchun xesh-jadval va jadvaldagi slotda esa kalit va qiymat mavjud. Kalit ikkita maydonni saqlaydi: IP va MAC-manzillar, qiymat esa hisoblagichni saqlaydi. Aniqlash bosqichi uchta harakatni amalga oshirish modullariga bo‘linadi: slotga qo‘shish, slotni tozalash hamda paket xususiyatlari va sinf belgilari modullari. Slotga qo‘shish moduli. Kalit sifatida paketning manba IP va MAC manzillaridan foydalanib, 199