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

7) TAX (текущий налог на прибыль) = а4 ∙ (REV- CGS+прочие доходы – прочие расходы INT) 8) NET (чистая прибыль (убыток)) = REV- CGS+прочие доходы – прочие расходы - INTTAX 2. Отчет о движении денежных средств: Поступления денежных средств: NET (чистая прибыль (убыток)) 9) DEP (амортизация) = а5 ∙ VOA 10) Денежный поток от основной деятельности = NET + DEP 11) Δ Debt (кредит) = Δ NWA+ CAP- NET- DEP Отток денежных средств: 12) Δ NWA (прирост чистого оборотного капитала) = NWA – NWA0 13) CAP (инвестиции) = DEP + VOA – VOA0 3. Бухгалтерский баланс: Активы 14) NWA (чистые оборотные активы) = а1∙ NWA0 15) VOA (основные средства) = а1∙ VOA0 Обязательства 16) Debt (кредит) = Δ Debt + Debt 0 17) Et (собственный капитал) = Еt0 + NET Для расчета параметров модели используются балансовые соотношения, что необходимо для построения прогнозных форм финансового плана компании, переменные вариантов моделирования представлены в таблице 2. Описание: уравнение (1) определяет объем реализации, исходя из стоимостных параметров, установленных менеджментом. Уравнения (2), (4), (5), (14) и (15) представляют себестоимость реализованной продукции, прочие доходы и расходы, собственные оборотные активы и основные средства в некоторой пропорции от начального объема реализации (базовый период). Остальные соотношения показывают зависимости выплат процентов по кредитам с суммой задолженности (6), величину налога на прибыль (7), начисление амортизационных отчислений (9). На вводе в этой модели шесть параметров: прогноз сбыта (REV) и 5 коэффициентов: а1 – прогноз пользователя (темп роста выручки); а2 – доля себестоимости в выручке от реализации продукции; а3 – ставка процента за пользование кредитом; а4 – ставка налога на прибыль; а5 – норма амортизации. Базовые значения параметров взяты из баланса предыдущего периода. Эти данные являются постоянными, а не переменными величинами. 140

Таблица 2 – Переменные вариантов моделирования 2020 2021 2022 2023 2024 Вариант 1 375 375 375 375 375 Показатель 2018 2019 Общее количество заявок Количество заключенных договоров Процент заключенных договоров Уровень качества активов 375 375 48 56 60 75 79 94 113 0,128 0,15 0,16 0,2 0,21 0,25 0,3 1 1,05 1,06 1,15 1,15 1,18 1,2 375 375 Вариант 2 375 375 375 375 375 48 56 64 79 94 113 120 0,128 0,15 0,17 0,21 0,25 0,3 0,32 1 1,05 1,07 1,17 1,18 1,19 1,2 375 375 Вариант 3 375 375 375 375 375 48 53 60 75 105 113 150 0,128 0,14 0,16 0,2 0,28 0,3 0,4 1 1,03 1,04 1,16 1,17 1,18 1,25 Общее количество заявок Количество заключенных договоров Процент заключенных договоров Уровень качества активов Общее количество заявок Количество заключенных договоров Процент заключенных договоров Уровень качества активов Уровень качества активов (табл. 2) формируется в соответствии с про-граммой стратегического развития ООО «OLTINSOY AVTO BO’YOQLARI» (рис. 3), в рамках которой предполагается повышение качества технологий, приобретение нового лабораторного оборудования, повышение квалификации инженерного персона-ла. Интегрально это отражается коэффициентом качества активов. Процент заключенных договоров определяется менеджментом предпри-ятия, остальные параметры таблицы 2 являются расчетными. 141

Уровень качества активов в структуре моделирования играет роль увеличения процента отдачи от базового года, это вполне допустимый методический подход, позволяющий достаточно точно прогнозировать процент заключенных договоров. Также в рамках моделирования нами принято оценивать объем продаж путем умножения количества заключенных договоров на среднюю стоимость заявки. Различие вариантов определяется разными стратегиями повышения качества активов. Таким образом, первый вариант отражает плавное наращивание вне оборотных активов без значительного изменения численного состава рабочих, ориентирован на постепенное повышение производительности труда за счет изменения условий работы инженерного персонала и нового оборудования. Второй вариант направлен на более агрессивное повышение количества заключаемых договоров за счет качественного изменения структуры активов, улучшения базы НИОКР и привлечения новых сотрудников. Динамика изменения интегральных показателей по стратегиям представлена в таблице 2, показан рост заключаемых договоров и качества активов. Третий вариант – наиболее затратный по инвестициям: предполагается резкое усиление технологической составляющей инжинирингового центра и самой командной организации реализации заявок. Характеристика варианта также представлена в таблице 2. Увеличение продаж, как известно, вызывает изменение активов предприятия, что необходимо учитывать в рамках моделирования. Ранее было сказано, в модели прогноза установлены математические соотношения между объемом продаж и остальными финансовоэкономическими показателями (табл. 1). С использованием алгоритма моделирования, информационной базы, соотношений проведен числовой эксперимент. План эксперимента состоял в следующем: рассчитываем начальные параметры моделирования (базовый уровень качества активов, количество выполненных заявок), затем определяем основные финансово-экономические показатели по всем вариантам стратегического развития предприятия, далее рассчитываем чистую приведенную стоимость вариантов и выбираем оптимальный по выбранному критерию. Результатами эксперимента должны стать на весь период моделирования по годам: 1) прогноз балансов и финансовых показателей; 2) оценка стратегий инвестирования по показателям срока окупаемости, NPV; 3) рекомендации для принятия решений по выбору оптимальной стратегии развития промышленного предприятия, что достигается системным учетом эндогенных и экзогенных параметров и переменных, взаимовлияния инновационного и операционного процессов. Сводные результаты расчетов по вариантам моделирования по годам представлены в таблице 3. 142

Таблица 3 – Сводные результаты эффективности вариантов моделирования Вариант моделирования, показатель Код Вариант ЧПиц0 без ИЦ (ИЦ0) Создание ЧПиц1 ИЦ1 (ИЦ1) Создание ЧПиц2 ИЦ2 (ИЦ2) Создание ЧПиц3 ИЦ3 (ИЦ3) ИЦ1 ИЦ2 ИЦ3 ИЦ1 ИЦ2 ИЦ3 2019 2020 2021 2022 2023 Чистая прибыль по вариантам, мил. 39529 -10340 -63033 147466 289515 2024 Всего 43736 8 11271 04 908193 215920 266661 558067 629436 858279 215920 300888 630618 812830 104625 1 12252 12 4231720 166717 218924 572084 844424 100051 7 16332 28 4435894 86294 5 10513 84 10216 69 862945 Чистая приведенная стоимость, NPV, мил. NPVиц1 -76120 177893 398276 629436 233908 NPVиц2 -55867 231169 515763 797549 233908 NPVиц3 118178 413834 683303 271756 142215 Срок окупаемости, PP, лет PPиц1 3,30 PPиц2 3,31 PPиц3 3,55 3655467 1051384 1021669 Заключение Предложено модернизировать бизнес-процессы, которые определяют производственноинновационный потенциал, так как единичный тип организации производства по своей сути является инновационным, поскольку большинство заказываемой продукции носит уникальный характер и каждый раз проектируется заново, перед запуском в производство. Предлагается бизнес-процессы подготовки производства и само производство встроить в инжиниринговый центр, основной целью которого будет решение инновационных задач технико-технологической, организационной подготовки производства, обеспечение эффективной диверсификации производственной программы и достижение финансовоэкономических результатов. 143

Предложена программа стратегического развития ООО «OLTINSOY AVTO BO‘YOQLARI» на основе инжинирингового центра и концепция интеграции бизнеспроцессов предприятия с единичным характером производства. Разработана и реализована модель прогноза объема продаж, позволяющая оценивать варианты качественной модернизации активов предприятия с целью увеличения числа заключенных договоров. Литература 1. Болденков, А.В. Совершенствование управления производственной системой за счет применения бизнес-моделей / А.В. Болденков // Ежемесячный научный журнал Научного института глобальной и региональной экономики. – Новосибирск, Научный институт глобальной и региональной экономики (НИГ-РЭ). – 2015. – №5(12). – С. 19–22. – 0,3 п.л. 2. Yuldashov R, Ochilov Sh. “Еlektron tijoratning asosiy modellari va tamoyillari” “Аniq va tabiy fanlarni rivojlantirishda raqamli texnologiyalarning o‘rni: Мuammo va innovatsion yechimlar” mavzusidagi xalqaro ilmiy-texnik anjuman materiallari. Farg‘ona 4-5-oktyabr, 2024-yil. 623-626 bet. 3. Yuldashov R, Ochilov Sh. “Аpplication of digital technologies in elektronic commerce information exchange processes” “Аniq va tabiy fanlarni rivojlantirishda raqamli texnologiyalarning o‘rni: muammo va innovatsion yechimlar” mavzusidagi xalqaro ilmiy-texnik anjuman materiallari. Farg‘ona 4-5-oktyabr, 2024-yil. 655-659 bet. 4. Yuldashov R.H., Azimova U.A. “Алгоритмическое обеспечение рекомендательных систем в сфере электронной коммерции”. Jizzax sambhram universiteti NTM. “Ilm-fan taraqqiyoti: Innovatsion yondashuvlar va strategik tahlillar” mavzusida xalqaro ilmiy-texnik konferensiya. Jizzax 2024-yil 11-noyabr 134-136 bet. 5. Yuldashov R, Fayzullayev Sh. “Muhammad al-Xorazmiy avlodlari ilmiy amaliy va axborot tahliliy jurnali” “Marketing technologies in the implementation of electronic commerce goods and services” 2024 S1 (17). 6. Yuldashov R.H., Xurramova R.I., “Elektron tijoratda axborot xizmatlari majmuasini boshqarish”, “Raqamli Transformatsiya va Sun’iy Intellekt ilmiy jurnali”, ISSN: 3030-3346 VOLUME 3, ISSUE 2, APRIL 2025-yil. 7. Yakubov M.S., Yuldashov R.H., Elektron tijorat tizimlarini strategik boshqarishning instrumental vositalari. Muhammad al-Xorazmiy nomidagi TATU Farg‘ona filiali “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 1 | 2025-yil, 128-136. 144

TASVIRDA OBEKTLARNI TANIB OLISHDА YUZAGA KELADIGAN MUAMMOLAR VA ULARNI BARTARAF ETISHNING ZAMONAVIY YECHIMLARI Ashrabxodjayeva N.A.; Umarov M.A.; Ramatov I. University of Management and Future Technologies muhriddin.umarov.1992@gmail.com Annotatsiya. Ushbu maqolada tasvirda obektlarni tanib olish jarayonida uchraydigan asosiy muammolar - shovqin, yoritishning o‘zgarishi, okklyuziya, turli masshtab va burchaklarda ko‘rinishi hamda maʼlumotlar to‘plamining cheklanganligi - ilmiy-nazariy va amaliy jihatdan tahlil qilindi. Tadqiqotda zamonaviy chuqur o‘rganishga asoslangan detektorlar haqidagi adabiyotlar sharhi berildi va real vaqt rejimi uchun tezkor bir bosqichli modellarning ustunliklari asoslandi. Amaliy qismda YOLOv5 bazaviy modeli bilan taqqoslaganda shovqinga nisbatan barqarorlikni oshirishga qaratilgan taklif etilgan yechim sinovdan o‘tkazildi: kirish tasvirlarini oldindan qayta ishlash hamda maʼlumotlarni sunʼiy boyitish orqali model o‘qitilib, “salt-and-pepper” shovqini 0-60% diapazonida o‘zgarganda aniqlash aniqligi baholandi. Natijalarga ko‘ra, 50% shovqinda taklif etilgan usul 75% aniqlikka erishib, bazaviy YOLOv5 natijasidan taxminan 15 foiz punkt yuqori ko‘rsatkich qayd etdi; tizimning ishlash tezligi esa amaliyot talablariga mos ravishda taxminan 55 FPS atrofida saqlandi. Olingan xulosalar O‘zbekiston sharoitida video kuzatuv, intellektual transport, sanoat va tibbiy tasvir tahlili kabi yo‘nalishlarda barqaror va tezkor kompyuter ko‘ruvi yechimlarini joriy etish uchun uslubiy va amaliy tavsiyalar sifatida taklif etildi. Kalit so‘zlar: kompyuter ko‘rish, obektni aniqlash, chuqur o‘rganish, CNN, YOLO, shovqin, okklyuziya, data augmentation, real-time. Kirish Zamonaviy davrda sunʼiy intellekt texnologiyalari barcha sohalarga jadal kirib kelmoqda. Xususan, kompyuter ko‘ruvi va tasvirlarni avtomatik tahlil qilish masalalari dunyo miqyosida dolzarb ahamiyat kasb etmoqda. Tasvirlarda obektlarni tanib olish texnologiyasi hayotimizning turli jabhalarida - avtonom transport vositalari, video kuzatuv tizimlari, tibbiy tasvirlarni tahlil qilish, sanoat robototexnikasi va boshqa ko‘plab yo‘nalishlarda keng qo‘llanilmoqda. Jahonda bu yo‘nalishda ulkan yutuqlarga erishilmoqda: prognozlarga ko‘ra, 2030-yilga borib sunʼiy intellektning jahon iqtisodiyotidagi bozori hajmi 20 trillion AQSh dollaridan oshishi kutilmoqda. Shuningdek, axborot oqimining keskin ortishi bilan bir soniyada internetga minglab fotosurat va videolar yuklanmoqda, bu esa tasvirlarni avtomatik qayta ishlashga bo‘lgan ehtiyojni yanada oshirmoqda. O‘zbekiston sharoitida ham tasviriy maʼlumotlardan samarali foydalanish muhim vazifa hisoblanadi. Mamlakatimizda raqamli texnologiyalar va sunʼiy intellekt sohasini rivojlantirish davlat siyosati darajasiga ko‘tarilgan. Prezident Shavkat Mirziyoyev taʼkidlaganidek, “bugun insoniyat yangi sivilizatsiya bosqichiga - sunʼiy intellekt davriga dadil qadam qo‘ymoqda. Qaysi soha bo‘lmasin, kim bu jarayonda qattiq izlanib, aniq natija qilsa, bir qadam oldinda yursa, marra shuniki bo‘ladi”, degan fikrlar ushbu yo‘nalishning naqadar dolzarb ekanini ko‘rsatadi [1]. Darhaqiqat, sunʼiy intellekt davrida tasvirlarda obektlarni avtomatik aniqlash va tanib olish texnologiyalarini rivojlantirish nafaqat jahon miqyosida, balki O‘zbekiston uchun ham ilmiy va amaliy ahamiyatga ega. Keltirilgan faktlar va mulohazalar mazkur maqola mavzusining bugungi kundagi dolzarbligini ko‘rsatadi. Quyida tasvirlarda obektlarni tanib olish jarayonida uchraydigan muammolar va ularni 145

bartaraf etishning zamonaviy yechimlari batafsil tahlil qilinadi. Avvalo, soha bo‘yicha ilgor xorijiy, rus va o‘zbek olimlarining ilmiy qarashlari va yondashuvlari adabiyotlar sharhida ko‘rib chiqiladi, shuningdek, muallifning fikrlari bildiriladi. So‘ngra olib borilgan tadqiqotlarning natijalari original sxemalar, jadval va misollar yordamida bayon etilib, ularning muhokamasi beriladi hamda asosiy xulosalar keltiriladi. Tadqiqotning maqsadi – tasvirda obektlarni aniqlashdagi yuqori xavfli muhit omillari taʼsirini pasaytirishga qaratilgan amaliy yechimlarni asoslash va ularni zamonaviy detektorlar bilan qiyosiy baholashdan iborat. Maqolada kirish qismida muammo qo‘yilib, keyingi bo‘limlarda usullar, natijalar va ularning muhokamasi IMRaD standartida bayon etiladi. Adabiyotlar sharhi So‘nggi yillarda tasvirlarda obektlarni aniqlash algoritmlarini ishlab chiqishda chuqur o‘rganish yondashuvi tufayli sezilarli yutuqlarga erishildi. Konvolyusion neyron tarmoqlar paydo bo‘lishi turli xalqaro PASCAL VOC, ImageNet va MS COCO kabi maʼlumotlar to‘plamlarida obektlarni aniqlash aniqligi va samaradorligini keskin yaxshilagan. Masalan, Dhillon va Verma tadqiqotida konvolyusion neyron tarmoqlarni qo‘llash natijasida tasvirlarni tanib olish sifat ko‘rsatkichlari sezilarli oshgani taʼkidlanadi. Shunga qaramay, obektlarni cheklanmagan muhitda aniqlash hali ham qiyin vazifa bo‘lib qolmoqda [2]. Cheklanmagan muhit deganda, yorug‘lik sharoiti o‘zgaruvchan, obektlarning fazoviy holati turlicha, o‘zaro to‘silishlar mavjud, obektlar deformatsiyaga uchrashi yoki har xil masshtabda bo‘lishi, shuningdek, fonning notekis va tartibsiz bo‘lishi kabi holatlar tushuniladi. Bu omillar obektlarni aniqlash algoritmlarining ishlashiga jiddiy taʼsir ko‘rsatib, yuqori aniqlikka erishishni qiyinlashtiradi. Ayniqsa uchuvchisiz apparatlar yordamida olingan raqamli tasvirlar uzatish jarayonida shovqin tufayli sifatining yomonlashishi kuzatiladi. Bizning fikrimizcha, ana shunday noqulay sharoitlarda barqaror ishlay oladigan aniqlash usullarini yaratish hozirgi tadqiqotlarning muhim yo‘nalishlaridan biridir. Obektlarni tasvirlarda aniqlash masalasi bo‘yicha ilmiy adabiyotlarda bir qator yondashuvlar taklif qilingan. Anʼanaviy yondashuvlarda tasvirdagi obektni topish uchun avval qo‘lda belgilangan xususiyatlar va klassifikatorlar qo‘llanilar edi. Masalan, Haar kaskad va SIFT kabi usullar maʼlum andozalar yordamida obektlarni izlashga asoslangan [3]. Keyinchalik, chuqur o‘rganishga asoslangan algoritmlar paydo bo‘ldi va ular obektlarni aniqlashda yuqori natijalar bera boshladi. Xususan, 2014 yilda Ross Girshick va hamkorlari tomonidan taklif qilingan R-CNN modeli tasvirdan potensial obekt hududlarini ajratib, so‘ng ularni neyron tarmoq yordamida tasniflash konseptsiyasini ilgari surdi. RCNN ikki bosqichli obyekt aniqlash tizimi bo‘lib, birinchi bosqichda mintaqaviy takliflar generatsiya qilinadi, ikkinchi bosqichda esa har bir hudud alohida konvolyusion neyron tarmoq orqali tanib chiqiladi [4]. Ushbu yondashuv aniqlikni oshirgan bo‘lsa-da, hisoblash xarajatlari yuqori va ishlash tezligi sekin edi. Keyingi yili takomillashtirilgan Fast R-CNN hamda 2015 yilda Faster R-CNN usullari taklif qilinib, ikkinchi bosqichda region takliflarini tezkor generatsiya qilish uchun alohida tarmoq - Region Proposal Network joriy etildi. Natijada ikki bosqichli detektorlar ichida aniqlik va ishlash tezligi nisbatan muvozanatlashdi. Biroq ikki bosqichli usullarning murakkabligi va sekinligi tadqiqotchilarni bir bosqichli detektorlar tomon yo‘naltirdi. Bunday yondashuvda tasvir to‘g‘ridan-to‘g‘ri neyron tarmoqqa berilib, 146

u bir pasda bir nechta obektlar joylashuvi va sinfini aniqlab beradi. 2015 yilda Joseph Redmon va boshqalar tomonidan taklif qilingan YOLO algoritmi ana shunday yondashuvning yorqin namunasi bo‘lib, u butun tasvirni bitta neyron tarmoqda tahlil qilib, obektlarning chegaralovchi ramkalarini va ularning sinf ehtimollarini to‘g‘ridan-to‘g‘ri hisoblab chiqdi. YOLO modelining asosiy afzalligi ishlash tezligining keskin oshgani: bazaviy YOLO modeli Titan X GPU da sekundiga taxminan 45 kadr (FPS) tezlikda ishlashga erishgan, uning soddalashtirilgan Fast YOLO varianti esa 155 FPS gacha yetgan [5]. 1-jadval. COCO maʼlumotlar to‘plamida obektni aniqlash usullarini taqqoslash Usul O‘rtacha aniqlik (AP) Tezlik (FPS) R-CNN 53.3 0.5 Fast R-CNN 70.0 5 Faster R-CNN 73.2 7 YOLOv5 75.0 56.5 SSD 72.1 19 RetinaNet 74.8 12 Jadval maʼlumotlari – COCO to‘plamidagi sinov natijalariga ko‘ra, Faster R-CNN kabi ikki bosqichli detektorlar odatda yuqoriroq AP qiymatiga erishadi, ammo YOLOv5 va SSD kabi bir bosqichli detektorlar sezilarli darajada tez ishlaydi (FPS yuqori) va shu sababli real vaqt ilovalari uchun afzalroqdir. Bu esa real vaqt rejimida video oqimini sezilarli kechikishlarsiz tahlil qilish imkonini beradi. Shu bilan birga, YOLO modeli aniqlik bo‘yicha ham o‘sha davrdagi real vaqt detektorlaridan ikki baravar yuqori o‘rtacha aniqlik ko‘rsatkichlarini qayd etgan. One-stage detektorlarga yana SSD va RetinaNet usullarini misol keltirish mumkin. SSD usuli bir nechta o‘lchamdagi default ramkalar orqali turli masshtabdagi obektlarni bir passda aniqlashni takomillashtirgan bo‘lsa, RetinaNet modeli focal loss funksiyasini joriy etib, kichik obektlarni aniqlashdagi nomutanosiblik muammosini hal etishga xizmat qildi [6]. Jadvalda keltirilgan AP va ko‘rsatkichlari amaliyotda obektni aniqlash sifatini kompleks baholash uchun ishlatiladi: ular odatda IoU meʼyori bo‘yicha to‘g‘ri topilgan ramkalar ulushiga tayanadi. IoU quyidagicha aniqlanadi: IoU = S(A ∩ B) / S(A ∪ B) Precision (aniqlik): Precision = TP / (TP + FP) Recall (to‘liqlik): Recall = TP / (TP + FN) Metrikalari orqali modelning yolg‘on pozitiv (FP) va yolg‘on negativ (FN) xatolari tahlil qilinadi. Biz ham tadqiqotda natijalarni talqin qilishda ushbu standart ko‘rsatkichlarga suyandik. 147

Tadqiqot usullari Maqola doirasida tasvirlarda obektlarni aniqlash borasida bir qator amaliy tajribalar o‘tkazilib, muallif tomonidan taklif etilgan yechimlar sinovdan o‘tkazildi. Tadqiqotimizning asosiy maqsadi yuqorida qayd etilgan muammolarni bartaraf etishga qaratilgan holda, mavjud algoritmlarni takomillashtirish va ularning barqarorligini oshirishdan iborat bo‘ldi. Quyida dastlab tadqiqot modeli arxitekturasi va ishlash bosqichlarini ko‘rsatamiz, so‘ng tajriba sinovlari natijalarini keltiramiz. Biz ishlab chiqqan tizim arxitekturasi shartli ravishda bir necha bosqichga bo‘linadi. Dastlabki bosqich - maʼlumotlarni oldindan qayta ishlash, bunda kirish tasviri hajmi va formati model talablariga moslashtiriladi, shuningdek, shovqinni filtrlatsiya qilish va kontrastni normallashtirish kabi amallar bajariladi. Keyingi bosqichda qayta ishlangan tasvir konvolyusion neyron tarmoqga uzatiladi. Model tasvirni to‘liq kiritma sifatida qabul qilib, uning ichida bir yo‘la bir nechta obekt bor-yo‘qligini, ularning joylashuvi va sinfini aniqlaydi. Neyron tarmoqning chiqish qatlami aniqlangan obektlar uchun chegaralovchi ramkalar koordinatalari va ularning sinfga oid ehtimollarini qaytaradi. So‘nggi bosqich - natijalarni post-processing qilish, bunda model topgan ramkalar orasida takrorlar bo‘lsa NMS usuli bilan qisqartiriladi, fon elementlari bilan bog‘liq yolg‘on aniqlanishlar filtrlanadi va yakuniy yorliqlar obyektlarga biriktiriladi. Taklif etilgan model va usullarni baholash uchun bir nechta sinovlar o‘tkazildi. Sinovlar davomida turli sharoitlarda modelning aniqlik ko‘rsatkichlari o‘lchandi va boshqa usullar bilan solishtirildi. Jumladan, modelning shovqinli tasvirlarda ishlashi alohida tahlil qilindi. Sinov uchun original tasvirlarga sunʼiy ravishda “salt-and-pepper” usulida shovqin qo‘shib borildi (0% dan 60% gacha ehtimollikda) va har bir holatda modelning aniqlash aniqligi o‘lchandi. Natijalar 2-jadvalda keltirilgan. Sinov dizayni nazoratli tarzda tashkil etildi: (a) shovqinga barqarorlikni baholash uchun bir xil test-rasmlarga “salt-and-pepper” shovqini bosqichma-bosqich qo‘shildi (0% dan 60% gacha); (b) ko‘p obektli sahnalarda 2–3 tadan maqsad obektlari mavjud bo‘lgan holatlarda to‘liq deteksiya ehtimoli hisoblandi; (v) burchak invariantligini tekshirish uchun obektlar 0°, 90°, 180° va 270° burchaklarga aylantirildi. Taklif etilgan yechimning asosiy yangiligi - o‘qitish jarayonida shovqinli misollar hissasini oshiruvchi maʼlumotlarni sunʼiy boyitish hamda inferens vaqtida oldindan filtrlash/normallashtirish bosqichini kiritish orqali detektorning barqarorligini kuchaytirishdir. Hisoblash samaradorligi FPS orqali, yaʼni bir soniyada qayta ishlanadigan kadrlar soni bo‘yicha baholandi. 3. Tajriba natijalari Jadval izohi: ko‘rinib turibdiki, shovqin darajasi oshgani sayin standart YOLOv5 modelining aniqlik ko‘rsatkichi pasayib bormoqda (masalan, 50% shovqinda atigi 60% obekt to‘g‘ri aniqlangan). Taklif etilgan takomillashtirilgan usul esa shovqinga nisbatan nisbatan bardoshlidir: xususan, 50% shovqinda uning aniqligi 75% ni tashkil etib, oddiy modelga nisbatan taxminan 15% yuqori natija ko‘rsatdi. Ushbu usulning muvaffaqiyati biz foydalangan bir nechta strategiyalar bilan bog‘liq: birinchidan, modelni o‘qitishda maʼlumotlarga sunʼiy shovqinlar qo‘shib augmented tarzda o‘qitildi, bu esa neyron tarmoqni shovqinli tasvirlarga chidamli qildi; ikkinchidan, tasvirga oldindan filtrlash bosqichi qo‘shilib, unda tasvirdagi shovqinning bir qismi bartaraf etildi. Yana bir tajribada bir tasvirda bir nechta obektlar bo‘lgan holatlardagi aniqlash natijalari tahlil qilindi. Buning uchun sinov tasvirlarga 2 va 3 tadan maqsad obektlar joylashtirilib, modelning ularni 148

to‘liq aniqlash-aniqlamasligi o‘lchandi. Natijalar shuni ko‘rsatadiki, taklif etilgan yondashuv bir nechta obekt mavjudida ularning barchasini to‘g‘ri topish ehtimoli 95–97% atrofida bo‘ldi (masalan, 2 obekt bo‘lganda 97% aniqlik, 3 obekt bo‘lganda taxminan 95%). Solishtirish uchun, klassik SIFT + SVM usuli xuddi shu tasvirlarda atigi 80% gacha aniqlik ko‘rsatdi - baʼzi holatlarda u bir nechta obektlardan faqat bittasini topa oldi xolos. Demak, taklif etilayotgan yechim ko‘p obektli sahnalarda ham ishonchli deteksiya qila oladi. 2-jadval. Turli shovqin darajalarida obektni aniqlash aniqligi (YOLOv5 va taklif etilgan usul) Shovqin ehtimoli YOLOv5 aniqligi (%) Taklif etilgan usul aniqligi (%) 0% 100 100 5% 100 100 10% 98 100 20% 90 95 40% 78 90 50% 60 75 60% 40 58 Olib borilgan eksperimentlar davomida modelning boshqa qator xususiyatlari ham sinovdan o‘tkazildi. Jumladan, obektlar turli burchaklarda aylantirilganda aniqlash sifati baholandi. Bizning model oldindan maʼlumotlarni ko‘paytirish jarayonida turli burchakka aylantirilgan obektlar bilan o‘qitilgani bois, test vaqtida obektning qaysi burchakta turganini deyarli ahamiyatsiz qoldirdi - aniqlik dastlabki holat bilan deyarli bir xil (98–100%) darajada saqlanib qoldi. Masalan, 0°, 90°, 180° va 270° burchakka aylantirilgan bir xil obekt tasvirlari uchun model birdek taxminan 99% ishonchlilik bilan to‘g‘ri aniqladi. Taʼkidlash joizki, odatiy CNN modellari o‘qitish maʼlumotlarida mavjud bo‘lmagan burchakka duch kelsa, aniqlik ancha pasayishi mumkin edi; bizning yondashuvda esa maxsus maʼlumotlar tayyorlash orqali bu muammo bartaraf etildi. Bizningcha, kelgusida obekt holati va ko‘rinishi keskin farq qiladigan holatlar uchun ham maxsus augmentatsiya strategiyalarini qo‘llash ushbu yondashuvning ajralmas qismi bo‘ladi. 3-jadval. Obektni tanib olishdagi asosiy muammolar va tavsiya etiladigan yechimlar (umumlashtirish) Muammo Algoritmga taʼsir mexanizmi Zamonaviy yechimlar (amaliy tavsiya) Yoritish o‘zgarishi Kontrast/gradientlar o‘zgaradi, Avto-normallashtirish, HDR/CLAHE, FP/FN ko‘payadi brightness/contrast augmentation Shovqin (uzatish, Xususiyatlar buziladi, mayda Denoising filtrlari, shovqinli sensor) obektlar yo‘qoladi augmentation, robust loss Okklyuziya (to‘silish) Obektning qismi ko‘rinmaydi, FPN/multi-masshtab featurelar, ramka noaniqlashadi instance segmentation, tracking Masshtab va burchak Obektning ko‘rinishi keskin Multi-scale training, rotation o‘zgaradi augmentation, anchor tuning 149

Fon teksturasi obektga o‘xshab Hard negative mining, focal loss, ketadi context modules Domen almashinuvi Yangi kamera/shaharda Transfer learning, domain adaptation, statistika o‘zgaradi qayta fine-tuning Yuqoridagi natijalar asosida taklif qilingan usulning samaradorligi bir qator mezonlar bo‘yicha tasdiqlandi. Avvalo, u murakkab sharoitlarda anʼanaviy modellarga nisbatan yuqori aniqlikni saqladi. Ikkinchidan, real vaqt rejimidagi ishlash tezligi ham deyarli pasaymadi – kiritma tasvir o‘lchami kichikroq qilib normallashtirilganligi va model arxitekturasi optimallashtirilganligi sabab, tizim o‘rtacha 55 FPS tezlikda ishlashga erishdi. Bu ko‘rsatkich oddiy YOLOv5 modelining tezligiga deyarli teng bo‘lib, takomillashtirishlar hisobiga kechikishlar kiritilmaganini bildiradi. Demak, bizning yondashuv aniqlikni oshirar ekan, tezlik bo‘yicha ham zamonaviy talablarni qondira oladi. 4. Xulosa Tasvirlarda obektlarni tanib olish sohasida olib borilgan ushbu tadqiqot natijasida quyidagi asosiy xulosalarga kelindi. Birinchidan, muammolar tahlili shuni ko‘rsatdiki, obektlarni avtomatik aniqlash jarayonida asosiy qiyinchiliklar - tasvir sifatining turlicha bo‘lishi, yorug‘likning noqulayligi, obektlarning qiyin sharoitlarda joylashuvi, shuningdek, maʼlumotlar to‘plamining cheklanganligi va neyron modelning umumlashmasligi kabi omillardan iborat. Ikkinchidan, zamonaviy yechimlar ahamiyati shundaki, chuqur o‘rganish va konvolyusion neyron tarmoqlar obektlarni tanib olish masalasini sifat jihatdan yangi bosqichga olib chiqdi. CNN asosidagi ikki bosqichli detektorlar anʼanaviy usullar bilan solishtirganda aniqlikni ancha oshirdi. Bir bosqichli detektorlar esa aniqlik bilan bir qatorda yuqori tezlikka erishib, real vaqt rejimini taʼminlashga muvaffaq bo‘ldi. Uchinchidan, taklif etilgan usulning samaradorligi shovqinli, murakkab va ko‘p obektli sahnalarda yuqori aniqlikni saqlashi hamda real vaqt tezligida ishlashi bilan tasdiqlandi. Modelni o‘qitishda maʼlumotlarni sunʼiy boyitish va oldindan qayta ishlash strategiyalaridan foydalanish uni turli salbiy omillarga nisbatan chidamli qildi. To‘rtinchidan, tadqiqot natijalari sanoat, xavfsizlik tizimlari, transport, tibbiyot va boshqa ko‘plab yo‘nalishlarda kompyuter ko‘ruvi texnologiyalarini joriy etish uchun amaliy va uslubiy tavsiyalar berishi mumkin. Kelgusida adversarial himoya, domenlararo moslashuv va integratsiyalashgan ko‘ruv-mantiq tizimlari kabi masalalarni yanada chuqur o‘rganish lozim. Fon murakkabligi Foydalanilgan adabiyotlar 1. Mirziyoyev Sh.M. Sun’iy intellekt texnologiyalarini joriy qilish yangi bosqichga olib chiqiladi // O‘zbekiston Respublikasi Prezidentining rasmiy veb-sayti, 21.10.2025 y. (president.uz)president.uz. 2. Dhillon A., Verma G.K. Convolutional neural network: a review of models, methodologies and applications to object detection // Progress in Artificial Intelligence. – 2020. – Vol. 9, No. 2. – P. 85–112. 3. Modullaev J. Obyektlarni tanib olish uchun chuqur o‘rganish algoritmlari // Noviy Uzbekistan: nauka, obrazovanie i innovatsii. – 2024. – № 1(1). – B. 198–201 inlibrary.uz. 4. Girshick R., Donahue J., Darrell T., Malik J. Rich feature hierarchies for accurate object 150

detection and semantic segmentation // IEEE Conf. on Computer Vision and Pattern Recognition (CVPR). – 2014. – P. 580–587. 5. Redmon J., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection // IEEE Conf. on Computer Vision and Pattern Recognition (CVPR). – 2016. – P. 779–788 cv-foundation.org. 151

MURAKKAB REV LARINI MODELLASHTIRISH MASALALARIDA INTELLEKTUAL USLUBLAR Aripova M.X.1 , Ibragimova B.B.2, Baymatova N.T.3 1 Islom Karimov nomidagi Toshkent davlat texnka universiteti Radiotexnik qurilmalar va tizimlar kafedrasi; maxpuza1963@gmail.com 2 Islom Karimov nomidagi Toshkent davlat texnka universiteti Radiotexnik qurilmalar va tizimlar kafedrasi; barno7710@gmail.com 3 Islom Karimov nomidagi Toshkent davlat texnka universiteti Radiotexnik qurilmalar va tizimlar kafedrasi; yarashbekyusupov@mail.ru Annotatsiya: Murakkab radioelektron vositalarini konstruksiyalarini yaratish jarayonlarida qo’llaniladugan modellarni yaratish uchu o’lchashlar natijalariga intellectual ishlov berish uslublarini qo’llash imkoniyatlari ko’rib chiqilgan. Kalit so’zlar: radioelektron vosita, modellashtirihs, evristik uslub, intellectual taxlil, mashinali o’qitish, neyron tarmoq, klasterlash. Kirish Radioelektron qurilmalarni ishlab chiqarish hozirgi davrda juda yuqori sur’atlarda rivojlanmaoqda. RE vositalarining zamonaviy rivojlanish bosqichlari ularning funksional murakkabligi, integratsiya darajasi, tezkorligi va elementlar bazasining issiqlik ajratishining oshib borishi bilan xarakterlanadi. Bularning hammasi qurilma konstrutsiyasining murakkablashib ketishiga, ishlab chiqarishga va ishlash samaradorligiga bo‘lgan talablarni oshib ketishiga olib keladi. Konstruktorlik-loyihalash ishlarini tezlashtirish va loyihalanilayotgan mahsulot narhini arzonlashtirish, asosan tipli bazaviy konstruksiyalardan foydalanish va loyihalashga intellectual uslublarni qo‘llash hisobigan amalga oshiriladi. Asosiy qism Intellectual usullardan foydalangan holda murakkab radioelektron vositalarini modellashtirish — bu ularni loyihalash yoki modernizatsiya qilish maqsadida o'rganilayotgan tizimlarga xos xususiyatlar va qonuniyatlarni aniqlashga qaratilgan jarayondir. Ko‘p hollarda intellektual uslublar evristik holatlar hisoblanadi va to‘liq matematik asoslangan hisoblanmaydi, ko‘pgina holatdarda aniq natijanlarni olish imkoniyatini bermaydi. REVlarini modellashtirish uchun quyidagi modellardan foydalaniladi: Mashina orqali o‘qitishga asoslangan modellar, ularga neyron tarmoqlari, daraxt yechimlari, o‘z-o‘zini tashkil etuvchi belgilar kartasi, assotsiativ modellar kiradi. Bunday modellar sonli masalalarni, sinflanish, klasterlash va assitsiatsiya masalalarini yechish imkoniyatlarini beradi. Tuzilgan ma'lumotlar bazalarini tahlil qilish - modellashtirishda ko'rib chiqilgan ob'ektlar doirasini cheklash va yechim tanlashda ortiqcha miqdorni kamaytirishga imkon beradi. O‘lchashlar natijasi bo‘yicha olingan ma’lumotlarga ishlov berish - intellektual usullar, ayniqsa, to'liq bo'lmagan va noto'g'ri ma'lumotlar sharoitida, to'sqinlik qiluvchi omillar ta'sirida, modellar asosida nazorat o'lchovlari natijalarini tahlil qilishga yordam beradi. 152

Intellektual uslublardan foydalanib REVlarini modellashtirish jarayoni quyidagi bosqichlarni o‘z tarkibiga kiritadi: 1. Modellarni ishlab chiqish. Modelning parametrlari va xususiyatlarining tarkibi va ro'yhati aniqlanadi, ularning o'rganilayotgan tizimning parametrlari va xususiyatlari bilan o'zaro bog'liqligi o'rnatiladi (modelni parametrlash). 2. Tizimning ishlash xususiyatlarini tizimli tahlil qilish. Tizimning xususiyatlariga qo'yiladigan talablar hisobga olinadi — quvvat, vaqt, ishonchlilik va boshqalar. 3. Belgilangan xususiyatlarga ega yangi yoki mavjud tizimni loyihasini (sintezi) yaratish. Tizimning tuzilishi va ishlash parametrlari aniqlanadi, bu xususiyatlar bo'yicha belgilangan cheklovlarni ta'minlaydi. 4. Loyiha (sintez) yoki modernizatsiya natijasida olingan tizimni batafsil tahlil qilish. REVni modellashtirishning intellektual usullari analitik platformalar — mashinali o'rganish va ularga asoslangan modellarni yaratish texnologiyalarini amalga oshiradigan dasturiy vositalar asosida amalga oshiriladi. Shuningdek, intelektual modellashtirish modullari MatLab va Statistica kabi zamonaviy kompyuter matematikasi paketlarida amalga oshiriladi. Elektr zanjirlarini modellashtirishning intellektual usullari loyihalashning turli bosqichlarida qo'llaniladi, masalan: - REVsini strukturali sintez qilish asosan loyihalashninsh dastlabki davrlarida amalga oshiriladi. - Komponent parametrlarining tarqalishi va beqarorlashtiruvchi omillar mavjudligini hisobga olgan holda turli rejimlarda loyihalash ob'ekti parametrlarini hisoblash va tahlil qilishda. Xohlagan radioelektron sistema bir qancha tasodifiy chiqish parametrlari Yi (i = 1, k) to‘plamlari bilan xarakterlanadi. Bu parametrlar sistemani berilgan texnik xarakteristikalarini moslik darajasini tasvirlaydi. Agar bu parametrlar berilgan chegaralarda yotsa bu sistema ishchanlik xususiyatiga ega hisoblanadi, ya’ni, 𝑠1 ≤ 𝑌1 (𝑋1, 𝑋2, … , 𝑋𝑛 ) ≤ 𝑑1 ; 𝑐2 ≤ 𝑌2 (𝑋1, 𝑋2, … , 𝑋𝑛 ) ≤ 𝑑2 ; ………………………………… 𝑐𝑘 ≤ 𝑌𝑘 (𝑋1, 𝑋2, … , 𝑋𝑛 ) ≤ 𝑑𝑘 ; Bu yerda Xj (j = 1, n) – sistema elementlarining parametrlari, kirish signallari, tashqi xalaqit faktorlari, ci va di – sistema parametrlarining quyi va yuqori chegaralari qiymatlari. Bunday ko‘p sonli parametrlarni nazorat qilish juda ko‘p sarflarni talab etadi, ya’ni bu REVsini yaratish va ishlab chiqish xarajatlarining 30 va 40 foizini tashkil etishi mumkin. Shuning uchun bu sarflarni minimallashtirish masalasini yechishdagi aktual masala bo‘lib REVlarini modellashtirish sifatini oshirish masalasi hisoblanadi. Modellashtirish zamonaviy REVlarini ishlab chiqarishda muhim bosqich hisoblanadi. Bu masala o‘z tarkibiga bir qancha bosqich va ishlarni kiritadi. REVsining modellashtirishni asosiy bosqichi bo‘lib, texnik masalani analiz qilish, elektr sxemani va unda kechadigan jarayonlarni, tarqalishi va puxtaligini modellashtirish, modellashtirish natijalarini analiz qilish hisoblanadi. Muayyan farqlarga qaramay, REVni modellashtirish metodologiyasi tavsiflarning turlicha bo‘lishi va ierarxiyasi, modellashtirishning ko'p bosqichli va iterativligi, qabul qilingan yechimlarni 153

yozish va birlashtirishni o'z ichiga olgan bir qator asosiy tamoyillarni o'z ichiga oladi. Bu esa, murakkab REVlarini modellashtirishda, modellashtirishda ko'rib chiqiladigan ob'ektlar doirasini cheklash va shu bilan yechim tanlashda haddan oshib ketishni kamaytirish uchun tuzilgan ma'lumotlar bazalarini (ma'lumotlar bazalarini) tahlil qilishga asoslangan intellektual sistemalardan foydalanish maqsadga muvofiq ekanligini anglatadi. Eng istiqbolli-bu REVsining strukturali sintez bosqichlarda, ayniqsa lo‘yihaning dastlabki bosqichlarida intellektual modellashtirish usullarini qo'llash, shuningdek, tarkibiy parametrlarning tarqalishini va beqarorlashtiruvchi omillarning mavjudligini hisobga olgan holda turli xil rejimlarda loyihalash ob'ekti parametrlarini hisoblash va tahlil qilish hisoblanadi. Murakkab REVlarini modellashtirish masalalarida intellektual uslublar. Murakkab REVni ishlab chiqarishning har bir bosqichida, gibrid va monolit integral mikrosxemalardan tortib to kompleksgacha, asosiy boshqariladigan parametrlar ajratiladi, bu esa optimal o'lchov hajmida texnik shartlar talablariga to'liq mos keladigan tayyor mahsulotni ishlab chiqish, sozlashning to'liq siklini ta'minlashga imkon beradi. Bunda xar bir bosqichda, nostabillovchi faktorlar (harorat,namlik, radiatsiya, tebranishlar,zarb yuki va b.) uchun sinashlar o‘tkazishda avtomatlashtirilgan o‘lchash komplekslari va apparaturalaridan foydalaniladi. REVsini ishlab chiqarishda o‘lchashlar soni 10-15 millindan oshib ketishi mumkin. Shuning uchun submodullardan boshlab REVlarigacha bo‘lgan ish joylari avtomatlashtirilgan o‘lchashlarni amalga oshiruvchi va ma’lumotlar bazalarini shakllantiruvchi ma’lumotlarni ro‘yhatga oluvchi apparaturalar bilan ta’minlangan bo‘lishi kerak. Murakkab REVlarni modellarini, elektrodinamik va zanjirlar nazariyasidan foydalanib yaratishda, ayniqsa nostabillovchi faktorlarni hisobga olganda, modellashtirish, mateatik jihatdan qiyinchiliklarni keltirib chiqaradi, bu esa vaqt va inson omillari mehnatini sezilarli miqdorda talab etadi. Shu sababli, radioelektron qurilmalarni modellashtirishdagi dolzarb vazifa, to'liq bo'lmagan yoki noto'g'ri ma'lumotlarni, har xil turdagi shovqinlarning ta'sirini va hisobga olish qiyin bo'lgan omillar ta'sirlari nazorat o'lchovlari natijalarini tahlil qilish usullarini topishdir. Ushbu muammoni hal qilishdagi yo‘nalishlardan biri bo‘lib, modellashtirishning mashinali o‘rganish algoritmlari va uslublariga asoslangan intellektual modellashtirish uslublaridan foydalanish hisoblanadi. Ma’lumki ko‘p hollarda modellashtirishning itellektual uslublari evristik hisoblanadi, ya’ni to‘liq matematik asoslanmagan va aniq hisoblashlar o’tkazish imkoniyati bo’lmasa ham, amaliy ahamiyatga ega bo'lgan, aksariyat hollarda maqbul natijaga erishishga imkon beradi. Shu bilan birga, ular sezilarli darajada kamroq mehnat talab qiladi, tadqiqotchi uchun juda shaffof va tadqiqotni avtomatlashtirish uchun ajoyib imkoniyatlarni taqdim etadi. Evristik modellarning kamchiliklari orasida qarorlarning nisbatan past aniqlikga egaligi va noaniqligi, shuningdek, dastlabki ma'lumotlarga kuchli bog'liqligi kiradi. REVlarni modellashtirishda qo'llaniladigan intellektual usullar. Katta strukturali ma'lumotlar to'plamlarini tahlil qilishda qo'llaniladigan evristik modellarning eng ko'p qo'llaniladigan turlari neyron tarmoqlar (NT), qarorlar daraxtlari, o'z-o'zini tashkil etuvchi xususiyatlar xaritalari, assotsiativ modellar va boshqalar kabi mashinalarni o'rganishga asoslangan modellardir. Ushbu modellar intellektual deb ham ataladi, chunki ular sof matematik jihatdan tashqari, tadqiqotchiga yechimni o'z tajribasi va bilimlari bilan to'ldirishga imkon beradi, bu hatto juda yomon rasmiylashtirilgan holatlarda ham yechimlarni olish imkonini beradi. Intellektual modellar raqamli bashorat, tasniflash, klasterlash va assotsiatsiya masalalarini hal qilishga imkon beradi. 154

Raqamli bashorat murakkab radioelektron tizimlar parametrlari o'rtasidagi uzluksiz bog'liqlikni modellashtirish imkonini beradi, masalan, chiqish quvvati va tizim qurilmalari o'rtasidagi moslik darajasi, gibrid va monolit sxemalarning boshqariladigan parametrlari (faza o'zgartirgichlar, attenuatorlar, kalitlar, kuchaytirgichlar va boshqalar), ish sharoitlari va boshqalar. Bu muammo odatda neyron tarmoq yordamida hal qilinadi. Neyron tarmoqlari. Ma'lumki, neyron tarmoq - bu sun'iy neyronlar deb ataladigan oddiy hisoblash elementlari to'plami bo'lib, ularning har biri o'z kiritishlarining og'irliklari yig'indisini va natijada olingan yig'indining chiziqli bo'lmagan o'zgarishini amalga oshiradi. Neyron tarmoq modelini qurish ikki bosqichdan iborat bo’ladi: - model parametrlarini o'rnatish - neyronlar va neyronlararo ulanishlar sonini, chiziqli bo'lmagan konvertor turini aniqlash (faollashtirish funktsiyasi) (1-rasm); - modelni o'rgatish - bu o'rganish algoritmi asosida neyronlararo ulanishlar og'irligini iterativ sozlash, bunda modelning har bir iteratsiyasida o'quv misoli taqdim etiladi. 1-rasm. Neyron tarmoq Har bir o'quv misoli ma'lumotlar bazasidagi satr bo'lib, u bir o'lchov davomida qayd etilgan REVning kirish va chiqish parametrlarining qiymatlari to'plamini saqlaydi. Neyron tarmog'ini o'qitish algoritmlari odatda gradiyentga asoslangan optimallashtirish usullariga (masalan, eng tik tushish) asoslanadi. O'qitish parametr qiymatlarining berilgan kirish vektoriga modelning javobi haqiqiy kuzatilgan chiqish qiymatiga yetarlicha yaqin bo'lgunga qadar davom etadi (masalan, o'rtacha kvadrat ma'noda). Shuning uchun bu usul "nazorat ostida o'rganish" deb nomlanadi. Neyron tarmoq modellarining afzalligi shundaki, tadqiqotchi model parametrlarini tanlash va o‘quv jarayonini kuzatish orqali kerakli darajadagi aniqlik va umumlashtirish qobiliyatiga erishadi (buzilgan va to‘liq bo‘lmagan ma’lumotlar bilan ishlash qobiliyati). Bu shuningdek, shunga o'xshash muammolarni hal qilishda ilgari to'plangan tajribadan foydalanishi mumkin. Neyron tarmoq modellarining amaliy qo'llanilishi shundan iboratki, ularga yangi o'lchamda yoki yangi qurilma uchun o'rnatilgan parametr vektorlarini yetkazib berish orqali tarmoq avtomatik ravishda mos keladigan chiqish qiymatini hisoblab chiqadi. Qaror daraxtlari. REVlarini yoki murakkab texnik sistemalarini modellashtirish uchun, to'liq yoki aniq bo'lmagan ma'lumotlar va yomon rasmiylashtirilgan maqsadlar kontekstida yuqori 155

o'lchamli ma'lumotlarni tahlil qilish masalalarini yechishda, modelning umumiy xususiyatlarni va tushinarliligini mutaxassis tomonidan maqsadli o’zgaruvchilarni kategoriyalash hisobiga yaxshilashda ya'ni mantiqiy ravishda muammoni aks ettiruvchi sinflarni shakllantirish, masalan, qurilmalar sinfini aniqlik va ishonchlilik bo’yicha shakllantirish va boshqalarda qo’llaniladi. Siniflash tizimi mutaxassislar tomonidan ishlab chiqiladi va modellashtirish boshlanishidan oldin shakllantirilishi kerak. Qaror daraxtlari - ma'lum bir bargga tayinlangan ob'ekt sinfi shakllanadigan qoidalar va barglarni o'z ichiga olgan tugunlardan tashkil topgan bo’lib, "agar-u holda" induktiv qaror qoidalarining tuzilmalari hisoblanib, ko'pincha intellektual modellardan tasniflash muammolarini hal qilish uchun ishlatiladi. Bunday holda, qoidalar tabiiy tilda shakllantiriladi, bu tadqiqotchiga modeldan nafaqat tasniflagich sifatida foydalanishga, balki model tuzilmasidan foydali bilimlarni olish imkonini beradi ya’ni ob'ekt ma'lum bir sinf bilan bog'langan bargga biriktirilishidan oldin daraxtning ma'lum bir novdasi bo'ylab "o'tgan" qoidalarni kuzatish imkoniyatini yaratadi. Bu qaror daraxtlarini neyron tarmoqlardan ajratib turadi, bu yerda model tuzilmasidan (neyronlararo ulanishlar og'irligi, faollashtirish funktsiyasi turi va boshqalar) foydali ma'lumotlarni (verbalizatsiya) olish mumkin emas. Shuning uchun qaror daraxtlari yuqori tushuntirish kuchiga ega, bu esa yuqori o'lchamli ma'lumotlarga asoslangan murakkab tizimlarni modellashtirishda hal qiluvchi ahamiyatga ega. O'z-o'zini tartibga soluvchi xususiyatli xaritalar. Haqiqiy sharoitlarda (ayniqsa, xalaqit beruvchi omillar ta'sirida) olingan sinov o'lchovlari ma'lumotlariga asoslangan texnik tizimlarni modellashtirish muammolarida ko'pincha maqsadli o'zgaruvchining qiymatlari qisman yetishmayotganligi yoki yetarli darajada aniqlik bilan o'lchanmasligi aniq bo'ladi. Maqsadli o'zgaruvchini umuman aniqlab bo'lmaydigan muammolar bo'lishi mumkin (ya'ni, muammoning mantig'iga ko'ra, chiqish deb hisoblanishi mumkin bo'lgan tizim parametrini tanlash mumkin emas). Bu neyron tarmoqlar va qarorlar daraxtlarini o'z ichiga olgan nazorat ostida o'rganishdan foydalangan holda modellar uchun sinflar yoki maqsadli o'zgaruvchilarni shakllantirishning mumkin bo’lmasligiga olib keladi. Bunday holda, REVni intellektual modellashtirish uchun klasterlashdan foydalanish qulay hisoblanadi, ya’ni kuzatuvlarning barcha to'plamlarini, ularning har biri qurilmalar yoki umuman tizim parametrlarini bir qator o'lchovlarni ifodalaydigan, klasterlar deb ataladigan bir hil guruhlarga bo'linadi. Klasterlash ko'p o'lchovli fazoda, kuzatish vektorlari orasidagi masofani o'lchash asosida, klaster ichidagi ikkita kuzatish o'rtasidagi farq har doim turli klasterlardan olingan ikkita kuzatish orasidagi farqdan kichikroq bo'lishi tamoyiliga muvofiq amalga oshiriladi. Klasterlash jarayonida maqsadli o'zgaruvchi ishlatilmagani uchun u nazoratsiz o'rganish deb ataladi. Klasterlash natijasi test sinovlarining bir hil guruhlarini yoki bir hil xususiyatlarga va tipik xususiyatlarga ega bo'lgan texnik ob'ektlarni shakllantirishdir (masalan, signalning o'xshash buzilishlari, bir xil sinov sharoitlari, shovqin ta'sirida signal-shovqin nisbatining yomonlashishi va boshqalar). Klasterning xususiyatlarini o'rganib, uning mazmunli talqinini amalga oshirgandan so'ng, tadqiqotchi tizimning ba'zi parametrlarining boshqalarga sifat va miqdoriy ta'siri, ular yuzaga kelgan sharoitlari haqida xulosa chiqarishi va salbiy omillarni bartaraf etish choralarini ishlab chiqishi mumkin. Klaster modelidan amaliy foydalanish uni yangi ob'ektlar yoki kuzatuvlar vektorlari bilan taqdim etishdan iborat bo'lib, u klasterlardan biriga taqsimlanadi, ularning xususiyatlarini ushbu ob'ektga umumlashtirish mumkin. Ko'p o'lchovli ma'lumotlarni klasterlashning eng kuchli va samarali usullaridan biri bu o'z-o'zini tartibga soluvchi xususiyat xaritalari (Kohonen xaritalari) hisoblanadi. Ular raqobatbardosh o'rganish 156

(Kohonen algoritmi) yordamida o'qitilgan neyron tarmoqning maxsus turini (Kohonen tarmoqlari) tasvirlaydi. Klaster strukturasi xaritalar to'plami sifatida ifodalanadi, ularning har biri parametrlardan birining taqsimlanishini aks ettiradi, butun to'plam esa klaster tuzilmasi bo'yicha barcha parametrlarning taqsimlanishini aks ettiradi. Kohonen xaritasining asosiy maqsadi ko'p o'lchovli ma'lumotlarni klasterlash natijalarini taqdim etish, klaster xususiyatlarini samarali o'rganish va ularni mazmunli talqin qilish imkonini beradi. Radioelektron tizimlar uchun intellectual modellashtirish vositalari. Radioelektron tizimlarni modellashtirishning intellektual usullarining asosiy afzalliklaridan biri shundaki, ular qimmatbaho ixtisoslashtirilgan tizimlardan foydalanishni talab qilmaydi, lekin mashinalarni o'rganish texnologiyalarini amalga oshiradigan dasturiy vositalarning ancha keng tarqalgan sinfi va ular asosida modellarni qurish asosida amalga oshirilishi mumkin. Ushbu dasturiy ta'minot klassi analitik platformalar sifatida tanilgan va ma'lumotlarni intektual taxlil qilish loyihalarini amalga oshirish uchun mo'ljallangan Intellektual platformalarning eng tipik ilovalari biznes-tahlil, ishlab chiqarishni boshqarish, iqtisodiyot va moliya, shuningdek, tibbiyot, biologiya, fan va texnologiyada prognozlashdir. Hozirgi vaqtda intellektual platformalar [1] juda keng tarqalgan bo'lib, ulardan turli ishlab chiqarish sohalarida (Veka, Rapid Miner va boshqalar) va tijoratda (SAS Enterprise Miner, SPSS Data Modeler) foydalaniladi. Bundan tashqari, intellektual modellashtirish modullari MatLab va Statistica kabi ko'pgina zamonaviy kompyuter matematika paketlarida amalga oshiriladi. Xulosa. Maqolada murakkab REVlarini ishlab chiqarishda intellectual modellashtirish usliblarini qo’llash imkoniyatlari ko’rib chiqilgan. Tadqiqotning maqsadi murakkab REVlari tarkibidagi qurilmalar parametrlarini nazorat qilib, ularni yaratishga ketadigan sarflarni kamaytirish, parametrlar orasidagi bog’liqlikni intellectual uslublar asosida taxlil qilishdan iborat. Foydalanilgan adabiyotlar 1. Арустамов А.И., Васильев Е.П., Орешков В.И. Интеллектуальные платформы – современный инструмент анализа данных в экономике и бизнесе // Дни науки: сб. трудов Международной научно-практической конференции. – Прага, 2012. 2. Котлинский С.В., Храмичев А.А. Основы компьютерного проектирования и моделирования радиоэлектронных средств: учебное пособие. Тверь: Тверской государственный технический университет, 2020. 132 с. 3. Хайкин С. Нейронные сети: полный курс. – 2-е изд. – М.: Вильямс, 2006. 157

МОДЕЛИРОВАНИЕ ИНЖЕНЕРНЫХ КОММУНИКАЦИЙ И ВОДОЗАБОРОВ В ДОЛИНАХ ЗНАЧИТЕЛЬНОЙ ШИРИНЫ A.Х.Усмонов1, У.И.Бегимов2 1 Заведующий кафедрой «Инженерия и цифровые технологии» Университета Сарбон, PhD., alishertuit@gmail.com 2 Заведующий кафедрой «Цифровые технологии» Университета Альфраганус, PhD, доцент. uktam1985begimov@gmail.com Аннотация: В данной статье представлены методы моделирования работы инженерных коммуникаций и береговых водозаборов, расположенных в долинах значительной ширины. Рассматриваются особенности фильтрационных процессов в условиях полуграничного водоносного пласта, влияние многофазности фильтрующейся жидкости, а также закономерности формирования депрессионных воронок при эксплуатации одиночных и групповых скважин. Особое внимание уделено взаимодействию ряда скважин с речным стоком, замене реальной группы скважин линейной галереей и использованию принципа суперпозиции фильтрационных течений. Приведены аналитические зависимости, позволяющие оценить понижение уровня подземных вод, определить нейтральную линию тока и долю речных вод в суммарном дебите скважины. Полученные результаты имеют практическую ценность при проектировании крупных водозаборов, прогнозировании их влияния на водный баланс реки и оптимизации схем размещения скважин. Ключевые слова: Береговые водозаборы, подземные воды, полуграничный водоносный пласт, фильтрационные потоки, группа взаимодействующих скважин, галерея скважин, нейтральная линия тока, депрессионная кривая, многофазная жидкость, водопроницаемость, водный баланс реки, радиус влияния скважины. 1. Введение Эксплуатация подземных вод в долинах рек представляет собой сложный гидрогеологический процесс, в котором существенную роль играют как природные условия, так и особенности инженерных сооружений. В районах значительной ширины взаимодействие грунтовых вод с русловым стоком, неоднородность водоносных толщ, многофазность фильтрующейся жидкости и сложная конфигурация береговой линии создают необходимость применения математического моделирования для точного описания происходящих процессов. Одним из ключевых вопросов является определение понижения уровня подземных вод при работе одиночных и групповых скважин, а также оценка доли речной воды, поступающей в водозабор. Для решения этих задач используются классические гидродинамические модели, методы зеркального отображения и принцип суперпозиции фильтрационных течений. Кроме того, для упрощения расчетов многорядных систем скважин нередко применяется их замена непрерывной галереей с известным удельным расходом. Введение математического аппарата позволяет исследовать формирование стационарного режима фильтрации, определить положение раздельной (нейтральной) линии тока, оценить влияние речного стока на водный баланс, а также оптимизировать размещение 158

скважин в береговых водозаборах. Представленные в статье подходы дают возможность более точно прогнозировать эксплуатационные параметры водозаборов и минимизировать возможное воздействие на гидрогеологическую среду.. 2. Основная часть При рассмотрении вопросов строительство водозаборов учитывается степени фильтрования и состав фильтрируемой жидкости как многофазная смесь. В некоторых случаях многофазная смесь может быть описана в рамках одной из известных классических моделей, в которых неоднородность отражается в значениях модулей, коэффициентов сжимаемости, теплоемкостей и т. д. (заранее определяемых через физические свойства фаз), т. е. только в уравнениях состояния смеси. Жидкость с пузырями может иногда описываться в рамках идеальной сжимаемой жидкости, а грунт - в рамках упругой или упругопластической модели. При моделировании водозаборов в долинах значительной ширины или «полуограниченном пласте», расчеты водозаборов производятся по формулам, которые легко составляется для одной или первой фазы фильтрируемой многофазной жидкости, пользуясь методом многофазных жидкости и сложения фильтрационных течений. Эти формулы получены как предельные, при рассмотрении методики расчета водозаборов в полуограниченных водоносных пластах с учетом частичного их осушения в области выхода на поверхность.[1]. Представляются эти водозаборы в следующем виде [5,6] (рис.1,а). Рис. 1. Схемы к расчёту скважин вблизи реки в долинах весьма значительных (бесконечных) поперечных размеров. а) берег русла реки прямолинейный (полуограниченный пласт); б) берег русла схематически представляется в виде угла (пласт-угол) Для одиночной скважины: S Q Ei 0 E 4km (1) Или любым образом расположенных взаимодействующих групп скважин при расчетах соответственно имеем: для одиночной скважины: для группы любым образом расположенных взаимодействующих скважин: S n Q Q0 Ei 0 E сум i Ei i Ei i (2) 4km 4km i 1 В этих формулах i ri 2 2 i i 4at 4at 159