1
ТОШКЕНТ
АХБОРОТ
ТЕХНОЛОГИЯЛАРИ
УНИВЕРСИТЕТИ
ҲУЗУРИДАГИ
ИЛМИЙ
ДАРАЖАЛАР
БЕРУВЧИ
DSc.27.06.2017.
Т
.07.01
РАҚАМЛИ
ИЛМИЙ
КЕНГАШ
ТОШКЕНТ
АХБОРОТ
ТЕХНОЛОГИЯЛАРИ
УНИВЕРСИТЕТИ
ҲУЗУРИДАГИ
АХБОРОТ
-
КОММУНИКАЦИЯ
ТЕХНОЛОГИЯЛАРИ
ИЛМИЙ
-
ИННОВАЦИОН
МАРКАЗИ
ҲАМРОЕВ
АЛИШЕР
ШОДМОНҚУЛОВИЧ
НОРАВШАН
ТЎПЛАМЛАР
НАЗАРИЯСИ
ЭЛЕМЕНТЛАРИГА
АСОСЛАНГАН
БАҲОЛАРНИ
ҲИСОБЛОВЧИ
ТАНИБ
ОЛИШ
АЛГОРИТМЛАРИ
05.01.03 –
Информатиканинг
назарий
асослари
ТЕХНИКА
ФАНЛАРИ
БЎЙИЧА
ФАЛСАФА
ДОКТОРИ
(PhD)
ДИССЕРТАЦИЯСИ
АВТОРЕФЕРАТИ
Тошкент
– 2018
2
УДК
:
004.93
Техника
фанлари
бўйича
фалсафа
доктори
(PhD)
диссертацияси
автореферати
мундарижаси
Оглавление
автореферата
диссертации
доктора
философии
(PhD)
по
техническим
наукам
Contents of dissertation abstract of doctor of philosophy (PhD)
on technical sciences
Ҳамроев
Алишер
Шодмонқулович
Норавшан
тўпламлар
назарияси
элементларига
асосланган
баҳоларни
ҳисобловчи
таниб
олиш
алгоритмлари
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Хамроев
Алишер
Шодмонкулович
Распознающие
алгоритмы
вычисления
оценок
на
базе
элементов
теории
нечетких
множеств
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Khamroev Alisher Shodmonkulovich
The recognition algorithms for calculating estimates based on the elements of
fuzzy sets theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Эълон
қилинган
ишлар
рўйхати
Список
опубликованных
работ
List of published works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .39
3
ТОШКЕНТ
АХБОРОТ
ТЕХНОЛОГИЯЛАРИ
УНИВЕРСИТЕТИ
ҲУЗУРИДАГИ
ИЛМИЙ
ДАРАЖАЛАР
БЕРУВЧИ
DSc.27.06.2017.
Т
.07.01
РАҚАМЛИ
ИЛМИЙ
КЕНГАШ
ТОШКЕНТ
АХБОРОТ
ТЕХНОЛОГИЯЛАРИ
УНИВЕРСИТЕТИ
ҲУЗУРИДАГИ
АХБОРОТ
-
КОММУНИКАЦИЯ
ТЕХНОЛОГИЯЛАРИ
ИЛМИЙ
-
ИННОВАЦИОН
МАРКАЗИ
ҲАМРОЕВ
АЛИШЕР
ШОДМОНҚУЛОВИЧ
НОРАВШАН
ТЎПЛАМЛАР
НАЗАРИЯСИ
ЭЛЕМЕНТЛАРИГА
АСОСЛАНГАН
БАҲОЛАРНИ
ҲИСОБЛОВЧИ
ТАНИБ
ОЛИШ
АЛГОРИТМЛАРИ
05.01.03 –
Информатиканинг
назарий
асослари
ТЕХНИКА
ФАНЛАРИ
БЎЙИЧА
ФАЛСАФА
ДОКТОРИ
(PhD)
ДИССЕРТАЦИЯСИ
АВТОРЕФЕРАТИ
Тошкент
– 2018
4
Техника
фанлари
бўйича
фалсафа
доктори
(PhD)
диссертацияси
мавзуси
Ўзбекистон
Республикаси
Вазирлар
Маҳкамаси
ҳузуридаги
Олий
аттестация
комиссиясида
B2017.1.PhD/T47
рақам
билан
рўйхатга
олинган
.
Диссертация
Тошкент
ахборот
технологиялари
университети
ҳузуридаги
Ахборот
-
коммуникация
технологиялари
илмий
-
инновацион
марказида
бажарилган
.
Диссертация
автореферати
уч
тилда
(
ўзбек
,
рус
,
инглиз
(
резюме
))
Илмий
кенгаш
веб
-
саҳифасида
(www.tuit.uz)
ва
“Ziyonet”
Ахборот
таълим
порталида
(www.ziyonet.uz)
жойлаштирилган
.
Илмий
маслаҳатчи
:
Камилов
Мирзаян
Мирзаахмедович
техника
фанлари
доктори
,
профессор
,
академик
Расмий
оппонентлар
:
Игамбердиев
Хусан
Закирович
техника
фанлари
доктори
,
профессор
,
академик
Мухамедиева
Дилноз
Тулкуновна
техника
фанлари
доктори
,
профессор
Етакчи
ташкилот
:
Самарқанд
давлат
университети
Диссертация
ҳимояси
Тошкент
ахборот
технологиялари
университети
ҳузуридаги
DSc.27.06.2017.
Т
.07.01
Илмий
кенгашнинг
2018
йил
« ____ » ______________
соат
___
даги
мажлисида
бўлиб
ўтади
. (
Манзил
: 100202,
Тошкент
шаҳри
,
Амир
Темур
кўчаси
, 108-
уй
.
Тел
.: (99871) 238-64-43,
факс
: (99871) 238-65-52, e-mail: tuit@tuit.uz).
Диссертация
билан
Тошкент
ахборот
технологиялари
университети
Ахборот
-
ресурс
марказида
танишиш
мумкин
(______
рақам
билан
рўйхатга
олинган
). (
Манзил
: 100202,
Тошкент
шаҳри
,
Амир
Темур
кўчаси
, 108-
ўй
.
Тел
.: (99871) 238-65-44).
Диссертация
автореферати
2018
йил
«____»____________
да
тарқатилди
.
(2018
йил
«____» _________
даги
_____
рақамли
реестр
баённомаси
).
Р
.
Х
.
Хамдамов
Илмий
даражалар
берувчи
илмий
кенгаш
раиси
,
т
.
ф
.
д
.,
профессор
Ф
.
М
.
Нуралиев
Илмий
даражалар
берувчи
илмий
кенгаш
илмий
котиби
,
т
.
ф
.
д
.
Н
.
Равшанов
Илмий
даражалар
берувчи
илмий
кенгаш
қошидаги
илмий
семинар
раиси
,
т
.
ф
.
д
.
5
КИРИШ
(
фалсафа
доктори
(PhD)
диссертацияси
аннотацияси
)
Диссертация
мавзусининг
долзарблиги
ва
зарурати
.
Жаҳонда
инсон
фаолиятининг
турли
соҳаларида
объектлар
,
жараёнлар
ва
ҳодисалар
ҳақидаги
ахборотлар
ҳажмининг
кескин
ортиб
боргани
сайин
,
уларни
интеллектуал
таҳлил
қилиш
тизимларини
ишлаб
чиқиш
ва
такомиллаштиришга
катта
эътибор
қаратилмоқда
.
Интеллектуал
тизимларда
тимсолларни
аниқлаш
ҳамда
норавшан
тўпламлар
назарияси
асосида
ишлаб
чиқилаётган
усул
ва
алгоритмлардан
технологик
қурилмаларда
фойдаланиш
орқали
«
Инсонлар
орасида
робототехник
қурилмаларининг
учраши
одатий
ҳолга
айланиб
, 2017
йилда
Халқаро
работотехника
федерацияси
тадқиқотларида
келтирилишича
2016
йилда
дунёда
1,5
миллион
атрофида
роботлар
меҳнат
қилган
бўлса
, 2017
йилнинг
охирига
келиб
,
уларнинг
сони
1,9
миллионга
оширилади
»
1
.
Шу
жиҳатдан
,
жаҳоннинг
етакчи
ҳорижий
давлатларида
,
жумладан
АҚШ
,
Япония
,
Германия
,
Буюк
Британия
,
Россия
,
Озарбайжон
ҳамда
Ўзбекистонда
норавшан
тўпламлар
назариясини
амалиётга
тадбиқ
этилиши
борасида
олиб
борилаётган
ишлар
муҳим
аҳамият
касб
этмоқда
.
Жаҳон
амалиётида
маълумотларни
интеллектуал
таҳлил
қилиш
,
тимсолларни
аниқлаш
каби
инсон
ақл
-
идрокига
таянадиган
йўналишларда
норавшан
тўпламлар
устида
ишлайдиган
«
табиий
»
ёндашувли
замонавий
усулларни
ишлаб
чиқиш
ва
такомиллаштиришга
йўналтирилган
илмий
тадқиқот
ишлари
олиб
борилмоқда
.
Бу
борада
,
жумладан
тимсолларни
аниқлашнинг
қисмий
прецедентлик
тамойилига
асосланган
эвристик
алгоритмлари
ҳамда
норавшан
тўпламлар
назарияси
элементлари
қўлланиладиган
таниб
олиш
усулларини
ишлаб
чиқиш
ва
такомиллаштиришга
алоҳида
эътибор
қаратилмоқда
.
Ҳозирги
кунда
республикамизда
ахборот
-
коммуникация
технология
-
ларини
ривожлантириш
мақсадида
дастурий
маҳсулотларни
ишлаб
чиқиш
,
уларнинг
хавфсизлигини
таъминлаш
,
маълумотларга
ишлов
бериш
ва
сақлаш
учун
маълумотлар
марказини
(Data Centre)
яратиш
ҳамда
уларни
амалиётга
тадбиқ
этишга
алоҳида
эътибор
қаратилмоқда
.
Ушбу
йўналишда
,
жумладан
катта
ҳажмли
ахборотлар
(
тасвирлар
,
сигналлар
,
овозлар
ва
видео
)
кўриниши
-
даги
маълумотларни
сақлаш
,
рақамли
ишлов
бериш
ҳамда
интеллектуал
таҳлил
қилишга
мўлжалланган
дастурий
маҳсулотлар
ишлаб
чиқилмоқда
.
Шу
билан
бир
қаторда
,
маълумотларни
интеллектуал
таҳлил
қилиш
соҳасида
ишлаб
чиқилаётган
дастурий
маҳсулотлар
самарадорлигини
ошириш
мақсадида
турли
типли
белгилар
,
жумладан
норавшан
тўпламлар
орқали
тавсифланадиган
объектларни
қиёслаш
модулларини
такомиллаштириш
ва
тимсолларни
аниқлашнинг
модификацияланган
алгоритмларини
ишлаб
чиқиш
талаб
этилмоқда
. 2017-2021
йилларда
Ўзбекистон
Республикасини
янада
ривожлантириш
бўйича
Ҳаракатлар
стратегиясида
,
жумладан
«
Ахборот
-
коммуникация
технологияларини
янада
ривожлантириш
,
дастурий
маҳсулот
ишлаб
чиқарувчиларга
янада
қулай
ташкилий
,
технологик
ва
1
https://rb.ru/longread/The-future-is-not-painful/
6
иқтисодий
шароитлар
яратиш
, ...
иқтисодиёт
,
ижтимоий
соҳа
ва
бошқарув
тизимига
ахборот
-
коммуникация
технологияларини
жорий
этиш
»
2
вазифалари
белгиланган
.
Мазкур
вазифаларни
амалга
ошириш
,
жумладан
маълумотларни
интеллектуал
таҳлил
қилиш
тизимлари
учун
норавшан
тўпламлар
назарияси
элементларидан
фойдаланиладиган
таниб
олиш
алгоритмларни
ишлаб
чиқиш
муҳим
масалалардан
бири
ҳисобланади
.
Ўзбекистон
Республикаси
Президентининг
2017
йил
7
февралдаги
ПФ
-4947-
сон
«
Ўзбекистон
Республикасини
янада
ривожлантириш
бўйича
Ҳаракатлар
стратегияси
тўғрисида
»
ги
, 2017
йил
29
ноябрдаги
ПФ
-5264-
сон
«
Ўзбекистон
Республикаси
Инновацион
ривожланиш
вазирлигини
ташкил
этиш
тўғриси
»
даги
Фармонлари
, 2013
йил
27
июндаги
ПҚ
-1989-
сон
«
Ўзбекистон
Республикаси
Миллий
ахборот
-
коммуникация
тизимини
янада
ривожлантириш
тўғрисида
»
ги
, 2014
йил
3
апрелдаги
ПҚ
-2158-
сон
«
Ахборот
-
коммуникацион
технологияларни
иқтисодиётнинг
реал
секторига
янада
жорий
қилиш
тўғрисида
»
ги
Қарорлари
ҳамда
мазкур
фаолиятга
тегишли
бошқа
меъёрий
-
ҳуқуқий
ҳужжатларда
белгиланган
вазифаларни
ушбу
диссертация
тадқиқоти
муайян
даражада
амалга
ошириш
учун
хизмат
қилади
.
Тадқиқотнинг
республика
фан
ва
технологиялари
ривожланиши
-
нинг
устувор
йўналишларига
мослиги
.
Мазкур
тадқиқот
республика
фан
ва
технологиялар
ривожланишининг
IV. «
Ахборотлаштириш
ва
ахборот
-
коммуникация
технологияларини
ривожлантириш
»
устувор
йўналиши
доирасида
бажарилган
.
Муаммонинг
ўрганилганлик
даражаси
.
Тимсолларни
аниқлаш
соҳасида
прецедентлар
асосида
таниб
олишга
оид
бир
қатор
илмий
изланишлар
олиб
борилган
бўлиб
,
жумладан
,
Ф
.
Розенблатнинг
дастлабки
таниб
олувчи
нейрон
тўрлар
модели
(
Розенблат
перцептрони
),
россиялик
олимлар
М
.
А
.
Айзерман
,
Э
.
М
.
Браверман
,
Л
.
И
.
Розоноэрларнинг
потенциал
функциялар
усули
,
В
.
Н
.
Вапник
,
А
.
Я
.
Червоненкиснинг
тимсолларни
аниқлашнинг
статистик
назарияси
,
Ю
.
И
.
Журавлевнинг
баҳоларни
ҳисоблаш
алгоритмлари
,
Вл
.
Д
.
Мазуровнинг
комитетлар
усули
,
Н
.
Г
.
Загоруйконинг
таксономия
ва
билимларни
таҳлил
қилиш
алгоритмлари
,
Г
.
С
.
Лбов
таниб
олиш
ва
боғлиқликларни
излашнинг
мантиқий
усуллари
ва
ш
.
к
.
йўналишлар
назарияси
ўрганилди
.
Баҳоларни
ҳисоблаш
алгоритмлари
С
.
В
.
Яблонскийнинг
қисмий
прецедентлик
тамойилига
асосланган
тест
алгоритми
ғоясига
таяниб
,
Ю
.
И
.
Журавлев
томонидан
ишлаб
чиқилган
ва
унинг
мактаби
олимлари
томонидан
такомиллаштириб
келинмоқда
.
Тимсолларни
аниқлашнинг
ушбу
йўналиш
-
даги
усул
ва
алгоритмлари
устида
мамлакатимиз
олимларидан
М
.
М
.
Камилов
,
Ш
.
Х
.
Фозилов
,
Ф
.
Т
.
Адилова
,
З
.
Т
.
Адилова
,
Н
.
А
.
Игнатьев
,
А
.
Х
.
Нишанов
,
Э
.
М
.
Алиев
,
Ш
.
Э
.
Туляганов
ва
бошқалар
салмоқли
ҳисса
қўшганлар
.
Норавшан
тўпламлар
назарияси
ўтган
асрнинг
60-
йилларида
америкалик
олим
Л
.
Заде
томонидан
асос
солинган
бўлиб
,
бу
йўналиш
инсон
фикрлашига
яқин
моделлаштириш
,
таснифлаш
ва
маълумотлар
таҳлили
каби
масалаларни
ҳал
этишда
лингвистик
термлар
орқали
табиий
тилда
баён
этилган
2
http://strategy.regulation.gov.uz/ru/document/2
7
ахборотлардан
фойдаланади
.
Норавшан
тўпламлар
назарияси
йўналиши
бўйича
ҳорижда
Л
.
Заде
,
А
.
Дюбуа
,
А
.
Прада
,
Е
.
Мамдани
,
М
.
Сугено
,
Т
.
Такахи
,
М
.
Джамшиди
,
Н
.
Н
.
Моисеев
,
С
.
А
.
Орловский
,
Э
.
Мушник
,
О
.
И
.
Ларичев
,
Г
.
С
.
Поспелов
,
Д
.
А
.
Поспелов
,
Р
.
А
.
Алиев
ва
бошқалар
.
ҳамда
Ўзбекистонда
интеллектуал
гибрид
тизимларни
,
саноатда
юмшоқ
ҳисоблаш
тизимларига
асосланган
,
ноаниқлик
шароитида
қарорлар
қабул
қилиш
,
норашан
тўпламлар
назарияси
,
норавшан
мантиқ
хулосалари
усулларини
ишлаб
чиқишда
Ф
.
Б
.
Абуталиев
,
Т
.
Ф
.
Бекмуратов
,
Д
.
Т
.
Мухамедиева
,
М
.
А
.
Рахматуллаев
,
Н
.
Р
.
Юсупбеков
,
Р
.
Н
.
Усманов
,
О
.
Ж
.
Бобомуродов
,
З
.
Б
.
Минглиқулов
ва
бошқаларнинг
илмий
ишларида
ўз
аксини
топган
.
Шунга
қарамасдан
,
норавшан
тўпламлар
назарияси
элементларидан
фойдаланадиган
баҳоларни
ҳисоблаш
алгоритмларини
ишлаб
чиқиш
муаммолари
етарли
даражада
ўрганилмаган
.
Тадқиқотнинг
диссертация
бажарилган
илмий
-
тадқиқот
муассасаси
-
нинг
илмий
-
тадқиқот
ишлари
режалари
билан
боғлиқлиги
.
Диссертация
тадқиқоти
Тошкент
ахборот
технологиялари
университети
ҳузуридаги
Ахборот
-
коммуникация
технологиялари
илмий
-
инновацион
маркази
илмий
-
тадқиқот
ишлари
режасининг
Ф
4-
ФА
-
Ф
004 «
Қисмий
прецедентликка
асосланган
информацион
-
таниб
олиш
тизимларининг
назарияси
ва
уларни
маълумотларни
интеллектуал
таҳлил
қилиш
учун
тадбиқ
этиш
усуллари
»
(2012-2016),
ФА
-
А
17-
Ф
006 «
Объект
ҳақидаги
ахборотни
ноаниқ
шароитда
маълумотларни
интеллектуал
таҳлил
қилиш
учун
мослашувчан
тимсолларни
таниб
олиш
тизими
алгоритмик
таъминоти
» (2012-2014)
ва
А
-5-004
«
Ўсимликларни
идентификациялаш
ахборот
-
таниб
олувчи
тизимининг
дастурий
-
алгоритмик
таъминотини
ишлаб
чиқиш
» (2014-2017)
мавзусидаги
лойиҳалари
доирасида
бажарилган
.
Тадқиқотнинг
мақсади
маълумотларни
интеллектуал
таҳлил
қилишда
норавшан
тўпламлар
назарияси
элементларидан
фойдаланилиб
модификация
-
ланган
баҳоларни
ҳисоблаш
алгоритмларини
ишлаб
чиқишдан
иборат
.
Тадқиқотнинг
вазифалари
:
баҳоларни
ҳисоблашга
асосланган
таниб
олиш
моделлари
параметрларининг
мақбул
қийматларини
топиш
усул
ва
процедураларини
ишлаб
чиқиш
;
норавшан
тўпламлар
билан
тавсифланадиган
белгилар
учун
тегишлилик
функцияларини
қуриш
ва
улар
ёрдамида
яқинлик
функцияси
қийматларини
топиш
алгоритми
босқичларини
такомиллаштириш
;
тимсолларни
аниқлаш
масалаларини
ечишда
норавшан
тўпламлар
назарияси
элементлари
қўлланиладиган
модификацияланган
баҳоларни
ҳисоблаш
алгоритмларини
ишлаб
чиқиш
;
таянч
тўпламлар
тизимини
шакллантириш
учун
синфлар
орасидаги
белгили
муносабатларни
аниқлаш
ёндашувини
ишлаб
чиқиш
;
ишлаб
чиқилган
усул
ва
алгоритмлар
асосида
таниб
олувчи
дастурий
мажмуа
ПРАСК
-2
ни
яратиш
.
Тадқиқотнинг
объекти
сифатида
маълумотларни
интеллектуал
таҳлил
қилиш
тизимлари
учун
баҳоларни
ҳисоблаш
алгоритмларини
такомиллаш
-
тириш
жараёнлари
қаралган
.
8
Тадқиқотнинг
предмети
баҳоларни
ҳисоблаш
алгоритмлари
,
норавшан
тўпламлар
назарияси
элементлари
,
таниб
олиш
алгоритмлари
моделлари
ва
тегишлилик
функцияларини
параметрлаштириш
усул
ва
алгоритмлари
ҳамда
тажрибавий
тадқиқотлар
ўтказиш
учун
дастурий
мажмуалардан
иборат
.
Тадқиқотнинг
усуллари
.
Тадқиқот
жараёнида
маълумотларни
интел
-
лектуал
таҳлил
қилиш
,
тимсолларни
аниқлаш
,
норавшан
тўпламлар
назарияси
,
математик
статистика
ва
моделлаштириш
ҳамда
объектга
йўналтирилган
дастурлаш
усулларидан
фойдаланилган
.
Тадқиқотининг
илмий
янгилиги
қуйидагилардан
иборат
:
баҳоларни
ҳисоблашга
асосланган
таниб
олиш
алгоритлари
моделларида
бўсағавий
параметрлар
ва
овоз
бериш
узунлигининг
мақбул
қийматларини
аниқлаш
усул
ва
процедуралари
ишлаб
чиқилган
;
генетик
алгоритм
ёрдамида
бўсағавий
параметрлар
ҳамда
тегишлилик
функциялари
параметрларининг
мақбул
қийматларини
аниқлаш
алгоритмлари
ишлаб
чиқилган
;
норавшан
тўпламлар
назарияси
элементлари
асосида
саккиз
босқичли
баҳоларни
ҳисоблаш
алгоритмларининг
модификацияланган
модели
ишлаб
чиқилган
;
қисмий
прецедентлик
тамойили
асосида
таянч
тўпламлар
тизимини
шакллантириш
учун
синфлар
орасидаги
белгили
муносабатларни
аниқлаш
ёндашуви
ишлаб
чиқилган
.
Тадқиқотнинг
амалий
натижалари
қуйидагилардан
иборат
:
модификацияланган
баҳоларни
ҳисоблаш
алгоритмлари
асосланган
«
Тимсолларни
аниқлаш
»,
ПРАСК
-2/2
М
, «Tulipa Recognition»
дастурий
мажмуалари
яратилган
;
таниб
олувчи
дастурий
мажмуаларнинг
турли
типли
белгилар
орқали
тавсифланадиган
объектларни
қиёслаш
учун
яқинлик
функцияси
,
тегишлилик
функциялари
ва
элементар
мантиқий
классификаторларга
асосланган
модуллари
такомиллаштирилган
.
Тадқиқот
натижаларининг
ишончлилиги
.
Тадқиқот
натижаларининг
ишончлилиги
услубий
жиҳатдан
масаланинг
математик
қўйилиши
ва
уни
ечиш
учун
қўлланилган
таниб
олиш
усул
ва
алгоритмларининг
қатъийлиги
,
ечилган
масалаларнинг
назарий
ва
амалий
натижаларининг
мувофиқлиги
,
тест
функцияси
натижалари
ҳамда
реал
амалий
соҳаларга
тадбиқи
натижаларини
солиштириш
мослиги
орқали
изоҳланади
.
Тадқиқот
натижаларининг
илмий
ва
амалий
аҳамияти
.
Тадқиқот
натижаларининг
илмий
аҳамияти
баҳоларни
ҳисоблаш
алгоритмларида
норавшан
тўпламлар
назарияси
элементларидан
фойдаланиш
ёндашувларини
ишлаб
чиқилиши
баробарида
маълумотларни
интеллектуал
таҳлил
қилиш
тизимларини
такомиллаштириш
билан
изоҳланади
.
Тадқиқот
натижаларнинг
амалий
аҳамияти
модификацияланган
қисмий
прецедентлик
алгоритмлари
асосида
ишлаб
чиқилган
таниб
олувчи
дастурий
мажмуа
тимсолларни
аниқлаш
масалаларини
янада
самарали
ҳал
этиш
мумкинлиги
билан
изоҳланади
.
9
Тадқиқот
натижаларининг
жорий
қилиниши
.
Норавшан
тўпламли
ўқув
ва
назорат
танланмаларда
таниб
олиш
масалаларини
ечиш
учун
ишлаб
чиқилган
усул
ва
алгоритмлар
ҳамда
таниб
олувчи
дастурий
мажмуалар
асосида
:
турли
типли
белгили
объектларни
қиёслаш
процедуралари
ва
модификацияланган
таниб
олиш
алгоритмларига
асосланган
ПРАСК
-2
таниб
олувчи
дастурий
мажмуаси
Жиззах
қишлоқ
ва
сув
хўжалиги
бошқармасида
жорий
қилинган
(
Ахборот
технологиялари
ва
коммуникацияларини
ривожлантириш
вазирлигининг
2017
йил
22
декабрдаги
33-8/8689-
сон
маълумотномаси
).
Натижада
экинлар
ва
экинзорларнинг
мувофиқлиги
ҳамда
ҳосилдорликни
башоратлашни
автоматлаштириш
орқали
кутилаётган
ҳосилдорликни
йилига
2-3%
га
ошириш
имконини
берган
;
ПРАСК
-2
М
таниб
олувчи
дастурий
мажмуаси
Самарқанд
вилоят
«
Компьютерлаштириш
маркази
»
давлат
унитар
корхонасида
ахборотларни
қайта
ишлаш
ва
башоратлаш
тизимида
хизмат
кўрсатиш
объектлари
фаолиятини
баҳолаш
,
таснифлаш
ва
башоратлаш
масалаларини
ҳал
этишга
жорий
қилинган
(
Ахборот
технологиялари
ва
коммуникацияларини
ривожлантириш
вазирлигининг
2017
йил
22
декабрдаги
33-8/8689-
сон
маълумотномаси
).
Илмий
тадқиқот
натижасида
ахборотларни
қайта
ишлаш
ва
башоратлаш
тизимида
хизмат
кўрсатиш
объектлари
фаолияти
мониторингини
20-30%
га
тезкор
ўтказиш
орқали
умумий
иш
фаолиятининг
коэффициентини
йилига
4-6%
га
ўсиш
имконини
берган
;
норавшан
тўпламлар
назарияси
элементлари
қўлланилган
модификация
-
ланган
баҳоларни
ҳисоблашнинг
алгоритмлари
,
ПРАСК
-2
М
мажмуаси
Самарқанд
вилоят
«
Компьютерлаштириш
маркази
»
давлат
унитар
корхонасига
жорий
қилинган
(
Ахборот
технологиялари
ва
коммуникация
-
ларини
ривожлантириш
вазирлигининг
2017
йил
22
декабрдаги
33-8/8689-
сон
маълумотномаси
).
Илмий
тадқиқот
натижасида
белгилар
фазосини
шакллантириш
,
ўқув
танланмаларни
ташкил
этиш
ва
назорат
объектларини
таснифлашни
самарали
амалга
ошириш
орқали
бир
ойда
умумий
вақт
сарфини
15-20%
га
тежаш
имконини
берган
.
Тадқиқот
натижаларининг
апробацияси
.
Мазкур
тадқиқот
натижалари
,
жумладан
9
та
халқаро
ва
21
та
республика
илмий
-
амалий
анжуманларида
муҳокамадан
ўтказилган
.
Тадқиқот
натижаларининг
эълон
қилинганлиги
.
Тадқиқот
мавзуси
бўйича
жами
51
та
илмий
ишлар
чоп
этилган
,
шулардан
Ўзбекист
o
н
Республикаси
O
лий
аттестация
к
o
миссиясининг
докторлик
диссертациялари
асосий
натижаларини
чоп
этиш
тавсия
этилган
илмий
нашрларда
10
та
мақолалар
, 3
таси
ҳорижий
ва
7
таси
республика
журналларида
нашр
қилинган
ҳамда
8
та
ЭҲМ
дастурлари
ва
маълумотлар
базаларини
қайд
қилиш
гувоҳномалари
олинган
.
Диссертациянинг
тузилиши
ва
ҳажми
.
Диссертация
кириш
,
тўртта
боб
,
хулоса
,
фойдаланилган
адабиётлар
рўйхати
ва
иловалардан
иборат
.
Диссертациянинг
ҳажми
118
бетни
ташкил
этган
.
10
ДИССЕРТАЦИЯНИНГ
АСОСИЙ
МАЗМУНИ
Кириш
қисмида
диссертация
мавзусининг
д
o
лзарблиги
ва
зарурияти
асосланган
,
тадқиқотнинг
Ўзбекист
o
н
Республикаси
фан
ва
технологиялари
тараққиётининг
устув
o
р
йўналишларига
м
o
слиги
кўрсатилган
,
тадқиқотнинг
мақсад
ва
вазифалари
белгилаб
олинган
ҳамда
тадқиқот
объекти
ва
предмети
аниқланган
, o
линган
натижаларнинг
ишончлилиги
асослаб
берилган
,
уларнинг
назарий
ва
амалий
аҳамияти
очиб
берилган
,
тадқиқот
натижаларини
амалда
жорий
қилиш
ҳолати
,
нашр
этилган
ишлар
ва
диссертация
тузилиши
бўйича
маълумотлар
келтирилган
.
Диссертациянинг
“
Объектлар
ҳақидаги
ахборотларнинг
ноаниқлиги
шароитида
маълумотларни
интеллектуал
таҳлиллаш
ёндашувлари
”
деб
номланган
биринчи
бобида
объектлар
ҳақидаги
ахборотларнинг
миқдорий
ва
сифатий
кўринишлари
ҳамда
маълумотларни
интеллектуал
таҳлил
қилиш
ва
тимсолларни
аниқлашнинг
усулларининг
замонавий
ҳолатлари
аналитик
таҳлили
келтирилган
.
Биринчи
параграфида
реал
соҳа
объектларини
белгили
тавсифлаш
муаммолари
,
объектлар
ҳақидаги
ахборотларнинг
турли
типлилик
ва
норавшанлик
шароитидаги
муаммолар
муҳокама
этилган
.
Иккинчи
параграфда
маълумотларни
интеллектуал
таҳлил
қилиш
ва
тимсолларни
аниқлашнинг
замонавий
усул
ва
алгоритмлари
таҳлил
қилинган
.
Тимсолларни
аниқлашда
прецедентлик
ва
қисмий
прецедентлик
тамойиллари
ва
уларга
асосланган
усул
ва
алгоритмлар
таҳлилига
алоҳида
эътибор
қаратилган
.
Учинчи
параграфда
баҳоларни
ҳисоблаш
алгоритмлари
(
БҲА
)
нинг
ҳар
бир
босқичидаги
параметрлар
таҳлили
ҳамда
ушбу
алгоритмларни
ўқитиш
масалалари
келтирилган
.
Икки
ва
объектларнинг
-
белгиси
бўйича
∈
ва
∈
,
= 1,
,
= 1,
,
элементларини
қиёслаш
учун
( ,
)
элементар
мантиқий
классификатор
киритилади
.
БҲАнинг
иккинчи
босқичида
ва
объектлар
-
нинг
-
қисми
(
белгиларнинг
k
та
танланмаси
)
бўйича
яқинлик
функцияси
қуйидаги
кўринишда
ифодаланади
:
,
= 1, агар
( ,
) ≤
0, бош
қ
а
ҳ
олатларда.
(1)
Бу
ерда
,
–
ва
объектларининг
-
қисми
,
1 < <
.
Тўртинчи
параграфда
тимсолларни
аниқлаш
масалаларини
ечиш
босқичларида
норавшан
тўпламлар
назариясининг
ўрни
ва
аҳамияти
ҳақида
қисқача
тавсифлар
келтирилган
.
Унда
объектлар
белгиларининг
норавшан
тўпламлар
орқали
ифодаланиши
,
уларни
қиёслаш
учун
тегишлилик
функцияларининг
турлари
келтирилган
.
Ўқув
танланма
объектларининг
-
норавшан
белгиси
B
,
C
, …
норавшан
тўпламлари
тегишлилик
функциялари
қуйидаги
кўринишда
ифодаланади
:
11
=
( )
, =
( )
, …
∗
( ) ∈ 0, 1 .
(2)
Бу
ерда
,
( )
,
( )
, ... –
элементнинг
берилган
норавшан
тўпламга
тегишлилигини
аниқловчи
тегишлилик
функциялари
.
БҲАда
таниб
олиш
масаласини
ҳал
қилиш
учун
{ }
алгоритмлар
тўплами
ва
( )
сифат
функционали
қуйидаги
ифодаланади
:
( ) = ( ( ),
( ), … ,
( ))
,
( ) ∈ {0,1, ∆}
,
= 1,2, … ,
. (3)
Тимсолларни
аниқлашнинг
стандарт
функционал
сифати
( ) =
1
|
−
|.
Бешинчи
параграфда
дастлабки
параграфларда
келтирилган
таҳлилий
натижалар
асосида
масаланинг
қўйилиши
шакллантирилди
.
Унда
{ }
алгоритмлар
тўпламидан
шундай
∗
алгоритмни
топиш
талаб
этиладики
,
унинг
сифат
функционали
энг
юқори
қийматга
эга
бўлсин
:
(
∗
) = sup
∈{ }
( )
Буни
амалга
ошириш
учун
турли
типли
белгиларни
қиёслаш
учун
( ,
)
элементар
мантиқий
классификаторларни
шакллантириш
,
норавшан
тўпламлар
учун
тегишлилик
функцияларини
қуриш
,
модификацион
БҲАни
ишлаб
чиқиш
ва
унинг
моделларини
қиёслаш
каби
вазифалар
шакллантирилган
.
Диссертациянинг
“
Қисмий
прецедентлик
тамойилига
асосланган
таниб
олиш
алгоритмларида
параметрлаштириш
”
номли
иккинчи
бобида
қисмий
прецедентликка
асосланган
таниб
олиш
алгоритмлари
параметрлари
ва
уларнинг
мақбул
қийматларини
аниқлаш
усул
ва
алгоритмлари
келтирилган
.
Бобнинг
биринчи
параграфда
,
, , , , ( ), , , ,
алгоритмлар
,
уларнинг
боғлиқлиги
,
таниб
олишдаги
ўрни
ҳамда
умумий
схемаси
келтирилган
.
Бундан
ташқари
,
БҲА
параметрларидан
босқичма
-
босқич
фойдаланиш
ҳамда
уларни
қийматларини
аниқлаш
алгоритмлари
таклиф
этилган
.
БҲА
параметрларнинг
мақбул
қийматларини
аниқлаш
жараёнида
“
кам
параметрли
”, “
ўрта
параметрли
”
ва
“
кўп
параметрли
”
моделлар
аниқланган
.
Иккинчи
параграфда
объектлар
турли
типли
белгилари
қийматларини
қиёслаш
учун
элементар
мантиқий
классификаторлар
(
ЭМК
)
келтирилади
:
a)
агар
объект
белгиси
икки
қийматни
(
яъни
бинар
)
қабул
қилса
,
у
ҳолда
:
,
=
1, агар
=
бўлса,
0, акс
ҳ
олда;
(4)
b)
агар
белги
миқдорий
бўлиб
,
дискрет
ва
узлуксиз
қийматлардан
иборат
бўлса
,
унда
қиёслаш
функцияси
қуйидаги
бўлади
:
,
=
1, агар |
−
| ≤ бўлса,
0, акс
ҳ
олда.
(5)
Бу
ерда
– -
миқдорий
белги
учун
ўрнатилган
бўсаға
қиймати
;
c)
агар
белги
тартибланган
тўпламдан
иборат
бўлса
,
унда
∈
қисм
тўплам
элементлари
қуйидагича
қиёсланади
:
12
,
=
1, агар
∈
,
∈
бўлса,
0, акс
ҳ
олда;
(6)
d)
агар
белги
норавшан
қийматлар
,
яъни
,
, … ,
норавшан
тўпламлар
орқали
ифодалан
бўлса
,
унда
қиёслаш
функцияси
, = 1,
тегишлилик
функциянинг
натижасига
асосан
аниқланади
:
,
=
1, агар
∗
=
∗
бўлса,
0, акс
ҳ
олда.
(7)
Бу
ерда
∗
= max
,
,
∗
= max
,
.
Икки
норавшан
белгилар
қийматларининг
ўзаро
яқинлиги
уларнинг
энг
катта
қиймат
олувчи
терм
-
тўпламларининг
тенглиги
билан
характерланади
.
Учинчи
параграфда
берк
тестларни
аниқлаш
усули
таҳлил
қилиниб
,
Ω
таянч
тўпламлар
тизимини
аниқлаш
алгоритми
ишлаб
чиқилган
.
Унда
таянч
тўпламлар
тизимини
тўлиқ
перебор
ва
белгиларнинг
информативлик
даражаларига
нисбатан
аниқлаш
босқичлари
келтирилади
.
БҲАнинг
алгоритми
бўйича
аниқланган
барча
Ω
таянч
тўпламлар
тизимидан
шундай
Ω
аниқланадики
,
Ω
→
бўлади
.
Бу
ерда
–
овоз
бериш
узунлиги
.
Тўртинчи
параграфда
(5)
кўринишдаги
формула
бўйича
миқдорий
белгиларни
қиёслаш
учун
фойдаланилагдиган
-
бўсағавий
қийматларни
ҳисоблаш
усуллари
ишлаб
чиқилган
.
Диссертацияда
-
бўсағалар
қийматларини
ҳисобловчи
minmax,
математик
кутилма
,
оралиқ
,
БҲА
,
эволюцион
алгоритмларга
асосланган
усуллар
келтирилган
.
Шунингдек
,
диссертация
ишида
берилган
танланмада
ушбу
усулларнинг
энг
мақбулини
танлаш
алгоритми
батафсил
баён
этилган
.
Бешинчи
параграфда
-
бўсағалар
қийматларини
аниқлаш
учун
генетик
алгоритмдан
(
ГА
)
фойдаланиш
алгоритми
келтирилган
.
Бу
алгоритмда
-
бўсағаларнинг
ГА
операторлари
воситасида
генерацияланган
тасодифий
қийматлари
мақсад
функцияси
БҲА
ёрдамида
текширилади
ва
созлаб
борилади
.
Бу
ерда
тасодифий
миқдорлар
бўйича
аниқланган
сифат
функционалларидан
энг
мақбул
∗
ни
аниқлаш
талаб
этилади
:
∗
= max
Г
,
,
.
(8)
Бу
ерда
Г
–
БҲАда
объектни
синфга
берган
овози
,
,
–
эса
-
белги
учун
қийматларини
ГА
воситасида
аниқлаш
функцияси
.
Диссертациянинг
“
Норавшан
тўпламлар
назарияси
асосида
баҳоларни
ҳисоблаш
алгоритмларини
ишлаб
чиқиш
”
номли
учинчи
бобида
БҲАда
норавшан
тўпламлар
назарияси
элементларини
қўллаш
асосида
унинг
саккиз
босқичли
модификацияси
ҳамда
синфлар
орасидаги
белгили
муносабатларни
аниқлаш
ёндашуви
ишлаб
чиқилган
.
Биринчи
параграфда
норавшан
тўпламлар
,
лингвистик
термлар
,
тегишлилик
функциялари
кўринишлари
келтирилган
.
Тегишлилик
функцияларини
қуришда
фаззификация
ва
дефазификация
баъзи
усуллари
тадбиқ
этилган
.
13
Иккинчи
параграфда
норавшан
тўпламлар
назарияси
элементлари
қўлланилган
БҲАнинг
саккиз
босқичли
модификацион
версияси
ишлаб
чиқилган
:
1.
Норавшан
тўпламлар
учун
тегишлилик
функцияларини
қуриш
.
Дастлабки
босқичда
ианланган
норавшан
белгининг
норавшан
тўпламлари
устида
фаззификация
ва
дефаззификация
амаллари
бажарилади
:
Фаззификациялаш
жараёнида
ҳар
бир
норавшан
тўплам
учун
тегишлилик
функцияси
қурилади
,
масалан
,
қуйидаги
кўринишдаги
қўнғироқсимон
тегишлилик
функциясини
танлаш
мумкин
:
; ,
=
1
1 +
−
. (9)
Бу
ерда
ва
параметрлар
.
Дефаззификациялаш
жараёнида
ҳар
бир
норавшан
белги
учун
тегишлилик
функциялари
ёрдамида
норавшан
сонни
ягона
сонга
ўтказилади
.
Дефаззификация
усулларидан
бири
сифатида
оғирлик
маркази
усули
келтирилган
:
=
( )∙
( )
(10)
2.
Норавшан
белгиларни
қиёслашда
норавшан
бўсағавий
параметрларни
аниқлаш
.
Бу
босқичда
тегишлилик
функцияларида
бериладиган
параметрларнинг
мақбул
қийматлари
аниқланади
.
Диссертация
ишида
(9)
да
келтирилган
ва
параметрларнинг
мақбул
қийматлари
генетик
алгоритм
(8)
ёрдамида
топиш
алгоритми
келтирилган
.
3.
Таъянч
тўпламлар
тизими
.
Бу
босқичда
{X , X , … X }
белгилар
тўпламидан
мавжуд
бўлган
барча
қисм
тўпламларни
аниқланади
.
Барча
Ω
қисм
тўпламлардан
А
алгоритм
орқали
аниқланган
Ω ⊆ Ω
таянч
тўпламлар
тизимни
аниқлаш
талаб
этилади
.
Ҳар
бир
Ω
таянч
қисм
тўпламда
қандайдир
(
= 1,2, … , − 1
)
та
белги
иштирок
этади
.
Улар
0
ёки
1
қиймат
қабул
қилувчи
= ( ,
, … ,
)
вектор
орқали
шакллантирилади
.
Агар
= 1
бўлса
, -
белгининг
танланган
,
акс
ҳолда
танланмаганлигини
билдиради
.
4.
Яқинлик
функцияси
.
ва
қаторларнинг
-
қисми
(
Ω ⟺
)
учун
(
,
)
яқинлик
функциясининг
қиймати
аниқланади
.
Яқинлик
функциясининг
қиймати
(4)-(7)
да
ифодаланган
элементар
мантиқий
классификаторлар
ёрдамида
аниқланади
.
5.
Фиксирланган
таянч
тўплам
қаторлари
бўйича
баҳоларни
ҳисоблаш
.
Бу
босқичда
фиксирланган
таянч
тўпламнинг
,
(
= 1,2, … ,
)
қаторлар
бўйича
Г
баҳолари
ҳисобланади
:
Г
,
=
( ) ( )
,
( )
,
( )
–
объект
учун
ташқи
параметрлар
.
Параметрлар
қийматлари
маълум
бўлмаса
,
унда
Г
,
=
,
бўлади
.
14
6.
Фиксирланган
таянч
тўплам
бўйича
синф
учун
баҳоларини
ҳисоблаш
.
-
қисми
бўйича
синфга
берилган
баҳони
ҳисоблаш
учун
қуйидаги
формуладан
фойдаланилади
:
Г ( ) =
Г ,
, Г ,
, … , Г
,
∈
,
= 1,
,
−
(
= 1,
)
синфдаги
объектлар
сони
.
Масалан
,
синф
объектлари
учун
баҳоларни
ҳисоблаш
қуйидаги
кўринишда
бўлади
:
Г ( ) =
Г ,
.
7.
Таянч
тўпламлар
тизимлари
бўйича
синфнинг
баҳоси
.
Барча
таянч
тўпламлар
тизими
бўйича
объектнинг
синфга
берган
овозларининг
жамланмаси
қуйидагича
ҳисобланади
:
a)
Г ( ) =
Г ( )
∈
;
б
)
баҳолар
нормаллаштирилганда
Г ( ) =
Г ( )
∈
;
в
)
муҳимлик
даражаси
аниқланганда
Г ( ) = ( )
Г ( )
∈
.
8.
А
алгоритм
учун
ҳал
қилувчи
қоида
.
Таянч
тўпламлар
тизимлари
бўйича
ҳисобланган
Г ( )
(
= 1,2, … ,
)
овозлар
орқали
объектни
қайси
синфга
тегишлилиги
Г ( ), Г ( ), … , Г ( ) =
,
1 ≤ ≤
функция
орқали
қуйидагича
аниқланади
:
а
)
Г ( ), Г ( ), … , Г ( ) =
, агар Г ( ) − Г ( ) ≥
0,
қ
олган барча
ҳ
олатларда
б
)
Г ( ), Г ( ), … , Г ( ) =
, агар,
1 Г ( ) − Г ( ) ≥
2
Г ( )
∑
Г ( )
≥
0, 1 ёки 2 шартлардан бири бажарилмаса.
Бу
ерда
,
ва
катталиклар
объектларни
синфларга
тегишлиликни
чегараловчи
бўсағавий
ўзгармас
қийматлардир
.
Учинчи
параграфда
тегишлилик
функцияларини
қуришда
уларнинг
параметрларини
созлаш
учун
генетик
алгоритмдан
фойдаланилган
.
Унда
генетик
алгоритмнинг
барча
босқичлари
,
чатиштириш
,
мутация
,
популяцияни
генерациялаш
операторлари
ҳамда
мақсад
функцияси
ҳақида
батафсил
ёритилган
.
Мувофиқлик
функцияси
сифатида
БҲА
олинган
.
Тўртинчи
параграфда
БҲА
ёрдамида
синфлар
орасидаги
белгили
муносабатларни
аниқлаш
процедураси
ишлаб
чиқилган
.
ва
с
(
, = 1,2, …
,
≠
,
> 2
)
синфларни
ажратишга
етарли
бўладиган
,
энг
кам
сонли
белгиларнинг
қисм
тўпламини
тақдим
этадиган
ушбу
синф
жуфтликлари
орасидаги
( , )
муносабатлар
аниқланади
.
Бундан
ва
с
синф
объектларини
қиёслаш
учун
информатив
бўлган
белгиларни
аниқлаш
масаласини
ҳал
этиш
талаб
этилади
.
( , )
муносабат
учун
=
15
,
, … ,
вектор
аниқланади
ва
у
орқали
муносабат
учун
информатив
,
резерв
ва
информатив
бўлмаган
белгиларнинг
мавжуд
ёки
мавжуд
эмаслиги
аниқланади
.
Агар
1 ≥
> ℎ
бўлса
,
белги
информатив
,
агар
ℎ ≥
> ℎ
бўлса
,
белги
резерв
,
ℎ ≥
≥ 0
бўлганда
эса
,
−
белги
информатив
эмас
ҳисобланади
.
Бу
ерда
ℎ
ℎ
(
ℎ > ℎ
)
чегаравий
қийматлар
.
Агар
синфлар
орасидаги
( , ) =
,
= 1,2, … − 1
,
= + 1,
белгили
муносабатларда
∩
= ∅
,
,
≠ ∅
,
≥ 1
,
≥ 2
шартлар
қаноатлантирилса
қуйидаги
тасдиқлар
ўринли
бўлади
.
Тасдиқ
1
.
ва
синфлар
орасидаги
белгили
муносабатларнинг
(
∈
)
сони
1
дан
гача
оралиқда
ўзгаради
.
Тасдиқ
2
.
∀ ( ,
) ≠ ∅
.
Тасдиқ
3
.
Агар
∀
∈ { }
белги
(
= 1,2, … − 1
,
= + 1,
)
муносабатларда
камида
бир
марта
иштирок
этса
,
у
ҳолда
,
∪
,
∪ …
∪
,
=
бўлади
.
Агар
синф
жуфтликлари
объектларини
бир
ёки
бир
нечта
информатив
ёки
резерв
белгилар
орқали
таснифлаш
мумкин
мумкин
бўлса
,
унда
қуйидаги
теорема
ўринли
бўлади
.
Теорема
1
.
Агар
∈
,
≠ ∅
бўлса
,
у
ҳолда
∉
⟺ ( ,
) ≠ ∅
бўлади
.
Теорема
ва
тасдиқларнинг
исботи
диссертацияда
баён
этилган
.
Ишда
“
информатив
”, “
резерв
”
ва
“
ноинформатив
”
тушунчалари
терм
-
тўпламлар
сифатида
қаралган
ва
уларга
мос
тегишлилик
функциялари
қурилади
.
Ишлаб
чиқилган
ушбу
ёндашув
асосида
ўсимликларнинг
“
Tulipa
L.”
туркуми
намуналарини
морфологик
белгилари
бўйича
таснифлаш
масаласи
ҳал
этилди
.
Масалан
,
ва
синфлари
мисолида
қуйидаги
натижалар
олинди
:
= { ,
,
,
,
}
-
информатив
белгили
муносабат
;
= { ,
,
,
,
,
,
,
,
,
}
-
информатив
ва
резерв
белгили
муносабат
.
Диссертациянинг
“
ПРАСК
-2M
таниб
олувчи
дастурий
мажмуасининг
ишлаб
чиқилиши
ва
тажрибавий
тадқиқотлар
ўтказиш
”
деб
номланган
тўртинчи
боби
модификацияланган
БҲА
асосида
таниб
олувчи
дастурий
мажмуаларни
яратиш
,
уларни
синовдан
ўтказиш
ҳамда
амалий
масалаларга
жорий
қилишга
бағишланган
.
Биринчи
параграфида
ПРАСК
-2
ва
ПРАСК
-2M
мажмуалари
,
уларнинг
функционал
схемаси
,
блоклари
,
модуллари
,
график
интерфейси
ва
маълумотлар
базалари
ҳақида
маълумотлар
келтирилган
.
1-
расмда
ПРАСК
-2
мажмуасининг
танланмалар
ҳақидаги
ахборотларни
акс
эттирувчи
ойнаси
келтирилган
:
16
1-
расм
.
ПРАСК
-2
да
танланмалар
ҳақидаги
ахборотни
акс
эттириш
Иккинчи
параграфда
ПРАСК
-2
ва
ПРАСК
-2
М
мажмуаларида
моделли
масалалар
устида
олиб
борилган
тажрибавий
тадқиқотлар
натижалари
келтирилган
.
Модел
масалаларда
ўтказилган
синов
натижалари
қуйидагича
:
Iris
масаласида
– 98 % (150
та
объектдан
147
та
объект
); Wine
масаласида
–
95,5% (178
та
объектдан
170
та
объект
; “Glass”
масаласида
– 85,04% (214
та
объектдан
182
та
объект
).
Учинчи
параграфда
таълим
соҳасида
тимсолларни
аниқлаш
усулларини
қўлланилишига
оид
амалий
масала
ҳал
этилган
.
Билим
олувчиларни
ўзлаштириш
кўрсаткичлари
ва
компетентлик
даражасини
ривожлантириш
мақсадида
,
уларни
махсус
фан
соҳалари
бўйича
таснифлаш
ва
мақсадли
йўналтириш
масаласи
БҲА
ёрдамида
ҳал
этилган
.
Тўртинчи
параграфда
ПРАСК
-2
Мда
ўсимликларнинг
бир
туркуми
“
Tulipa
L.” (
лола
)
гербарийлар
намуналарини
идентификациялаш
ва
таснифлаш
масалаларини
ҳал
этиш
босқичлари
келтирилган
.
Яратилган
“DBTulipa”
маълумотлар
базасидан
дастлабки
80 × 16
ўлчамли
ўқув
танланма
жадвали
шакллантирилди
.
Бу
жадвал
16
та
белги
орқали
тавсифланган
80
та
объектдан
иборат
бўлиб
, 4
та
синфга
ажратилган
.
Объектларни
ўқув
танланмага
киритиш
формуласи
қуйида
кўринишда
ифодаланган
:
( ) =
1, агар
1
( )
Г
>
− 1
− ( )
Г
+
∈
,
0, акс
ҳ
олда.
Бу
ерда
–
ўзгармас
миқдор
.
Танланмада
келтирилган
16
та
белгидан
5
таси
норавшан
белги
ҳисобланиб
,
ишда
уларда
фойдаланилган
сўзлар
ва
жумлалар
норавшан
тўпламлар
сифатида
тадқиқ
этилган
.
Намуна
сифатида
“
Барг
четининг
17
тўлқинланиши
”
норавшан
белгиси
келтирилади
.
Мутахассислар
ёрдамида
– “
тўлқинланмаган
”,
– “
кам
тўлқинланган
”,
– “
тўлқинланган
”
ва
–
“
кўп
тўлқинланган
”
терм
-
тўпламлар
аниқланди
ва
уларнинг
муҳокама
соҳаси
0
дан
12
гача
шартли
бирлик
бўйича
шкалалаштирилди
.
Ушбу
норавшан
тўпламларнинг
тегишлилик
функциялари
2-
расмда
келтирилган
:
2-
расм
.
Терм
-
тўпламларнинг
тегишлилик
функциялари
Бешинчи
параграфда
ПРАСК
-2
М
мажмуасида
шахсни
қулоқ
чаноғи
маълумотлари
асосида
шакллантирилган
бир
нечта
ўқув
танланмаларнинг
сифатини
аниқлаш
масаласи
ҳал
этилди
. “SHQTT”
маълумотлар
базасига
“Ellips”, “Aylana”
ва
“To’g’ri to’rtburchak”
алгоритмлари
ёрдамида
ажратилган
= 48
,
= 72
,
= 84
,
= 96
ва
= 120
белгили
15
та
ўқув
танланмалар
малумотлари
сақланади
.
Улардан
сифатли
ва
кам
харажатли
ўқув
танланмани
топиш
талаб
этилади
.
Тажрибавий
тадқиқот
натижасига
кўра
ўқитиш
сифати
96,95%
ва
энг
кам
вақт
сарфланган
, “Ellips”
алгоритми
орқали
аниқланган
=
72
белгили
ўқув
танланма
ажратиб
олинди
.
ХУЛОСА
“
Норавшан
тўпламлар
назарияси
элементларига
асосланган
баҳоларни
ҳисобловчи
таниб
олиш
алгоритмлари
”
мавзусидаги
диссертация
бўйича
олиб
борилган
тадқиқотлар
натижасида
қуйидаги
хулосалар
тақдим
этилди
:
1.
Норавшан
тўпламлар
назарияси
элементларидан
фойдаланиладиган
маълумотларни
интеллектуал
таҳлил
қилиш
ва
тимсолларни
аниқлаш
усул
ва
алгоритмларининг
такомиллаштирилиши
турли
типли
белгилар
орқали
тавсифланадиган
объектларни
қиёслаш
сифатини
оширишга
имкон
беради
.
2.
БҲА
параметрлари
,
жумладан
,
таянч
тўпламлар
тизимида
овоз
бериш
узунлиги
,
бўсағавий
қийматлар
,
муҳимлик
даражалари
кабиларнинг
мақбул
қийматларини
аниқлаш
усул
ва
алгоритмлари
ишлаб
чиқилди
.
Ишлаб
чиқилган
усул
ва
алгоритмлар
воситасида
олинган
БҲА
параметрларининг
мақбул
қийматлари
унинг
самарали
тимсолларни
аниқлаш
алгоритмини
аниқлашга
хизмат
қилади
.
3.
Бўсағавий
параметрларнинг
мақбул
қийматларини
аниқлашда
генетик
алгоритм
усулидан
фойдаланиладиган
алгоритм
ишлаб
чиқилди
.
Ишлаб
чиқилган
алгоритм
параметрлар
мақбул
қийматларининг
кўп
вариантли
ечимларини
топиш
орқали
объектларни
таснифлашга
кетадиган
вақт
сарфини
15-20%
га
тежаш
имконини
беради
.
18
4.
Белгиларининг
қийматлари
миқдорий
ва
сифатий
кўринишда
тавсифланадиган
объектларни
қиёслаш
учун
элементар
мантиқий
классификаторлар
ишлаб
чиқилди
ва
такомиллаштирилди
.
Норавшан
белгиларни
қиёсловчи
элементар
мантиқий
классификатор
учун
тегишлилик
функцияларини
қуриш
ва
уларнинг
параметрларини
генетик
алгоритм
ёрдамида
созлаш
алгоритмлари
ишлаб
чиқилди
.
Ишлаб
чиқилган
алгоритмлар
норавшан
белгининг
терм
-
тўпламларини
қиёслаш
сифатини
оширишга
имкон
беради
.
5.
БҲАнинг
норавшан
тўпламлар
назариясидан
фойдаланиладиган
саккиз
босқичли
модификацияси
ишлаб
чиқилди
.
БҲАнинг
ушбу
модификацияси
объектларнинг
синфларга
берадиган
Г ( )
баҳоларини
ҳисоблаш
аниқлиги
ва
ишончлилигини
1,3
марта
оширишга
хизмат
қилади
.
6.
Ишлаб
чиқилган
усул
ва
алгоритмлар
асосида
таниб
олувчи
дастурий
мажмуалар
(
ПРАСК
-2,
ПРАСК
-2
М
, “Tulipa Recognition”
ва
ҳ
.
к
.)
яратилди
ва
синовдан
ўтказилди
.
Яратилган
дастурлар
турли
амалий
соҳаларда
маълумотларни
интеллектуал
таҳлил
қилиш
,
тимсолларни
аниқлаш
масалаларини
ечишга
хизмат
қилади
.
7.
Яратилган
таниб
олувчи
дастурий
мажмуалар
Жиззах
вилояти
қишлоқ
ва
сув
хўжалиги
бошқармасида
экинлар
ва
экинзорларнинг
мувофиқлигини
аниқлаш
ва
ҳосилдорликни
башоратлаш
масалаларини
ҳал
этишга
,
Самарқанд
вилоят
“
Компьютерлаштириш
маркази
”
давлат
унитар
корхонасида
ахборотларни
қайта
ишлаш
ва
башоратлаш
тизимларида
хизмат
кўрсатиш
объектлари
фаолиятини
баҳолаш
,
таснифлаш
ва
башоратлаш
масалаларини
ҳал
этишга
,
ЎзРФА
Ботаника
институтида
“
Tulipa
L.”
туркуми
гербарий
намуналари
идентификация
қилиш
ва
таснифлаш
масалаларини
ҳал
этишга
жорий
қилинган
.
19
НАУЧНЫЙ
СОВЕТ
DSc.27.06.2017.
Т
.07.01
ПО
ПРИСУЖДЕНИЮ
УЧЕНЫХ
СТЕПЕНЕЙ
ПРИ
ТАШКЕНТСКОМ
УНИВЕРСИТЕТЕ
ИНФОРМАЦИОННЫХ
ТЕХНОЛОГИЙ
НАУЧНО
-
ИННОВАЦИОННЫЙ
ЦЕНТР
ИНФОРМАЦИОННО
-
КОММУНИКАЦИОННЫХ
ТЕХНОЛОГИЙ
ПРИ
ТАШКЕНТСКОМ
УНИВЕРСИТЕТЕ
ИНФОРМАЦИОННЫХ
ТЕХНОЛОГИЙ
ХАМРОЕВ
АЛИШЕР
ШОДМОНКУЛОВИЧ
РАСПОЗНАЮЩИЕ
АЛГОРИТМЫ
ВЫЧИСЛЕНИЯ
ОЦЕНОК
НА
БАЗЕ
ЭЛЕМЕНТОВ
ТЕОРИИ
НЕЧЕТКИХ
МНОЖЕСТВ
05.01.03 –
Теоретические
основы
информатики
АВТОРЕФЕРАТ
ДИССЕРТАЦИИ
ДОКТОРА
ФИЛОСОФИИ
(PhD)
ПО
ТЕХНИЧЕСКИМ
НАУКАМ
Ташкент
– 2018
20
Тема
диссертации
доктора
философии
(PhD)
по
техническим
наукам
зарегистрирована
в
Высшей
аттестационной
комиссии
при
Кабинете
Министров
Республики
Узбекистан
за
№
B2017.1.PhD/T47.
Диссертация
выполнена
в
Научно
-
инновационном
центре
информационных
-
коммуникационных
технологий
при
Ташкентском
университете
информационных
технологий
.
Автореферат
диссертации
на
трех
языках
(
узбекский
,
русский
,
английский
(
резюме
))
размещен
на
веб
-
странице
научного
совета
(www.tuit.uz)
и
на
Информационно
-
образовательном
портале
«ZiyoNet» (www.ziyonet.uz).
Научный
руководитель
:
Камилов
Мирзаян
Мирзаахмедович
доктор
технических
наук
,
профессор
,
академик
Официальные
оппоненты
:
Игамбердиев
Хусан
Закирович
доктор
технических
наук
,
профессор
,
академик
Мухамедиева
Дилноз
Тулкуновна
доктор
технических
наук
,
профессор
Ведущая
организация
:
Самаркандский
государственный
университет
Защита
диссертации
состоится
«___» _________ 2018
г
.
в
_____
часов
на
заседании
научного
совета
DSc.27.06.2017.
Т
.07.01
при
Ташкентском
университете
информационных
технологий
.
(
Адрес
: 100202,
г
.
Ташкент
,
ул
.
Амира
Темура
, 108.
Тел
.: (99871) 238-64-43;
факс
: (99871) 238-65-52;
e-mail:
tuit@tuit.uz).
С
диссертацией
можно
ознакомиться
в
Информационно
-
ресурсном
центре
Ташкентского
университета
информационных
технологий
(
регистрационный
номер
№
______). (
Адрес
: 100202,
г
.
Ташкент
,
ул
.
Амира
Темура
, 108.
Тел
.: (99871) 238-65-44).
Автореферат
диссертации
разослан
«____ » __________ 2018
года
.
(
протокол
рассылки
№
_______
от
«____» __________ 2018
г
.).
Р
.
Х
.
Хамдамов
Председатель
научного
совета
по
присуждению
учёных
степеней
,
д
.
т
.
н
.,
профессор
Ф
.
М
.
Нуралиев
Ученый
секретарь
научного
совета
по
присуждению
учёных
степеней
,
д
.
т
.
н
.
Н
.
Равшанов
Председатель
научного
семинара
при
Научном
совете
по
присуждению
учёных
степеней
,
д
.
т
.
н
.
21
Введение
(
аннотация
диссертации
доктора
философии
(PhD))
Актуальность
и
востребованность
темы
диссертации
.
В
мире
в
связи
с
резким
ростом
объема
данных
об
объектах
,
процессах
и
явлениях
различных
областей
человеческой
деятельности
особое
внимание
уделяется
разработке
и
усовершенствованию
методов
интеллектуального
анализа
этих
данных
.
Разработанные
методы
и
алгоритмы
,
основанные
на
теории
нечетких
множеств
,
в
интеллектуальных
системах
и
распознающих
программных
комплексах
используются
в
технологических
средствах
«
Роботы
среди
людей
–
уже
привычная
ситуация
.
Проведённое
в
2017
году
Международной
федерацией
роботехники
исследование
показало
,
что
в
2016
году
во
всем
мире
трудились
около
1,5
миллиона
роботов
,
а
к
концу
2017
года
их
количество
увеличится
до
1,9
миллионов
»
1
.
В
этом
отношении
,
важное
значение
имеют
проводимые
в
развитых
зарубежных
странах
мира
,
в
частности
,
в
США
,
Японии
,
Германии
,
Великобритании
,
России
,
Азербайджане
,
а
также
в
Узбекистане
,
исследования
в
области
внедрения
теории
нечетких
множеств
на
практику
.
В
мировой
практике
в
таких
базирующихся
на
человеческий
разум
направлениях
,
как
интеллектуальный
анализ
данных
и
распознавание
образов
,
проводятся
целевые
научные
исследования
по
разработке
и
совершенствованию
современных
методов
с
«
естественным
»
подходом
,
основанным
на
теории
нечетких
множеств
.
В
этой
связи
,
особое
внимание
уделяется
научным
исследованиям
в
области
разработки
и
усовершенствования
эвристических
алгоритмов
,
основанных
на
принципе
частичной
прецедентности
распознавания
образов
,
а
также
методов
распознавания
образов
с
использованием
элементов
теории
нечетких
множеств
.
На
сегодняшний
день
в
нашей
республике
для
развития
информационно
-
коммуникационных
технологий
особое
внимание
уделяется
разработке
программного
обеспечения
,
обработке
и
хранению
данных
,
обеспечению
их
безопасности
,
а
также
созданию
и
практическому
внедрению
центров
сбора
данных
(Data Centre).
В
этой
сфере
,
в
частности
для
хранения
,
цифровой
обработки
и
интеллектуального
анализа
больших
объемов
данных
(
изображения
,
сигналы
,
звук
и
видео
)
разрабатываются
программные
продукты
.
Вместе
с
тем
,
требуется
разработать
модифицированные
алгоритмы
распознавания
образов
и
усовершенствовать
модули
сравнения
объектов
,
описываемых
разнотипными
признаками
,
в
частности
,
нечеткими
множествами
,
с
целью
повышения
эффективности
программных
продуктов
,
разрабатываемых
в
области
интеллектуального
анализа
данных
.
В
Стратегии
действий
по
дальнейшему
развитию
Республики
Узбекистан
в
2017-2021
годах
определены
задачи
,
в
частности
«
Дальнейшее
развитие
информационно
-
коммуникационных
технологий
,
создание
благоприятных
организационных
,
технологических
и
экономических
условий
для
разработчиков
программных
продуктов
, ...
внедрение
информационно
-
коммуникационных
технологий
в
1
https://rb.ru/longread/The-future-is-not-painful/
22
экономику
,
социальную
сферу
,
системы
управления
»
2
.
Выполнение
данных
задач
,
в
частности
разработка
распознающих
с
использованием
элементов
теории
нечетких
множеств
для
систем
интеллектуального
анализа
данных
,
является
одним
из
важнейших
вопросов
в
настоящее
время
.
Данное
диссертационное
исследование
в
определенной
степени
служит
выполнению
задач
,
предусмотренных
указами
Президента
Республики
Узбекистан
№УП
-4947
от
7
февраля
2017
г
. «
О
Стратегии
действий
по
дальнейшему
развитию
Республики
Узбекистан
»,
№УП
-5264
от
29
ноября
2017
года
«
Об
образовании
Министерства
инновационного
развития
Республики
Узбекистан
»,
постановлениями
Президента
Республики
Узбекистан
№ПП
-1989
от
27
июня
2013
года
«
О
мерах
по
дальнейшему
развитию
Национальной
информационно
-
коммуникационной
системы
Республики
Узбекистан
»,
№ПП
-2158
от
3
апреля
2014
года
«
О
мерах
по
дальнейшему
внедрению
информационно
-
коммуникационных
технологий
в
реальном
секторе
экономики
»
и
другими
нормативно
-
правовыми
документами
,
принятыми
в
данной
сфере
.
Соответствие
исследования
приоритетным
направлениям
развития
науки
и
технологий
республики
.
Данное
исследование
выполнено
в
соответствии
с
приоритетным
направлением
развития
науки
и
технологий
республики
IV. «
Информатизация
и
развитие
информационно
-
коммуникационных
технологий
».
Степень
изученности
проблемы
.
Вопросам
разработки
алгоритмов
и
методов
распознавания
образов
по
прецендентам
посвящен
ряд
научных
исследований
,
в
частности
,
разработаны
модель
распознавания
Ф
.
Розенблата
на
основе
нейронных
сетей
(
перцептрон
Розенблата
),
метод
потенциальных
функций
российских
ученых
М
.
А
.
Айзермана
,
Э
.
М
.
Бравермана
и
Л
.
И
.
Розоноэра
,
статистическая
теория
распознавания
В
.
Н
.
Вапника
и
А
.
Я
.
Червоненкиса
,
алгоритмы
вычисления
оценок
Ю
.
И
.
Журавлева
,
метод
комитетов
В
.
Д
.
Мазурова
,
алгоритмы
таксономии
и
анализа
знаний
Н
.
Г
.
Загоруйко
,
логические
методы
распознавания
и
поиска
зависимостей
Г
.
С
.
Лбова
.
Базируясь
на
идее
тестового
алгоритма
С
.
В
.
Яблонского
,
алгоритмы
вычисления
оценок
основаны
на
принципе
частичной
прецедентности
и
разработаны
Ю
.
И
.
Журавлевым
и
совершенствуются
учеными
его
школы
.
Значительный
вклад
в
развитие
этого
направления
теории
распознавания
образов
внесли
наши
ученые
:
М
.
М
.
Камилов
,
Ш
.
Х
.
Фазылов
,
Ф
.
Т
.
Адылова
,
З
.
Т
.
Адылова
,
Н
.
А
.
Игнатьев
,
А
.
Х
.
Нишанов
,
Э
.
М
.
Алиев
,
Ш
.
Э
.
Туляганов
и
другие
.
Американским
ученым
Л
.
Заде
в
60-
ые
годы
прошлого
века
на
базе
моделирования
задач
нечеткой
логики
была
разработана
теория
нечетких
множеств
.
Данное
направление
использует
естественный
язык
описания
данных
через
лингвистические
термы
при
решении
близких
к
человеческому
мышлению
задач
таких
,
как
моделирование
,
классификация
и
анализ
данных
.
Развитию
теории
нечетких
множеств
посвящен
ряд
работ
таких
зарубежных
2
http://strategy.regulation.gov.uz/ru/document/2
23
ученых
,
как
:
Л
.
Заде
,
А
.
Дюбуа
,
А
.
Прада
,
Е
.
Мамдани
,
М
.
Сугено
,
Т
.
Такахи
,
М
.
Джамшиди
,
Н
.
Н
.
Моисеева
,
С
.
А
.
Орловского
,
Э
.
Мушника
,
О
.
И
.
Ларичева
,
Г
.
С
.
Поспелова
,
Д
.
А
.
Поспелова
,
Р
.
А
.
Алиева
и
других
.
В
Узбекистане
вопросам
разработки
интеллектуальных
гибридных
систем
,
методов
принятия
решений
в
условиях
неопределенности
основанных
на
системах
мягких
вычислений
в
промышленных
системах
,
теории
нечетких
множеств
,
выводов
нечеткой
логики
посвящены
работы
Ф
.
Б
.
Абуталиева
,
Т
.
Ф
.
Бекмуратова
,
Д
.
Т
.
Мухамедиевой
,
М
.
А
.
Рахматуллаева
,
Н
.
Р
.
Юсупбекова
,
Р
.
Н
.
Усманова
,
О
.
Ж
.
Бобомуродова
,
З
.
Б
.
Минглиқулова
и
других
авторов
.
Несмотря
на
это
,
вопросы
разработки
алгоритмов
вычисления
оценок
с
использованием
элементов
теории
нечетких
множеств
изучены
недостаточно
.
Связь
диссертационного
исследования
с
планами
научно
-
исследовательских
работ
научно
-
исследовательского
учреждения
,
где
выполнена
диссертация
.
Диссертационное
исследование
выполнено
в
рамках
проектов
плана
научно
-
исследовательских
работ
Научно
-
инновационного
центра
информационно
-
коммуникационных
технологий
при
Ташкентского
университета
информационных
технологий
имени
Мухаммада
ал
-
Хоразмий
:
Ф
4-
ФА
-
Ф
004 «
Теория
информационно
-
распознающих
систем
частичной
прецедентности
и
методы
их
применения
для
интеллектуального
анализа
данных
» (2012-2016),
А
5-
ФА
-
Ф
019 «
Программно
-
алгоритмический
инструментарий
интеллектуального
анализа
данных
для
систем
поддержки
принятия
решений
» (2012-2014)
и
А
-5-004 «
Разработка
программно
-
алгоритмического
обеспечения
информационно
-
распознающей
системы
идентификации
растений
» (2014-2017).
Целью
исследования
является
разработка
модифицированных
алгоритмов
вычисления
оценок
с
использованием
элементов
теории
нечетких
множеств
в
интеллектуальном
анализе
данных
.
Задачи
исследования
:
разработка
методов
и
процедур
нахождения
оптимальных
значений
параметров
моделей
алгоритмов
распознавания
основанных
на
вычисления
оценок
;
построение
функций
принадлежности
для
признаков
,
выраженных
в
виде
нечетких
множеств
,
и
усовершенствование
этапов
алгоритма
нахождения
значений
функции
близости
алгоритмов
вычисления
оценок
на
основе
этих
функций
принадлежности
;
разработка
модифицированных
алгоритмов
вычисления
оценок
с
использованием
элементов
теории
нечетких
множеств
при
решении
задач
распознавания
;
разработка
подхода
определения
признаковых
отношений
между
классами
для
формирования
системы
опорного
множества
;
создание
программно
-
распознающего
комплекса
ПРАСК
-2
на
основе
разработанных
методов
и
алгоритмов
.
Объектом
исследования
являются
процессы
усовершенствования
алгоритмов
вычисления
оценок
для
систем
интеллектуального
анализа
данных
.
24
Предмет
исследования
составляют
базовые
алгоритмы
вычисления
оценок
,
элементы
теории
нечетких
множеств
,
методы
и
алгоритмы
параметризации
моделей
алгоритмов
распознавания
и
функций
принадлежности
,
а
также
программные
комплексы
для
проведения
экспериментальных
исследований
.
Методы
исследования
.
В
процессы
исследования
использованы
методы
интеллектуального
анализа
данных
,
распознавания
образов
,
теории
нечетких
множеств
,
математической
статистики
и
моделирования
,
а
также
объектно
-
ориентированного
программирования
.
Научная
новизна
исследования
заключается
в
следующем
:
разработаны
методы
и
процедуры
нахождения
оптимальных
значений
пороговых
параметров
и
длины
голосующих
наборов
моделей
алгоритмов
распознавания
образов
,
основанных
на
вычислении
оценок
;
разработаны
алгоритмы
нахождения
оптимальных
значений
параметров
функций
принадлежностей
и
пороговых
параметров
с
помощью
генетического
алгоритма
;
разработана
восьмиэтапная
модифицированная
модель
алгоритмов
вычисления
оценок
на
базе
элементов
теории
нечетких
множеств
;
разработан
подход
определения
признаковых
отношений
между
классами
для
формирования
системы
опорного
множества
на
основе
принципа
частичной
прецедентности
.
Практические
результаты
исследования
заключаются
в
следующем
:
созданы
программные
комплексы
ПРАСК
-2/2
М
, «
Распознавание
образов
», «Tulipa Recognition»,
основанные
на
модифицированных
алгоритмах
вычисления
оценок
.
усовершенствованы
модули
программно
-
распознающих
комплексов
,
основанные
на
функциях
близости
,
функциях
принадлежности
и
элементарных
логических
классификаторах
для
сравнения
объектов
,
описанных
разнотипными
признаками
.
Достоверность
результатов
исследования
.
Достоверность
результатов
исследования
обосновывается
адекватной
постановкой
задачи
,
использованием
методов
и
алгоритмов
распознавания
,
обеспечивающих
необходимую
точность
решения
и
их
сходимостью
,
результатами
проведенных
тестовых
испытании
,
теоритических
и
практических
исследований
.
Научная
и
практическая
значимость
результатов
исследования
.
Научная
значимость
результатов
исследования
заключается
в
том
,
что
разработанные
подходы
с
использованием
элементов
теории
нечетких
множеств
в
алгоритмах
вычисления
оценок
вносят
свой
вклад
в
усовершенствование
систем
интеллектуального
анализа
данных
.
Практическая
значимость
результатов
исследования
заключается
в
том
,
что
программно
-
распознающий
комплекс
,
разработанный
на
основе
модифицированных
алгоритмов
частичной
прецедентности
,
показывает
возможность
эффективного
решения
задач
распознавания
образов
.
25
Внедрение
результатов
исследования
.
Результаты
диссертационного
исследования
в
виде
алгоритмов
,
основанных
на
использовании
элементов
теории
нечетких
множеств
,
и
разработанного
на
их
основе
программно
-
распознающего
комплекса
внедрены
:
программно
-
распознающий
комплекс
ПРАСК
-2,
основанный
на
модифицированных
распознающих
алгоритмах
и
процедурах
сравнения
объектов
,
выраженных
разнотипными
признаками
,
внедрен
в
Управлении
сельского
и
водного
хозяйства
Джизакской
области
(
справка
Министерства
по
развитию
информационных
технологий
и
коммуникаций
Республики
Узбекистан
от
22
декабря
2017
года
№
33-8/8689).
В
результате
автоматизации
процессов
определения
соответствия
культуры
и
посева
,
прогнозирования
урожайности
получена
возможность
повышения
ожидаемой
урожайности
на
2-3%
в
год
;
программно
-
распознающий
комплекс
ПРАСК
-2
М
внедрен
в
систему
обработки
данных
и
прогнозирования
Государственного
унитарного
предприятия
«
Центр
компьютеризации
»
Самаркандской
области
для
решения
задач
оценки
,
классификации
и
прогнозирования
деятельности
объектов
сервисного
обслуживания
(
справка
Министерства
по
развитию
информационных
технологий
и
коммуникаций
Республики
Узбекистан
от
22
декабря
2017
года
№
33-8/8689).
Результаты
научных
исследований
дали
возможность
повысить
коэффициент
общей
деловой
активности
объектов
на
4-6 %
в
год
за
счет
ускорения
мониторинга
деятельности
объектов
сервисного
обслуживания
в
системе
обработки
данных
и
прогнозирования
на
20-30 %;
модифицированные
алгоритмы
вычисления
оценок
с
использованием
элементов
теории
нечетких
множеств
,
комплекс
ПРАСК
-2
М
внедрены
в
Государственное
унитарное
предприятие
«
Центр
компьютеризации
»
Самаркандской
области
(
справка
Министерства
по
развитию
информацион
-
ных
технологий
и
коммуникаций
Республики
Узбекистан
от
22
декабря
2017
года
№
33-8/8689).
В
результате
получена
возможность
сокрашения
общего
времени
на
15-20%
в
месяц
за
счет
эффективного
формирования
признакового
пространства
,
организации
обучающих
выборок
и
классификации
контрольных
объектов
.
Апробация
результатов
исследования
.
Результаты
данного
исследования
были
обсуждены
на
9
международных
и
21
республиканских
научно
-
практических
конференциях
.
Публикация
результатов
исследования
.
По
теме
диссертации
опубликовано
51
научная
работа
,
из
них
10
в
журнальных
изданиях
,
рекомендованных
Высшей
аттестационной
комиссией
Республики
Узбекистан
,
в
том
числе
3
в
иностранных
и
7
в
республиканских
журналах
.
Также
получено
8
свидетельств
об
официальной
регистрации
программы
для
ЭВМ
.
Структура
и
объем
диссертации
.
Диссертация
состоит
из
введения
,
четырех
глав
,
заключения
,
списка
использованной
литературы
и
приложений
.
Объем
диссертации
составляет
118
страниц
.
26
ОСНОВНОЕ
СОДЕРЖАНИЕ
ДИССЕРТАЦИИ
Во
введении
обоснованы
актуальность
и
востребованность
темы
диссертации
,
соответствие
приоритетным
направлениям
развития
науки
и
технологий
Республики
Узбекистан
.
Сформулированы
цель
и
задачи
,
указаны
объект
и
предмет
исследования
,
изложены
научная
новизна
и
практические
результаты
исследования
.
Обоснована
достоверность
полученных
результатов
,
раскрыта
теоретическая
и
практическая
значимость
полученных
результатов
.
Приведен
перечень
внедрений
в
практику
результатов
исследования
,
сведения
об
опубликованных
работах
и
структура
диссертации
.
В
первой
главе
диссертации
«
Подходы
интеллектуального
анализа
данных
в
условиях
неопределенности
информации
об
объектах
»
приведен
аналитический
обзор
количественных
и
качественных
данных
об
объектах
,
а
также
современное
состояние
методов
решения
задач
интеллектуального
анализа
данных
.
В
первом
параграфе
рассмотрены
вопросы
признакового
описания
объектов
,
в
условиях
разнотипности
признаков
и
их
нечеткости
.
Во
втором
параграфе
проведен
анализ
современных
методов
и
алгоритмов
интеллектуального
анализа
данных
и
распознавания
образов
.
Особое
внимание
уделено
принципам
полной
и
частичной
прецедентности
,
а
также
методам
и
алгоритмам
,
основанным
на
этих
приципах
.
В
третьем
параграфе
проведен
анализ
параметров
каждого
этапа
задания
базовых
алгоритмов
вычисления
оценок
(
АВО
),
рассмотрены
вопросы
обучения
указанных
алгоритмов
распознавания
.
Для
сравнения
объектов и
по
-
му
признаку
∈
и
∈
(
=
1,
,
= 1, )
вводится
элементарный
логический
классификатор
( ,
)
.
На
втором
этапе
АВО
функция
близости
объектов
и
по
-
части
(
k
-
й
набор
признаков
)
выражается
в
следующем
виде
:
,
= 1, если
( ,
) ≤
0, иначе.
(1)
Здесь
,
и
– -
части
объектов
и
,
1 < <
.
В
четвертом
параграфе
приведены
краткие
сведения
о
роли
и
месте
теории
нечетких
множеств
на
этапах
решения
задач
распознавания
образов
.
В
нем
рассмотрены
признаки
объектов
,
описанные
нечеткими
множествами
,
а
также
виды
функций
принадлежности
для
сравнения
этих
признаков
.
Функции
принадлежности
нечетких
множеств
B
,
C
, … -
го
нечеткого
признака
объектов
обучающей
выборки
выражаются
следующим
образом
:
=
( )
, =
( )
, …
∗
( ) ∈ 0, 1 .
(2)
Здесь
,
( )
,
( )
, ... –
функции
принадлежности
,
определяющие
степень
принадлежности
признака
к
заданному
нечеткому
множеству
.
27
Множество
алгоритмов
{ }
для
решения
основной
задачи
распознавания
образов
и
функционал
качества
( )
выражены
следующим
образом
:
( ) = ( ( ),
( ), … ,
( ))
,
( ) ∈ {0,1, ∆}
,
= 1,2, … ,
; (3)
( ) =
1
|
−
|.
В
пятом
параграфе
сформулирована
постановки
задачи
в
следующем
виде
.
Из
множества
алгоритмов
распознавания
{ }
необходимо
найти
такой
алгоритм
∗
,
значение
функционала
качества
которого
наибольшее
:
(
∗
) =
∈{ }
( ).
Для
решения
поставленной
задачи
необходимо
построить
элементарные
логические
классификаторы
( ,
)
для
сравнения
разнотипных
признаков
,
функции
принадлежности
для
нечетких
признаков
,
и
на
их
основе
модифицировать
АВО
.
Во
второй
главе
диссертации
«
Параметризация
алгоритмов
распознавания
,
основанных
на
принципе
частичной
прецедентности
»
приведены
параметры
алгоритмов
распознавания
,
основанных
на
принципе
частичной
прецедентности
,
а
также
методы
и
алгоритмы
определения
оптимальных
значений
этих
параметров
.
В
первом
параграфе
данной
главы
приведены
алгоритмы
,
, , , , ( ), ,
, ,
,
связь
между
параметрами
этих
алгоритмов
,
их
роль
в
распознавании
,
а
также
обобщенная
схема
.
Кроме
того
,
предложены
алгоритмы
поэтапного
использования
параметров
АВО
и
нахождения
их
значений
.
В
процессе
нахождения
оптимальных
значений
параметров
АВО
определены
«
малопараметрические
», «
среднее
-
параметрические
»
и
«
многопараметрические
»
модели
.
Во
втором
параграфе
для
сравнения
значений
разнотипных
признаков
объектов
приводятся
следующие
элементарные
логические
классификаторы
(
ЭЛК
) :
a)
если
признак
объекта
может
принять
два
значения
(
т
.
е
.
бинарный
),
то
:
,
=
1, если
=
,
0, в противном случае ;
(4)
b)
если
признак
количественный
,
принимает
дискретные
и
непрерывные
значения
,
то
ЭЛК
имеет
следующий
вид
:
,
=
1, если |
−
| ≤ ,
0, в противном случае.
(5)
Здесь
–
пороговое
значение
,
установленное
для
-
го
количественного
признака
;
c)
если
признак
принимает
значения
из
упорядоченного
множества
,
то
элементы
подмножества
∈
сравниваются
следующим
образом
:
28
,
=
1, если
∈
,
∈
0, в противном случае;
(6)
d)
если
признак
выражается
нечеткими
значениями
,
т
.
е
.
нечеткими
множествами
,
, … ,
,
то
функция
сравнения
определяется
на
основе
результата
функции
принадлежности
, = 1,
:
,
=
1, если
∗
=
∗
,
0, в противном случае.
(7)
Здесь
∗
= max
,
,
∗
= max
,
.
Близость
значений
двух
нечетких
признаков
характеризуется
равенством
функций
принадлежности
с
наибольшими
значениями
.
В
третьем
параграфе
на
основе
анализа
метода
построения
тупиковых
тестов
разработан
алгоритм
выбора
системы
опорных
множеств
.
Приведены
этапы
выбора
системы
опорных
множеств
на
основе
полного
перебора
и
степени
информативности
признаков
.
Из
всевозможных
систем
опорных
множеств
Ω
алгоритма
выбирается
такой
Ω
,
что
Ω
→
,
где
-
длина
голосующих
наборов
.
В
четвертом
параграфе
разработаны
методы
вычисления
значений
-
порогов
,
используемых
при
сравнении
количественных
признаков
по
формуле
(5).
В
диссертации
приведены
методы
вычисления
-
пороговых
значений
на
основе
: minmax,
математического
ожидания
,
промежутков
,
АВО
,
эволюционных
алгоритмов
.
Также
в
диссертационной
работе
подробно
рассмотрен
алгоритм
выбора
наилучшего
из
этих
методов
для
заданной
выборки
.
В
пятом
параграфе
приведена
процедура
использования
генетического
алгоритма
(
ГА
)
для
нахождения
оптимальных
значений
-
порогов
.
В
ней
случайные
значения
-
порогов
,
генерированные
посредством
операторов
генетического
алгоритма
,
проверяются
и
настраиваются
с
помошью
целевой
функции
АВО
.
Здесь
требуется
определить
наибольшее
значение
функционала
качества
∗
из
,
определенных
по
случайным
величинам
:
∗
= max
Г
,
,
.
(8)
Здесь
Г
–
голос
объекта
к
классу
,
а
,
–
функция
определения
значения
порога
для
-
го
признака
посредством
ГА
.
В
третьей
главе
диссертации
«
Разработка
алгоритмов
вычисления
оценок
на
основе
теории
нечетких
множеств
»
разработана
восьмиэтапная
модификация
класса
АВО
на
основе
использования
элементов
теории
нечетких
множеств
,
а
также
предложен
подход
для
определения
признаковых
отношений
между
классами
.
В
первом
параграфе
приведены
виды
нечетких
множеств
,
лингвистических
термов
,
функций
принадлежности
.
При
построении
функций
29
принадлежности
использованы
некоторые
известные
методы
фаззификации
и
дефаззификации
.
Во
втором
параграфе
разработана
восьмиэтапная
модификация
АВО
на
основе
использования
элементов
теории
нечетких
множеств
.
1.
Построение
функций
принадлежности
для
нечетких
множеств
.
На
начальном
этапе
выполняются
операции
фаззификации
и
дефаззификации
над
нечеткими
множествами
выбранного
нечеткого
признака
.
На
этапе
фазиффикации
строятся
функции
принадлежности
для
каждого
нечеткого
множества
,
например
,
можно
применить
колоколообразную
функцию
принадлежности
следующего
вида
:
; ,
=
1
1 +
−
, (9)
где
и
–
параметры
.
На
этапе
дефазификации
каждое
нечеткое
множество
признака
с
помощью
функции
принадлежности
преобразуется
в
число
.
В
качестве
одного
из
методов
дефаззификации
приведен
метод
центра
тяжести
:
=
( )∙
( )
.
(10)
2.
Определение
нечетких
пороговых
параметров
при
сравнении
нечетких
признаков
.
На
данном
этапе
определяются
оптимальные
значения
параметров
,
задаваемых
в
функции
принадлежности
(9).
В
диссертационной
работе
приведен
алгоритм
нахождения
оптимальных
значений
параметров
и
с
помощью
генетического
алгоритма
(8).
3.
Система
опорных
множеств
.
На
данном
этапе
определяются
всевозможные
подмножества
множества
{ ,
, …
}
.
Из
всевозможных
подмножеств
Ω
множества
Ω
(
Ω ⊆ Ω
)
необходимо
с
помощью
алгоритма
А
найти
систему
опорных
множеств
.
Каждое
подмножество
Ω
состоит
из
признаков
(
= 1,2, … ,
)
и
характеризуется
булевым
вектором
= ( ,
, … ,
)
.
Если
= 1
,
то
-
ый
признак
входит
в
подмножество
,
в
противном
случае
–
не
входит
.
4.
Функция
близости
.
Для
-
части
(
Ω ⟺
)
строк
и
определяется
значение
функции
близости
(
,
)
с
помощью
элементарных
логических
классификаторов
,
выраженных
формулами
(4)-(7).
5.
Вычисление
оценки
по
строкам
фиксированного
опорного
множества
.
На
данном
этапе
вычисляется
оценка
Г
по
строкам
,
(
= 1,2, … ,
)
фиксированного
опорного
множества
:
Г
,
=
( ) ( )
,
,
30
где
( )
,
( )
–
внешние
параметры
объекта
.
Если
значения
параметров
неизвестны
,
то
Г
,
=
,
.
6.
Вычисление
оценки
для
класса
по
фиксированному
опорному
множеству
.
Для
вычисления
оценки
для
класса
по
-
части
используется
следующая
формула
:
Г ( ) =
Г ,
, Г ,
, … , Г
,
где
∈
,
= 1,
, –
количество
объектов
в
классе
(
= 1,
).
Например
,
формула
вычисления
оценки
для
объектов
класса
имеет
следующий
вид
:
Г ( ) =
Г ,
.
7.
Оценка
для
класса
по
системе
опорных
множеств
.
Оценка
объекта
для
класса
суммируется
по
всем
опорным
подмножествам
,
и
определяется
следующим
образом
:
a)
Г ( ) = ∑
Г ( )
∈
;
б
)
если
оценка
нормирована
,
то
Г ( ) = ∑
Г ( )
∈
;
в
)
если
определена
степень
важности
,
то
Г ( ) = ( ) ∑
Г ( )
∈
.
8.
Решающее
правило
для
алгоритма
А
.
Решающее
правило
для
отнесения
объекта
к
одному
из
классов
(1 ≤ ≤ )
с
помощью
вычисленного
числа
голосов
Г ( )
,
поданных
за
класс
,
может
иметь
вид
:
а
)
Г ( ), Г ( ), … , Г ( ) =
, если Г ( ) − Г ( ) ≥
,
0, в остальных случаях;
б
)
Г ( ), Г ( ), … , Г ( ) =
, если
1 Г ( ) − Г ( ) ≥
2
Г ( )
∑
Г ( )
≥
0, если хотя бы одно из условий 1 , 2 не выполнено.
Здесь
величины
и
–
пороговые
константы
.
В
третьем
параграфе
использован
генетический
алгоритм
для
настройки
параметров
функций
принадлежности
.
Подробно
рассмотрены
все
этапы
применения
генетического
алгоритма
,
операторы
(
скрещивание
,
мутация
,
генерация
популяций
)
и
целевая
функция
этого
алгоритма
.
В
четвертом
параграфе
разработана
процедура
определения
признакового
отношения
между
классами
с
помощью
АВО
.
Определяется
( , )
–
отношение
между
парами
классов
и
(
, = 1,2, …
,
≠
,
> 2
),
представляющее
собой
подмножество
признаков
наименьшей
мощности
,
достаточной
для
разделения
рассматриваемых
классов
.
При
этом
решается
31
задача
определения
информативных
признаков
для
сравнения
объектов
классов
и
с
.
С
этой
целью
для
отношения
( , )
формируется
вектор
=
,
, … ,
,
выражающий
наличие
/
отсутствие
информативных
,
резервных
и
неинформативных
признаков
для
указанного
отношения
.
При
этом
,
если
1 ≥
> ℎ
то
-
й
признак
информативный
,
если
же
ℎ ≥
> ℎ
,
то
признак
резервный
,
если
ℎ ≥
≥ 0
,
то
признак
неинформативный
.
Здесь
ℎ
,
ℎ
(
ℎ > ℎ
) –
пороговые
значения
.
Если
признаковое
отношение
( , ) =
,
= 1,2, … − 1
,
=
+ 1,
определяется
между
классами
и
с
,
удовлетворяющим
условиям
∩
= ∅
,
,
≠ ∅
,
≥ 1
,
> 2
,
то
имеют
место
следующие
утверждения
.
Утверждение
1.
Число
(
∈
)
признаковых
отношений
между
классами
и
изменяется
в
пределах
от
1
до
.
Утверждение
2.
∀ ( ,
) ≠ ∅
.
Утверждение
3.
Если
∀
∈ { }
участвует
как
минимум
один
раз
в
составе
отношений
(
= 1,2, … − 1
,
= + 1,
),
то
,
∪
,
∪ …
∪
,
=
.
Если
объекты
пары
классов
классифицируются
с
помощью
информативных
и
резервных
признаков
,
то
справедлива
следующая
теорема
.
Теорема
1.
Пусть
∈
и
≠ ∅
.
Тогда
для
того
,
чтобы
∉
⟺
( ,
) ≠ ∅
.
Доказательства
теоремы
и
утверждений
приведены
в
диссертации
.
В
диссертационной
работе
понятия
«
информативный
», «
резервный
»
и
«
неинформативный
»
рассмотрены
как
терм
-
множества
и
построены
соответствующие
им
функции
принадлежности
.
На
основе
разработанного
подхода
решена
задача
классификации
растений
рода
«
Tulipa
L.»
по
морфологическим
признакам
.
Например
,
для
классов
и
получены
следующие
результаты
:
= { ,
,
,
,
}
–
информативное
признаковое
отношение
;
= { ,
,
,
,
,
,
,
,
,
}
–
информативные
и
резервные
признаковые
отношения
.
Четвертая
глава
диссертации
“
Разработка
программно
-
распознающего
комплекса
ПРАСК
-2M
и
проведение
экспериментальных
исследований
”
посвящена
созданию
программно
-
распознающих
комплексов
на
основе
модификации
АВО
,
тестированию
,
а
также
практическому
применению
.
В
первом
параграфе
приведены
функциональные
схемы
,
блоки
,
модули
,
графические
интерфейсы
и
базы
данных
программных
комплексов
ПРАСК
-2
и
ПРАСК
-2M.
На
рис
. 1
приведен
вид
основного
окна
комплека
ПРАСК
-2.
32
Рис
. 1.
Вкладка
отображения
обучающей
выборки
ПРАСК
-2
Во
втором
параграфе
приведены
результаты
апробации
комплексов
ПРАСК
-2
и
ПРАСК
-2
М
на
модельных
и
прикладных
задачах
.
Получены
следующие
результаты
решения
модельных
задач
: Iris – 98% (147
из
150
объектов
); Wine – 95,5% (170
из
178
объектов
); Glass – 85,04% (182
из
214
объектов
).
В
третьем
параграфе
рассмотрена
задача
практического
применения
методов
распознавания
образов
в
области
образования
.
С
целью
повышения
показателей
успеваемости
и
степени
компетентности
обучаемых
решена
задача
классификации
этих
обучаемых
по
специальным
предметным
областям
,
и
на
основе
полученных
результатов
выработаны
рекомендации
для
целевого
направления
обучаемых
.
В
четвертом
параграфе
приведены
этапы
решения
идентификации
и
классификации
гербарных
образцов
одного
из
родов
растений
“
Tulipa
L.”
(
тюльпан
)
с
помощью
ПРАСК
-2
М
.
Из
созданной
базы
данных
«DBTulipa»
сформирована
обучающая
таблица
.
Данная
таблица
состоит
из
80
объектов
,
разделенных
на
4
класса
.
Каждый
объект
описан
16
признаками
.
Формула
внесения
объектов
в
обучающую
выборку
выражена
следующим
образом
:
( ) =
1, если
1
( )
Г
>
− 1
− ( )
Г
+
∈
,
0, в противном случае,
где
–
константа
.
Из
16
признаков
объектов
,
приведенных
в
выборке
, 5
считаются
нечеткими
.
В
диссертационной
работе
такие
нечеткие
признаки
,
значения
которых
выражаются
словом
или
словосочетанием
,
исследованы
как
нечеткие
множества
.
Рассмотрим
,
например
,
нечеткий
признак
«
Волнистость
края
33
листа
».
Специалистами
определены
терм
-
множества
– “
не
волнистый
”,
– “
слабоволнистый
”,
– “
волнистый
”
и
– “
курчавый
”,
и
их
область
рассуждения
в
виде
= { ∈ | 0 ≤ ≤ 12}
.
На
рис
. 2
приведены
функции
принадлежности
этих
нечетких
множеств
.
Рис
. 2.
Функции
принадлежности
терм
-
множеств
В
пятом
параграфе
с
помощью
ПРАСК
-2
М
решена
задача
определения
качества
обучающих
выборок
,
сформированных
на
основе
данных
об
ушных
раковинах
людей
.
База
данных
“SHQTT”
состоит
из
15
обучающих
выборок
.
Объекты
каждой
выборки
сформированы
одним
из
трех
алгоритмов
выделения
признаков
ушной
раковины
(“Ellips”, “Aylana”, “To’g’ri
to’rtburchak”)
и
число
признаков
описания
этих
объектов
для
каждой
выборки
составляет
48, 72, 84, 96, 120.
С
помощью
разработанных
алгоритмов
выделена
самая
эффективная
обучающая
выборка
(
в
смысле
затраты
времени
и
качества
обучения
) –
выборка
,
полученная
с
помощью
алгоритма
“Ellips”
с
числом
признаков
= 72
.
При
этом
,
качество
обучения
составило
96,95 %.
ЗАКЛЮЧЕНИЕ
Результаты
проведенного
диссертационного
исследования
по
теме
“
Распознающие
алгоритмы
вычисления
оценок
на
базе
элементов
теории
нечетких
множеств
”
сводятся
к
следующим
основным
выводам
:
1.
Усовершенствование
методов
и
алгоритмов
интеллектуального
анализа
данных
и
распознавания
образов
с
использованием
элементов
теории
нечетких
множеств
позволяет
повысить
качество
сравнения
объектов
,
описанных
разнотипными
признаками
.
2.
Разработаны
методы
и
алгоритмы
нахождения
оптимальных
значений
параметров
АВО
,
в
частности
,
длины
голосующих
наборов
в
системе
опорных
множеств
,
пороговых
значений
,
меры
важности
признаков
и
объектов
и
т
.
д
.
Полученные
оптимальные
значения
параметров
АВО
позволяют
на
их
основе
построить
эффективный
алгоритм
распознавания
.
3.
Разработан
алгоритм
нахождения
оптимальных
значений
пороговых
параметров
с
использованием
генетического
алгоритма
.
Разработанный
алгоритм
позволяет
сэкономить
время
классификации
объектов
на
15-20%
за
счет
нахождения
многовариантных
решений
оптимальных
значений
параметров
.
34
4.
Разработаны
и
усовершенствованы
элементарные
логические
классификаторы
для
сравнения
объектов
,
описанных
количественными
и
качественными
признаками
.
Для
элементарных
логических
классификаторов
,
сравнивающих
нечеткие
признаки
,
разработаны
алгоритмы
построения
функции
принадлежности
и
настройки
их
параметров
с
помощью
генетического
алгоритма
.
Разработанные
алгоритмы
позволяют
повысить
точность
сравнения
терм
-
множества
нечеткого
признака
.
5.
Разработана
восьмиэтапная
модифицированная
модель
АВО
с
использованием
элементов
теории
нечетких
множеств
.
Данная
модификация
АВО
служит
для
повышения
в
1,3
раза
точности
и
достоверности
вычисления
Г ( )
голосов
,
поданных
объектами
за
класс
.
6.
На
основе
разработанных
методов
и
алгоритмов
созданы
и
апробированы
программные
комплексы
(
ПРАСК
-2,
ПРАСК
-2
М
, «Tulipa
Recognition»
и
т
.
д
.).
Созданные
программы
служат
для
решения
задач
интеллектуального
анализа
данных
и
распознавания
образов
в
различных
прикладных
областях
человеческой
деятельности
.
7.
Созданные
программно
-
распознающие
комплексы
внедрены
в
Управлении
сельского
и
водного
хозяйства
Джизакской
области
для
решения
задач
определения
соответствия
культуры
и
посева
и
прогнозирования
урожайности
,
в
системе
обработки
данных
и
прогнозирования
Государственного
унитарного
предприятия
«
Центр
компьютеризации
»
Самаркандской
области
для
решения
задач
оценки
,
классификации
и
прогнозирования
деятельности
объектов
сервисного
обслуживания
,
а
также
в
Институте
ботаники
АН
РУз
для
решения
задач
идентификации
и
классификации
гербарных
образцов
рода
“
Tulipa
L.”.
35
SCIENTIFIC COUNCIL AWARDING SCIENTIFIC DEGREES
DSc.27.06.2017.
Т
.07.01 AT TASHKENT UNIVERSITY OF
INFORMATION TECHNOLOGIES
SCIENTIFIC AND INNOVATION CENTRE OF INFORMATION
AND COMMUNICATION TECHNOLOGIES AT TASHKENT
UNIVERSITY OF INFORMATION TECHNOLOGIES
KHAMROEV ALISHER SHODMONKULOVICH
THE RECOGNITION ALGORITHMS FOR CALCULATING ESTIMATES
BASED ON THE ELEMENTS OF FUZZY SETS THEORY
05.01.03 – Theoretical foundations of computer science
DISSERTATION ABSTRACT OF DOCTOR OF PHILOSOPHY (PhD)
ON TECHNICAL SCIENCES
Tashkent – 2018
36
The theme of doctor of philosophy (PhD) on technical sciences was registered at the Supreme
Attestation Commission at the Cabinet of Ministers of the Republic of Uzbekistan under number
B2017.1.PhD/T47.
The dissertation has been prepared at the Scientific and Innovation Centre of Information and
Communication Technologies at Tashkent University of Information Technologies.
The abstract of the dissertation is posted in
three
languages (Uzbek, Russian, English (resume)) on
the website www.tuit.uz and on the website of «ZiyoNet» Information and educational portal
www.ziyonet.uz.
Scientific adviser:
Kamilov Mirzayan Mirzaakhmedovich
doctor of technical sciences, professor, academician
Official opponents:
Igamberdiev Husan Zakirovich
doctor of technical sciences, professor, academician
Mukhamedieva Dilnoz Tulkunovna
doctor of technical sciences, professor
Leading organization:
Samarkand State University
The defense will take place “_____” ________________ 2018 at _________ the meeting of
Scientific council No. DSc.27.06.2017.
Т
.07.01 at Tashkent University of Information Technologies
(Address: 100202, Tashkent city, Amir Temur street, 108. Tel.: (+99871) 238-64-43, fax: (+99871) 238-
65-52, e-mail: tuit@tuit.uz).
The dissertation can be reviewed at the Information Resourse Centre of Tashkent University of
Information Technologies (is registered under No._____). (Address: 100202, Tashkent city, Amir Temur
street, 108. Tel.: (+99871) 238-64-43, fax: (+99871) 238-65-52).
Abstract of dissertation sent out on “____” ______________ 2018 y.
(mailing report No. ___ on “____” ______________ 2018 y.).
R.Kh.Khamdamov
Chairman of the scientific council
awarding scientific degrees,
doctor of technical sciences, professor
F.
М
.Nuraliev
Scientific secretary of scientific council
awarding scientific degrees,
doctor of technical sciences
N.Ravshanov
Chairman of the academic seminar under the
scientific council awarding scientific degrees,
doctor of technical sciences
37
INTRODUCTION (abstract of PhD dissertation)
The aim of the research work.
The aim of the research is to develop the
modification algorithms for calculating estimates by using the elements of fuzzy sets
theory in Data Mining.
The object of the research work
is the processes for improving the algorithms
for calculating estimates for data mining systems.
The scientific novelty of the research work
is as follows:
the methods and algorithms for determining optimal values of threshold
parameters and the length of voting sets of models of the algorithms for calculating
estimates have been developed;
the algorithms for determining the optimal values of the membership functions
parameters and threshold parameters using the genetic algorithm has been
developed;
the eight-step modified model of the algorithms for calculating estimates based
on the elements of the fuzzy sets theory has been developed;
the approach for determining the relationship between classes for modifying
partial precedence algorithms has been developed.
Implementation of the research results
.
The results of the dissertation research in the form of algorithms and a software-
recognition complex based on the use of elements of the theory of fuzzy sets have
been implemented by the following:
the software-recognition complex PRASK-2, based on modified recognition
algorithms and comparison procedures for objects expressed by different types of
features, has been implemented in the Department of Agriculture and Water
Resources of the Jizzakh region (certificate No. 33-8/8689 of the Ministry for
Development of Information Technologies and Communications of the Republic of
Uzbekistan dated D
ecember
22, 2017). As a result of automation of processes of
determining the conformity of crop and sowing and forecasting yields have been
solved, and the possibility of increasing the expected yield by 2-3% per year has
been determined;
the software-recognition complex PRASK-2M has been implemented in the
data processing and forecasting system of the State Unitary Enterprise
"Computerization Centre" of the Samarkand region to solve the problems of
assessing, classifying and forecasting the operation of service facilities (certificate
No. 33-8/8689 of the Ministry for Development of Information Technologies and
Communications of the Republic of Uzbekistan dated December 22, 2017). The
results of scientific research of this complex into a data processing and forecasting
system have made it possible to increase the overall business activity by 4-6% per
annum by accelerating the monitoring of the operation of service facilities by
20-30%;
the modified algorithms for calculating estimates using the elements of the
fuzzy sets theory and the complex PRASK-2M have been introduced at the State
Unitary Enterprise "Computerization Centre" of the Samarkand region (certificate
No. 33-8/8689 of the Ministry for Development of Information Technologies and
38
Communications of the Republic of Uzbekistan dated D
ecember
22, 2017). As a
result, this have made it possible to reduce the total time by 15-20% per month due
to the effective formation of feature space, organization of training samples and
classification of control objects.
Structure and volume of the dissertation.
The dissertation consists of an
introduction, four chapters, conclusion, references and appendices.
The volume of
the dissertation is 118 pages.
39
ЭЪЛОН
ҚИЛИНГАН
ИШЛАР
РЎЙХАТИ
СПИСОК
ОПУБЛИКОВАННЫХ
РАБОТ
LIST OF PUBLISHED WORKS
1.
Камилов
М
.
М
.,
Худайбердиев
М
.
Х
.,
Хамроев
А
.
Ш
.
Баҳоларни
ҳисоблаш
алгоритмларининг
сифат
функцияси
ёрдамида
параметрларни
аниқловчи
умумлашган
алгоритмларни
қуриш
//
Кимёвий
технология
.
Назорат
ва
бошқарув
.
Халқаро
илмий
-
техникавий
журнал
. -
Тошкент
, 2011,
№
2(38). -
С
.62-69. (05.00.00;
№
12).
2.
Хамроев
А
.
Ш
.
Алгоритм
выбора
оптимального
метода
вычисления
значений
е
-
порогов
в
алгоритмах
вычисления
оценок
//
Химическая
технология
.
Контроль
и
управление
. –
Ташкент
, 2012. –
№
3. –
С
. 78-82.
(05.00.00;
№
12).
3.
Махкамов
А
.
А
.,
Ҳамроев
А
.
Ш
.
Шахсни
қулоқ
чаноғи
тасвири
асосида
таниб
олишда
баҳоларни
ҳисоблаш
алгоритмларининг
қўлланилиши
//
«
Проблемы
информатики
и
энергетики
». –
Ташкент
, 2013. –
№
3. –
С
. 52-58.
(05.00.00;
№
5).
4.
Камилов
М
.
М
.,
Хамроев
А
.
Ш
.
Архитектура
и
основные
структурно
-
функциональные
блоки
программно
-
распознающего
комплекса
частичной
прецедентности
//
Химическая
технология
.
Контроль
и
управление
. –
Ташкент
, 2014,
№
4. - C. 49-58. (05.00.00;
№
12).
5.
Ҳамроев
А
.
Ш
.,
Маҳкамов
А
.
А
.
Баҳоларни
ҳисоблаш
алгоритмлари
ёрдамида
қулоқ
чаноғи
тасвирининг
идентификацион
белгиларини
аниқловчи
усуллар
самарадорлигини
баҳолаш
//
Информатика
ва
энергетика
муаммолари
. –
Тошкент
, 2015. –
№
1-2. 55-61
бб
. (05.00.00;
№
5).
6.
Ҳамроев
А
.
Ш
.
Объектлар
ҳақидаги
ахборотларнинг
ноаниқлиги
шароитида
элементар
мантиқий
классификаторларни
қуриш
масаласи
//
Ҳисоблаш
ва
амалий
математика
муаммолари
журнали
. –
Т
.: 2016,
№
3.– 97-101
б
.
(05.00.00;
№
23).
7.
Камилов
М
.
М
.,
Хамроев
А
.
Ш
.,
Мингликулов
З
.
Б
.
О
вопросе
распределения
значений
функции
близости
между
объектами
в
классе
алгоритмов
вычисления
оценок
. //
Химическая
технология
.
Контроль
и
управление
. –
Ташкент
, 2015. –
№
5. –
С
. 55-58. (05.00.00;
№
12).
8.
Khamroev Alisher. The solution of problem of parameterization of the
proximity function in ACE using genetic algorithm // IJRET:International Journal
of Research in Engineering and Technology, India, Bangalor. Volume: 04, Issue: 12,
December-2015, 100-104 pp. (
№
5), Global Impact Factor, IF= 0,654.
9.
Хамроев
А
.
Ш
.
Параметризация
функции
близости
в
АВО
с
помощью
генетического
алгоритма
в
условиях
неопределенности
исходной
информации
об
объектах
//
Наука
и
мир
:
Международный
научный
журнал
.
Россия
,
Волгоград
.
№
1 (29), 2016,
Том
1. –
С
. 79-84. (
№
5), Global Impact Factor,
IF= 0,325.
10.
Khamroev Alisher. An algorithm for constructing feature relations between
the classes in the training set // Procedia Computer Science, Volume 103, 2017,
Pages 244-247, (
№
2), Journal Impact Factor, IF= 1,08.
40
11.
Hudayberdiev M.Kh., Akhatov A.R., Hamroev A.Sh. On a Model of
Forming the Optimal Parameters of the Recognition Algorithms // International
journal of Maritime Information and Communication Sciences. – Korea, Seul, 2011.
– Vol.9, No.5. – Pp. 607-609.
12.
Камилов
М
.
М
.,
Хамроев
А
.
Ш
.
О
методах
определения
значений
пороговых
элементов
количественных
признаков
объектов
в
базе
данных
DBTulipa // –
Омск
:
Динамика
систем
,
механизмов
и
машин
,
№
1, 2016.
Том
4.
–
С
. 21-25.
13.
Хамроев
А
.
Ш
.
Билим
олувчиларни
таснифлаш
масаласида
баҳоларни
хисоблаш
алгоритмларидан
фойдаланиш
//
Илмий
тадқиқотлар
ахборотномаси
. –
Самарқанд
, 2012. –
№
6(76). – 86-90
б
.
14.
Камилов
М
.
М
.,
Мирзаев
Н
.
М
.,
Хамроев
А
.
Ш
.
Об
одной
модели
алгоритмов
вычисления
оценок
//
Информационные
технологии
в
профессиональной
деятельности
и
научной
работе
:
Материалы
Всероссийской
научно
-
практической
конференции
с
международным
участием
. –
Россия
,
Йошкар
-
Ола
, 2010. –
С
. 195-199.
15.
Kamilov M.M., Hudayberdiev M.X., Khamroev A.Sh. Methods of
Computing Epsilon Thresholds in the Estimates’ Calculation’s Algorithms.
International Conference "Problems of Cybernetics and Informatics" (PCI'2012),
Volume III. September 12-14, 2012. – Baku, Azerbaijan. – Pp. 133-135.
16.
Мингликулов
З
.
Б
.,
Хамроев
А
.
Ш
.
Применение
многокритериальных
моделей
оптимизации
для
решения
задач
нечеткой
параметрической
идентификации
//
Труды
VI
Международной
научно
-
практической
конференции
"
Инженерные
системы
- 2013". –
Москва
, 24-26
апреля
2013. –
М
.:
РУДН
, 2013. –
С
.160-165.
17.
Хамроев
А
.
Ш
.,
Худайбердиев
М
.
Х
.
Процедура
решения
задач
кластеризации
с
помощью
алгоритмов
вычисления
оценок
//
Труды
VI
Международной
научно
-
практической
конференции
"
Инженерные
системы
-
2013". –
Москва
, 24-26
апреля
2013. –
М
.:
РУДН
, 2013. –
С
.156-160.
18.
Худайбердиев
М
.
Х
.,
Хамроев
А
.
Ш
.
О
взаимосвязы
параметров
в
моделей
алгоритмов
вычисления
оценок
//
Интеллектуальные
системы
(INTELS’-2014):
Десятый
международный
симпозиум
. 30
июня
- 4
июля
–
Москва
, 2014. –
С
. 49-52.
19.
Khamroev Alisher. An algorithm for constructing feature relations between
the classes in the training set //
Интеллектуальные
системы
(INTELS’-2016):
Десятый
международный
симпозиум
. 5-7
октября
–
Москва
, 2016. –
С
. 34-35.
20.
Хусаинов
Н
.
О
.,
Худайбердиев
М
.
Х
.,
Хамроев
А
.
Ш
.
Об
одном
подходе
выбора
голосующих
наборов
в
алгоритме
вычисления
оценок
//
Республика
анъанавий
конференциянинг
илмий
ишлари
: «
Ёш
математикларнинг
янги
теоремалари
». 6-7
ноябр
2009. –
Наманган
, 2009. – 182-185
б
.
21.
Камилов
М
.
М
.,
Ҳамроев
А
.
Ш
.,
Минглиқулов
З
.
Б
.
Баҳоларни
ҳисоблаш
алгоритмлари
ёрдамида
кластеризация
масаласини
ечиш
процедураси
//
Ахборот
технологиялари
ва
телекоммуникация
муаммолари
:
Республика
илмий
-
техник
конференцияси
маърузалар
тўплами
. –
Тошкент
,
2013, 1-
қисм
. – 53-55
б
.
41
22.
Ҳамроев
А
.
Ш
.,
Маҳкамов
А
.
А
.
Баҳоларни
ҳисоблаш
алгоритмлари
воситасида
белгилари
турли
ўлчамли
ўқув
танламалар
сифатини
баҳолаш
//
Ахборот
технологиялари
ва
телекоммуникация
тизимларини
самарали
ривожлантириш
истиқболлари
:
Республика
илмий
-
техник
конференцияси
маърузалар
тўплами
. –
Тошкент
, 2014, 1-
қисм
. – 256-258
б
.
23.
Камилов
М
.
М
.,
Ҳамроев
А
.
Ш
.
ПРАСК
-2
дастурий
таниб
олувчи
мажмуаси
ҳақида
//
Ахборот
технологиялари
ва
телекоммуникация
тизимларини
самарали
ривожлантириш
истиқболлари
:
Республика
илмий
-
техник
конференцияси
маърузалар
тўплами
. –
Тошкент
, 2014, 1-
қисм
. – 270-
272
б
.
24.
Камилов
М
.
М
.,
Хамроев
А
.
Ш
.
ПРАСК
-2
мажмуасида
белгилари
турли
ўлчамли
ўқув
танламалар
сифатини
баҳолаш
масаласи
//
Республиканская
научно
-
техническая
конференция
: «
Проблемы
внедрения
инновационных
идей
,
технологий
и
проектов
в
производства
».
Джизакский
Политехнический
институт
, 16-17
мая
, 2014. –
С
. 415-417.
25.
Камилов
М
.
М
.,
Хамроев
А
.
Ш
.
Таълимда
таснифлаш
масаласини
ечишда
баҳоларни
хисоблаш
алгоритмларидан
фойдаланиш
//
Республиканская
научно
-
техническая
конференция
: «
Проблемы
внедрения
инновационных
идей
,
технологий
и
проектов
в
производства
».
Джизакский
Политехнический
институт
, 16-17
мая
, 2014. –
С
. 415-417.
26.
Камилов
М
.
М
.,
Бабомурадов
О
.
Ж
.,
Хамроев
А
.
Ш
.
Баҳоларни
ҳисоблаш
алгоритмларида
тақсимот
функцияларини
қўллаш
//
Иқтисодиёт
тармоқлари
ривожланишини
таъминловчи
фан
,
таълим
ҳамда
модернизациялашган
энергия
ва
ресурс
тежамкор
технологиялар
,
техника
воситалари
:
муаммолар
,
ечимлар
,
истиқболлар
.
Республика
илмий
-
техник
анжумани
. –
Жиззах
, 2015. –
С
. 190-193.
27.
Камилов
М
.
М
.,
Хамроев
А
.
Ш
.,
Мингликулов
З
.
Б
.
Баҳоларни
ҳисоблаш
алгоритмларида
е
-
бўсағавий
параметрлар
қийматларини
генетик
алгоритм
асосида
оптималлаштириш
//
Современные
состояние
и
перспективы
применения
информационных
технологий
в
управлении
:
доклады
республиканской
научно
-
технической
конференции
. -
Ташкент
, 7-8
сентября
,
2015. –
С
. 331-336.
28.
Худайбердиев
М
.
Х
.,
Хамроев
А
.
Ш
.,
Мингликулов
З
.
Б
.
Ўсимлик
турларининг
белгилар
фазосини
шакллантирилиши
//
Современные
состояние
и
перспективы
применения
информационных
технологий
в
управлении
:
доклады
республиканской
научно
-
технической
конференции
. –
Ташкент
, 7-8
сентября
, 2015. –
С
. 375-379.
29.
Маҳкамов
А
.
А
.,
Ҳамроев
А
.
Ш
.
Қулоқ
чаноғи
тасвирлари
асосида
ташкил
этилган
ўқув
танланмаларнинг
сифатини
ошириш
//
Ахборот
ва
телекоммуникация
технологиялари
муаммолари
:
Республика
илмий
-
техник
анжумани
маърузалар
тўплами
. –
Тошкент
, 2015, 2-
қисм
. – 17-20
б
.
30.
Хамроев
А
.
Ш
.
Программно
-
распознающий
комплекс
ПРАСК
-2
М
,
основанный
на
алгоритмах
частичной
прецедентности
//
Алгебра
,
амалий
математика
ва
ахборот
технологиялари
масалалари
:
Республика
илмий
42
конференцияси
материаллари
. 20-21
декабрь
, 2016
йил
. –
Наманган
, 2016. –
69-71
б
.
31.
Ҳамроев
А
.
Ш
.
Синфлар
орасидаги
муносабатларни
аниқлашнинг
эвристик
ёндашуви
//
Республика
илмий
-
техник
анжумани
: “
Ахборот
ва
телекоммуникация
технологиялари
муаммолари
”. –
Тошкент
, 2016
йил
10-11
март
. – 187-190
б
.
32.
Худайбердиев
М
.
Х
.,
Хамроев
А
.
Х
.,
Мамиева
Д
.
З
.
Объектлар
ҳақидаги
ўқув
ва
назорат
танланмаларини
шакллантиришда
баҳоларни
ҳисоблаш
алгоритми
//
Республика
илмий
-
техник
анжумани
: “
Ахборот
ва
телекоммуникация
технологиялари
муаммолари
”. –
Тошкент
, 2016
йил
10-11
март
. – 185-187
б
.
33.
Ҳамроев
А
.
Ш
.
Турли
типли
белгилар
орқали
ифодаланган
объектларни
тавсифлаш
фазосини
шакллантириш
масаласи
//
Республика
илмий
-
амалий
анжумани
: “
Фан
,
таълим
ва
ишлаб
чиқариш
интеграциясини
ахбороткоммуникация
технологиялари
асосида
ривожлантириш
истиқболлари
”. –
Қарши
, 2016
йил
28-29
март
. – 167-170
б
.
34.
Минглиқулов
З
.
Б
.,
Ҳамроев
А
.
Ш
.
Тимсолларни
аниқлаш
масалаларини
ечишда
норавшан
тўпламлар
назариясининг
қўлланилиши
//
Современное
состояние
и
перспективы
применения
информационных
технологий
в
управлении
.
Республика
илмий
-
техник
анжумани
. –
Жиззах
,
2016. – 434-438
б
.
35.
Камилов
М
.
М
.,
Хамроев
А
.
Ш
.
Қисмий
прецедентликка
асосида
белгилар
қисм
тўпламини
шакллантириш
алгоритмини
ишлаб
чиқиш
//
Таълим
ва
илмий
тадқиқотлар
самарадорлигини
оширишда
замонавий
ахборот
-
коммуникация
технологияларининг
ўрни
. –
Қарши
, 5-6
май
, 2017
йил
.
– 187-189
б
.
36.
Хидирова
Ч
.
М
.,
Хамроев
А
.
Ш
.
Адаптив
-
тест
назорат
тизимини
ишлаб
чиқишда
баҳоларни
ҳисоблаш
алгоритмларидан
фойдаланиш
//
Таълим
ва
илмий
тадқиқотлар
самарадорлигини
оширишда
замонавий
ахборот
-
коммуникация
технологияларининг
ўрни
. –
Қарши
, 5-6
май
, 2017
йил
. – 183-
185
б
.
37.
Ҳамроев
А
.
Ш
.,
Раззоқов
И
.
Д
.
Билим
олувчиларни
махсус
соҳалар
бўйича
кластерларга
ажратиш
масаласи
//
Олий
таълим
муассасаларида
фанларни
ўқитишда
замонавий
педагогик
ва
ахборот
технологияларидан
фойдаланишнинг
долзарб
муаммолари
:
Республика
илмий
-
амалий
анжумани
.
–
Қарши
, 2017
йил
14-15
апрель
. – 103-105
б
.
38.
Мингликулов
З
.
Б
.,
Хамроев
А
.
Ш
.
Норавшан
тўпламлар
назарияси
элементлари
қўлланилган
баҳоларни
ҳисоблашга
асосланган
алгоритмлари
тавсифи
//
Иқтисодиётнинг
реал
тармоқларини
инновацион
ривожланишида
ахборот
-
коммуникация
технологияларининг
аҳамияти
:
Республика
илмий
-
техник
анжумани
. –
Тошкент
, 2017
йил
6-7
апрел
,
т
.2. – 173-175
б
.
39.
Камилов
М
.
М
.,
Хамроев
А
.
Ш
.
Таниб
олувчи
дастурий
мажмуада
объектга
йўналтирилган
дастурлаш
тамойилларидан
фойдаланиш
//
Иқтисодиётнинг
реал
тармоқларини
инновацион
ривожланишида
ахборот
-
43
коммуникация
технологияларининг
аҳамияти
:
Республика
илмий
-
техник
анжумани
. –
Тошкент
, 2017
йил
6-7
апрел
,
т
.2. – 33-36
б
.
40.
Kamilov M.M., Hudayberdiev M.Kh., Khamroev A.Sh Module for various
choice of metric attribute spaces // Proceedings of the Sixth World Conference on
Intelligent Systems for Industrial Automation. November 25-27 2010. – Tashkent,
2010. – Pp. 213-215.
41.
Hudayberdiev M.Kh., Hamroev A.Sh. On the Procedures of Forming the
Optimal Parameters of the Recognition Systems // International Conference of
KIMICS 2011. June 28-29, 2011. – Tashkent, Uzbekistan. – Pp. 337-339.
42.
Kamilov M.M., Minglikulov Z.B., Khamroev A.Sh. Application of genetic
algorithm for determining epsilon thresholds in the algorithms for calculating
estimates // Eighth World Conference on Intelligent Systems for Industrial
Automation (WCIS-2014). – Tashkent, 2014. – Pp. 27-30.
43.
Камилов
М
.
М
.,
Худайбердиев
М
.
Х
.,
Хамроев
А
.
Ш
. Tulipa Recognition
дастурий
воситасининг
ишлаб
чиқилиши
.
Бошқарувда
ахборот
технологияларини
қўллашнинг
замонавий
ҳолати
ва
ютуқлари
:
Республика
илмий
-
техник
анжумани
. –
Тошкент
, 2017
йил
5-6
сентябр
. – 275-279
б
.
44.
Камилов
М
.
М
.,
Худайбердиев
М
.
Х
.,
Хамроев
А
.
Ш
.
Виртуал
ўқитиш
(Virtual Teaching) DGU 01648, 04.12.2008
45.
Хамроев
А
.
Ш
.
Тимсолларни
аниқлаш
. DGU 02078, 29.10.2010.
46.
Камилов
М
.
М
.,
Худайбердиев
М
.
Х
.,
Хамроев
А
.
Ш
.
Қисман
прецедентлик
алгоритмларига
асосланган
дастурий
-
таниб
олувчи
мажмуа
.
DGU 02572, 24.08.2012.
47.
Камилов
М
.
М
.,
Худайбердиев
М
.
Х
.,
Хамроев
А
.
Ш
.
Кластеризация
в
классе
алгоритмах
частичной
прецедентности
. DGU 02897, 06.11.2014.
48.
Батошов
А
.
Р
.,
Хамроев
А
.
Ш
.
База
данных
"
Флора
останцов
Юго
-
Восточного
Кызылкума
". DGU 00330, 24.03.2016.
49.
Камилов
М
.
М
.,
Хамроев
А
.
Ш
.,
Мингликулов
З
.
Б
.
Қисман
прецедентлик
алгоритмлари
параметрларининг
оптимал
қийматларини
аниқлаш
дастурий
восита
. DGU 03512, 31.12.2015.
50.
Камилов
М
.
М
.,
Худайбердиев
М
.
Х
.,
Хамроев
А
.
Ш
.,
Мингликулов
З
.
Б
.
Программно
-
распознающий
комплекс
с
модификацией
на
элементах
нечётких
множеств
(
ПРАСК
-2
М
). DGU 03993, 29.09.2016.
51.
Тургинов
О
.
Т
.,
Ҳамроев
А
.
Ш
. "
Бойсун
ботаник
-
географик
райони
флораси
"
маълумотлар
базаси
. DGU 00344, 21.03.2017.
44
Автореферат
"
Ҳисоблаш
ва
амалий
математика
муаммолари
"
илмий
журнали
таҳририятида
таҳрирдан
ўтказилди
ва
ўзбек
,
рус
ва
инглиз
тилларидаги
матнларини
мослиги
текширилди
.
Бичими
: 84
х
60
1
/
16
. «Times New Roman»
гарнитура
рақамли
босма
усулда
босилди
.
Шартли
босма
табоғи
: 2,75.
Адади
100.
Буюртма
№
23.
«
ЎзР
Фанлар
академияси
Асосий
кутубхонаси
»
босмахонасида
чоп
этилди
.
100170,
Тошкент
,
Зиёлилар
кўчаси
, 13-
уй
.
