O‘zbekiston respublikasi fanlar akademiyasi

Тажрибавий текшириш. кўриб чиқилган моделнинг ишлашини баҳолаш 
ўзбек алифбоси ҳарфларини таниб олиш масаласини ҳал қилиш билан амалга 
оширилди. Берилган маълумотлар қўлда ёзилган босма ҳарфларнинг 4200 та 
тасвиридан иборат бўлди. Тасвирлар ўлчамлари бўйича нормаллаштирилган ва 
тасвир ичига марказлаштирилган. Тасвирдаги объектни марказлаштириш оғирлик 
марказини излаш ёрдамида амалга оширилди. Синфлар (ҳарфлар) сони 36 та, 
тасвирларнинг ҳар бир синфининг қуввати бир хил: 
120

j
K
бўлди. 
Берилган танланмани ўқув ва назорат танланмаларига қулай (ёки ноқулай) 
тарзда бўлишини истисно қилиш мақсадларида кўриб чиқилган масалани турли 
таниб олиш операторлари ёрдамида ечиш натижаларининг аниқлигини аниқлашда 

---

60 
сурилувчи назорат усудидан фойдаланилади [24]. Ушбу масалани ҳал қилишда 
таниб олиш аниқлиги 96,9% ни ташкил қилди. 
Хулоса. Ҳозирги вақтда катта ўлчамдаги белгилар фазосида баён қилинган 
тимсолларни аниқлаш масалаларини ҳал қилиш ҳисоблашлардаги катта 
қийинчиликлар билан боғлиқдир. Ҳисоблаш операцияларини қисқартиш учун 
умумий тўпламдан олинган исталган тўплам доирасидаги белгиларнинг ўзаро 
боғлиқлиги шароитларида репрезентатив белгиларни ажратиб олиш учун 
самарали бўлиши мумкин. 
ФОЙДАЛАНИЛГАН АДАБИЁТЛАР 
1. Bis hop C.M. Pattern Recognition and Machine Learning. NewYork: Springer, 
2006. – 738 p. 
2. Murt y M .N., Devi D.V.S. Introduction to Pattern Recognition and Machine 
Learning. New Jersey: World Scientific, 2015. – 383 p. 
3. Pattern Recognition Techniques: Technology and Applications. Edited by Yin P.Y. 
New York: lTexLi, 2016. – 636 p. 
4. Мирзаев Н.М., С алиев Э.А., Маматов Н.С. Задачи распознавания 
объектов, заданных в признаковом пространстве большой размерности 
//Актуальные задачи информационно-коммуникационных технологий и 
численного моделирования: труды Республиканской научно-технической 
конференции (8-9 сентября 2017, Самарканд). – Самарканд, 2017. – С. 244-
248. 
5. Buhm ann M.D. Radial Basis Functions: Theory and Implementations. – 
Cambridge: Cambridge University Press, 2004. – 272 p. 
6. Russ ell J ., Cohn R. Radial Basis Function. - New York: Book on Demand, 
2012. –140 p. 
7. Воронцов К.В., Ал ешина М.В. Сеть радиальных базисных функций 
[Электронный 
ресурс]. 
URL: http://www.machinelearning.ru/wiki/index.php?title= Сеть радиальных 
базисных функций (дата обращения: 12.07.2017). 
8. Ж уравл ев Ю .И. Избранные научные труды / Ю.И. Журавлев. – М.: Магистр, 
1998. – 420 с. 
9. Mirzaev N.M . About one model of image recognition //Computer Technology 
and Applications: Proceedings The First Russia and Pacific Conference. – 
Vladivostok, 2010, pp. 394–398. 
10. Камил ов М .М., Мирзаев Н.М., Р ад жабов С.С. Современное состояние 
вопросов построения моделей алгоритмов распознавания //Химическая 
технология. Контроль и управление. – Ташкент, 2009, № 2. – С.67-72. 
11. Фазылов Ш .Х., Мирзаев О.Н., Р ад жабов С .С. Современное состояние 
проблем распознавания образов // Проблемы вычислительной и прикладной 
математики. – Ташкент, 2015. – №2. – С. 99-112. 
12. Донск ой, В. И. Алгоритмические модели обучения классификации: 
обоснование, сравнение, выбор. Симферополь: ДИАЙПИ, 2014. – 228 с. 
13. Pattern Recognition: Practices, Perspectives and Challenges. Edited by Vincent D.B. 
New York: Nova Science Publishers, 2013. – 204 p. 
14. Pal S.K., R a y S.S., Ganivad a A. Granular Neural Networks, Pattern 
Recognition and Bioinformatics. New York: Springer, 2017. – 235 p. 

---

61 
15. Sugomori Y., Kaluz a B., S oares F.M., Souza A.M .F. Deep Learning: 
Practical Neural Networks with Java. Birmingham: Packt Publishing, 2017. – 744 
p. 
16. Ciaburro G. MATLAB for Machine Learning. Birmingham: Packt Publishing, 
2017. –376 p. 
17. Smith J . Machine Learning with Neural Networks using Matlab. North Charleston: 
CreateSpace Independent Publishing, 2017. – 490 p. 
18. J ayadeva K.R ., Chandra S. Twin Support Vector Machines. Models, 
Extensions and Applications. New York: Springer, 2017. – 221 p. 
19. Фазылов Ш.Х., М ирзаев Н.М., Мирзаев О.Н. Об одной модели 
модифицированных алгоритмов распознавания типа потенциальных 
функций// Математические методы распознавания образов: Доклады 
Всеросс. конф. – Москва, 2009. – С. 200-203. 
20. Гонсал ес Р ., В уд с Р . Цифровая обработка изображений. –М.: Техносфера, 
2012. – 1104 с. 
21. Fazilov S h., Mi rzaev N., R adj abov S., Mirz aev O. Determination of 
subsets of strongly dependent features based on radial functions //In Proc. of Int. 
Conf. on Innovations in Engineering, Technology and Sciences (ICIETS-2018), 
20-21 September 2018, Karnataka, India. 
22. Мирзаев О.Н. Выделение репрезентативных признаков при построении 
алгоритмов распознавания //Проблемы информатики и энергетики. – 
Ташкент, 2008. – №6. – С. 23-27. 
23. Mirzaev N. , and Sal i ev E. Recognition Algorithms Based on Radial Functions 
//In Proc. of the 3nd Russian-Pacific Conf. on Computer Technology and 
Applications (August 18 – 25, 2018, Vladivostok, Russky Island, Russia). – 
Vladivostok: FEFU, 2018. – Pp. 1-6. 
24. Braga-Neto U.M., Doughert y E.R. Error Estimation for Pattern Recognition. 
–New York: Wiley, 2015. – 336 p. 
Муҳаммад ал-Хоразмий номидаги 11.04.2019й. 
Тошкент ахборот технологиялари қабул қилинган 
университети
УЎК 004.93