Axborot texnologiyalari, tarmoqlar va telekommunikatsiyalar

Annotatsiya
: 
neyro–noravshan 
modellar 
asosida 
bashoratlovchi 
regulyatorlar uchun algoritmlarni ishlab chiqishga qaratilgan. 
Kalit so‘zlar
: bashoratlovchi regulyatorlar, neyron tarmoqlar, neyro- 
noravshan modellar, tezkor–bashoratlovchi boshqaruv, optimallashtirish. 
Neyron tarmoqlari, noravshan mantiq va gibrid neyro-noravshan tuzilmalar 
sun’iy intellekt tizimlarining asosidir [1-4]. Ushbu usullar universal 
approksimatorlar 
sifatida 
tanilgan 
va 
dinamik 
boshqaruv 
ob’ektlarini 
modellashtirish va identifikatsiya qilishda keng qo‘llaniladi. Bu ularni 
bashoratlovchi modellar sifatida bashoratlovchi regulyatorlarga kiritish uchun mos 
keladi. Dinamik boshqaruv ob’ektlarini identifikatsiya qilish bashoratlovchi 
regulyatorlarning ajralmas va juda muhim qismidir, chunki boshqarish sifati 
ularning bashoratlovchi aniqligiga bog‘liq. 
Bashoratlovchi regulyatorlarning yana bir muhim qismi bu optimizatordir. 
Ob’ektning ishlashini bashoratlash va boshqaruvchi ta’sirning optimal qiymatini 

---

International scientific conference "INFORMATION TECHNOLOGIES, NETWORKS AND 
TELECOMMUNICATIONS" ITN&T-2022 Urgench, 2022y April 29-30 
341 
aniqlash – bu bitta diskretizatsiya chastotasi doirasida bashoratlovchi regulyator 
bilan ishlashi kerak bo‘lgan murakkab protseduradir. Ushbu turdagi regulyator 
asosan sekin jarayonlar uchun ishlatilishining asosiy sababi ham shu. 
Bashoratlovchi regulyatorlarning ushbu kamchiliklarini bartaraf etish uchun 
modellashtirish va optimallashtirishda hisoblash tartibini osonlashtirish uchun 
usullar zarur. 
Gibrid neyro–noravshan modellarga asoslangan bashoratlovchi boshqaruv 
sohasida tadqiqotlar va ishlanmalarning tobora ko‘payib borishi ushbu 
regulyatorlarni takomillashtirishga qiziqish ortganligidan dalolat beradi [5-11]. 
Murakkab jarayonlarning xususiyatlarini oldindan ko‘rsatuvchi boshqarish 
tizimlarini to‘laroq tavsiflovchi modelni tanlashda bashoratlovchi regulyatorlar 
uchun algoritmlar ishlab chiqish muammolari muhim ahamiyat kasb etadi. Ushbu 
muaamolarni yechish uchun modellashtirishga qo‘yiladigan eng muhim talablarni, 
shuningdek, modellashtirish va identifikatsiya qilish usullariga umumiy nuqtai 
nazarni J.X.Li [12] ning ishlarida topish mumkin. R.K.Pirson [13] ishida 
matematik model uchun mos tuzilmani tanlash mumkin. Unda chiziqli bo‘lmagan 
tuzilmalarning ba’zi asosiy sinflari tavsiflanadi. Muallif ularni tasniflaydi va 
“yaxshi” model nima degan savolga javob beradi. Hozirgi vaqtda, Volterra 
modellari, Xamershteyn va Viner modellari, neyron tarmoqlar, noravshan mantiqiy 
modellar va gibrid modellar asosan shu maqsadlar uchun ishlatilishi haqida o‘z 
qarashlarini keltirib o‘tgan. 
Neyron tarmoqlarning boshqaruv tizimlarida bashoratlovchi regulyatorlar 
qo‘llanilishining sababi ularning xususiyatlarida, ya’ni o‘qitish qobiliyati, yuqori 
ishonchliligi va axborotni qayta ishlashning yuqori tezligidaligi hisoblanadi. 
Bashoratlovchi boshqaruv tizimlari to‘g‘ridan–to‘g‘ri aloqalarga ega bo‘lgan 
neyron tarmoqlardan foydalanishi mumkin. Shu bilan birga, chiziqli bo‘lmagan 
bashoratlovchi regulyatorlarga radial asosga ega neyron tarmoqlari, veyvlet neyron 
tarmoqlari va boshqalar kiradi. 
So‘nggi o‘n yilliklarda davriy neyron tarmoqlari jadal rivojlanib bormoqda, 
bunda aloqalar(bog‘lanish) yaratishdan tashqari, “xotira” rolini o‘ynaydigan va 
modelga jarayonning dinamikasini yaxshiroq aks ettirishga imkon beradigan qayta 
aloqa (mahalliy va/yoki global) qo‘shilgan. Shu sababli, rekurrent tarmoqlar 
to‘g‘ridan–to‘g‘ri tarmoqlarga qaraganda yaxshiroq ekanligi taxmin qilingan. 
Neyron tarmog‘ini o‘qitish – nochiziqli optimallashtirish masalasiga 
taalluqli muammo bo‘lib, u aloqa og‘irliklarini adaptiv sozlash bilan bog‘liq 
jarayon
. 
Eng ko‘p ishlatiladigan o‘qitish usullari birinchi va ikkinchi darajali 
gradiyent algoritmlari deb tasniflanishi mumkin. Birinchi guruh backpropogation 
algoritmiga, shuningdek uning modifikatsiyasiga (impuls kiritilishi bilan, adaptiv 
o‘qitish tezligi va hk.), ikkinchi guruhga Nyuton usuli, Kvazinyuton algoritmlari 
va Levenberg–Markguard usuli kiradi. O‘qitish algoritmi sifatida global 
optimallashtirish algoritmlari ham qo‘llaniladi. Shuningdek, genetik algoritmlar 
bilan bir qatorda chumolilar kolonasi algoritmlari va sun’iy asalari algoritmlaridan 
foydalanish taklif qilinadi. Ushbu algoritmlar guruhi hosila hisoblashlarni talab 

---

International scientific conference "INFORMATION TECHNOLOGIES, NETWORKS AND 
TELECOMMUNICATIONS" ITN&T-2022 Urgench, 2022y April 29-30 
342 
qilmaydi, ammo ular gradiyent usullariga qaraganda ancha sekinroq ishlaydi, bu 
ularni bashoratlovchi boshqaruv maqsadlari uchun yaroqsiz qiladi. 
Bashoratlovchi boshqaruv va nazoratda noravshan modellar Mamdani va 
Takagi–Sugeno modifikatsiyalarida ham qo‘llaniladi. Ushbu modellarga ishlab 
chiqish oson va nisbatan sodda tuzilishga egaligi uchun ularga ko‘proq afzallik 
beriladi. Ularning qurilishida sezilarli qiyinchilik noravshan qoidalar va tegishlilik 
funksiyalarini qurishda hisoblanadi. Mamdani modeli aniqroqdir, ammo 
identifikatsiya paytida aniqlanishi kerak bo‘lgan juda ko‘p parametrlarni o‘z ichiga 
oladi. 
Bashoratlovchi boshqaruv va nazorat uchun Takagi–Sugeno xulosalash 
mexanizmiga ega bo‘lgan modellardan keng foydalaniladi, ular argumentlari kirish 
o‘zgaruvchilari sanaladigan aniq funksiya bilan ifodalanadigan chiqish qiymati 
bilan aniqlanadi. So‘nggi yillarda ikkinchi tartibli noravshan to‘plamlarga ega 
modellar mashhur bo‘lib qoldi. Ushbu modellarning asosiy kamchiliklari shundaki, 
ular klassik birinchi tartibli modellarga qaraganda ko‘proq sozlamalarga ega. 
Ikkinchi tartibli modellar uchun tegishlilik darajasidan tashqari tegishli emaslik 
darajasi ham aniqlanishi lozim. 
Gibrid intellektual tuzilmalar neyron tarmoqlar va noravshan mantiq 
tizimlarining rivojlanishida paydo bo‘lmoqda. Ular noravshan tizimlarning 
ravshanligi va shaffofligini neyron tarmoqlarini o‘qitish qobiliyati bilan 
birlashtiradi. Noravshan modellarning muhim kamchiliklaridan biri ular 
ishlaydigan ko‘plab qoidalardir. Qoidalar sonini aniqlashda tizimdagi kirishlar soni 
va ishlatiladigan yordamchi funksiyalar sonini aniqlash kerak bo‘ladi. Chunki, 
kirishlar miqdori, ishlatiladigan funksiyalar soni aniqlansa, noaniq qoidalarning 
sonini ko‘paytma orqali topish mumkin bo‘ladi. 
Tezkor–bashoratlovchi 
boshqaruv 
uchun 
boshqa 
muammolar 
optimallashtirish 
algoritmlari 
va 
bashoratlovchi 
regulyatorlarni 
sozlash 
algoritmlarini ishlab chiqish bilan bog‘liq. Optimallashtirish algoritmiga 
qo‘yiladigan asosiy talablar uning tezkor yaqinlashuvi va uni real vaqtda amalga 
oshirishga imkon beradigan soddalashtirilgan hisoblash protsedurasidir. 
Nochiziqli optimallashtirish masalalarini real vaqt rejimida hal qilish 
algoritmlarini tadqiq etish va ishlab chiqishga bag‘ishlangan ishlarni E.Dadios [14] 
va M.Tenni [15] taklif qilgan. Bashoratlovchi regulyatorlarni sozlashning maqsadi 
modelning yaxshi ishlashini kuzatish, agar model mos kelmasa ishonchlilik va 
shovqinlarni kamaytirishni ta’minlash hisoblanadi. 
Xulosa qilish kerak bo‘lgan bitta muhim narsa shundaki, regulyatorni 
intellektual sozlash tizimida bashoratlovchi regulyatorlar to‘laqonli ishlab 
chiqilmagan. Shu sababli, kamaytirilgan hisoblash yuklamasi neyro-noravshan 
modellarni qurish bilan bir qatorda, optimallashtirish algoritmlarini ishlab chiqish 
va bashoratlovchi regulyatorlar parametrlarini hisoblash talabiga javob beradi.