Ўзбекистон республикаси ахборот технологиялари ва коммуникацияларини ривожлантириш вазирлиги муҳаммад ал-хоразмий номидаги

 
 
 
 

---

343 
СУСТ ШАКЛЛАНГАН ЖАРАЁНЛАРНИ БАҲОЛАШ, БАШОРАТ ҚИЛИШ ВА 
СИНФЛАШТИРИШ МАСАЛАЛАРИНИ САМАРАЛИ ЕЧИШ 
Примова Х.А. (ТАТУ хузуридаги ДМ ва АДМЯМ, катта илмий ходим-изланувчи) 
Норкобилова Д. (ТАТУ, магистр) 
Норавшан тўпламларни баён қилиш учун норавшан ва лингвистик ўзгарувчилар 
тушунчалари киритилади. 
Норавшан мантиқий хулоса операцияларини ўтказиш учун “Агар-у ҳолда” 
шаклидаги норавшан фикрларни ўз ичига олувчи қоидалар базаси ва тегишли лингвистик 
термлар учун тегишлилик функциялари асос бўлиб ҳисобланади. Бунда қуйидаги шартлар 
бажарилиши керак[1-3]: 
1. Чиқувчи ўзгарувчининг ҳар бир лингвистик терми учун камида битта қоида 
мавжуд;
2. Кирувчи ўзгарувчининг исталган терми учун ушбу термдан дастлабки шарт 
сифатида (қоиданинг чап қисми) фойдаланиладиган камида битта қоида мавжуд. 
Акс ҳолда норавшан қоидаларнинг тўлиқ бўлмаган базаси мавжуд бўлади. 
Айтайлик, базада қуйидаги кўринишдаги m та қоида мавжуд бўлсин:
R
1
: АГАР x
1
БЎЛСА,бу A
11
 … ВА … x
n
бу A
1n
, У ҲОЛДА y бу B
1 
… 
R
i
: АГАР x
1
БЎЛСА, бу A
i1
 … ВА … x
n
бу A
in
, У ҲОЛДА y бу B
i 
… 
R
m
: АГАР x
1
БЎЛСА, бу A
i1
 … ВА … x
n
бу A
mn
, У ҲОЛДА y бу B
m
 , 
бу ердаx
k
, k=1..n – кирувчи ўзгарувчилар; y – чиқувчи ўзгарувчи; A
ik
– тегишлилик 
функциялар билан берилган норавшан тўпламлар. 
Норавшан хулоса натижаси бўлиб y
*
ўзгарувчининг берилган аниқ қийматлар x
k
, 
k=1..n асосидаги аниқ қиймати ҳисобланади. 
Умумий ҳолда мантиқий хулоса механизми ўз ичига тўртта босқични олади: 
норавшанликнинг киритилиши (фазификация), норавшан хулоса, композиция ва 
равшанликка келтириш ёки дефазификация. 
Норавшан нейрон тўрлари (fuzzy-
neural
networks) норавшан мантиқ аппарати 
асосида хулосаларни амалга оширади, тегишлилик функцияларининг параметрлари 
нейрон тўрларини ўқитиш алгоритмларидан фойдаланиб созланади. Шунинг учун бундай 
тўрларнинг параметрларини танлаб олишда дастлаб кўп қатламли персептронни ўқитиш 
учун таклиф қилинган хатонинг тескари тарқалиши усулини қўллаш мумкин. Бунинг учун 
норавшан бошқарув модули кўп қатламли тўр сифатида ифодаланади. Норавшан нейрон 
тўри одатда қуйидаги тўртта қатламдан ташкил топади: кирувчи ўзгарувчиларни 
фазификациялаш қатлами, шартларни фаоллаштириш қийматларини жамлаш қатлами, 
норавшан қоидаларни жамлаш қатлами ва чиқиш қатлами. 
Синфлаштириш масаласи образни бир нечта синфлардан бирига киритишдан иборат. 
Айтайлик, X-объектлар баёнларининг тўплами, Y- синфлар рақамлари (ёки номлари) 
тўплами бўлсин. Маълум: 

 



m
m
m
y
x
y
x
X
,
,...,
,
1
1

-ўқув танланмаси. Талаб қилинади: 
қуйидаги акслантиришни қуриш:
 
.
,
:
i
i
y
x
f
Y
X
f


Таниб олинаётган ночизиқли боғлиқлик “киришлар-чиқиш” маълумотлари 
танланмаси билан ифодаланади: 


,
,
1
,
,
M
r
Y
X
r
r

 
бу ерда


n
r
r
r
r
x
x
x
X
,
2
,
1
,
,...,
,

- киришлар векторива
r
Y  - r – жуфтликдаги чиқиш вектори; М 
– танланма ҳажми. 
Идентификация қилиш масаласи ўртача квадратик боғлиқмасликнинг энг кичик 
қийматини таъминловчи F норавшан моделни топишдан иборат [4]: 

---

344 
 






M
j
r
r
X
F
Y
M
1
2
min,
1
бу ерда
 
r
X
F
- 
r
X  вектор билан берилган киришлар қийматларидаги норавшан модел 
чиқишининг қиймати. 
Норавшан қоида хулосаларидан ташкил топган моделлар ёрдамида суст 
шаклланган жараёнларни баҳолаш, башорат қилиш ва синфлаштириш масалаларини 
самарали ечиш имкони пайдо бўлади. Шунингдек параметрик идентификация, баҳолаш, 
синфлаштириш, кластерлаш ва башоратлашнинг нейроноравшан моделини қуриш 
жараёнида тўртта мақсад функциясига эга бўлган оптималлаштириш масаласи вужудга 
келиши мумкин [5]. 
 
 
 
 
 







M
j
r
r
X
F
Y
M
S
f
S
f
ва
S
f
S
f
1
2
4
3
2
1
min;
1
min
,
min
min
,
max
Бу ерда 
 
S
f
1
– Sқоидалар тўпламидан фойдаланган ҳолда тўғри синфлаштирилган 
объектлар сони, 
 
S
f
2
–Sқоидалар тўпламидаги норавшан қоидалар сони, 
 
S
f
3
–Sга 
кирувчи элементларнинг умумий сони (суммарное), 
 
S
f
4
-назарий ва амалий натижалар 
орасидаги оғишлар квадрати йиғиндиси. Шундай қилиб кўпмезонли оптималлаштириш 
масаласини ечиш вазифаси вужудга келади [5].
Ишлаб чиқилган нейроноравшан модел қуриш алгоритми дастурини бир қатор 
баҳолаш, синфлаштириш, кластерлаш ва башоратлаш масалаларида қўллаш мумкин. 
Мисол 
тариқасида 
http://www.ics.uci.edu/~mlearn/databases/ 
интернет 
манзилида 
жойлашган турли синфлаштириш масалаларини эксперемент сифатида кўриб ўтамиз. 
Буларга ирис масаласи (Iris Data Set), шиша масаласи (Glass Identification Data Set), вино 
масаласи (Wine Data Set) кабилар киради [6]. 
Қуйидаги 1-жадвалда келтириб ўтилган модел масалаларнинг формал кўриниши 
келтирилган. 
1-жадвал. Модел масалалар таснифи 
М а с а л а н и н г н о м и С и н ф л а р с о н и Белги лар сон и Объ ектлар сон и 
Ш и ш а ( G l a s s ) 
7 
9 
2
1
4 
И р и с ( I r i s ) 
3 
4 
1
5
0 
В и н о ( W i n e ) 
3 
1
3 1
7
8 
Солиштириш мақсадида ушбу масалаларни турли мавжуд алгортим ва моделлар 
ёрдамида ечилди. Улардан олинган ва биз таклиф этаётган нейроноравшан моделдан 
олинган натижаларни солиштирма тахлили 2-жадвалда келтириб ўтилган. 
2-жадвал. Солиштирма натижалар 
М а с а л а Нейро-норавшан G B C S G F S V M 1 N N K N N Conventional 
R B F n e t w o r k 
Шиша (Glass) 8 7 . 8 5 8 4 . 2 7 7 5 . 7 4 7 1 . 5 0 7 2 . 0 1 7 2 . 0 1 6 9 . 1 6 
Ири с (Iris) 1