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

0
0 9 8 . 0 0 9 7 . 3 3 9 7 . 3 3 9 6 . 0 0 9 5 . 3 3 9
5
.
3
3 
Вино (Wine) 9 9 . 4 4 1 0 0 9 9 . 4 4 9 9 . 4 4 9 5 . 5 2 9 6 . 0 7 9 8 . 8 9 
Натижалар шуни кўрсатдики ишлаб чиқилган нейроноравшан моделдан олинган 
натижалар юқорида кўриб ўтилган шиша, ирис ва вино – синфлаштириш масалаларида 
қўлланилганида келтирилган бошқа алгоритмларга нисбатан самаралироқ натижа 
бермоқда. Фақат вино масаласини ечишда бир оз хатолик кузатилди. 

---

345 
ФОЙДАЛАНИЛГАН АДАБИЁТЛАР 
1. Рутковская Д., Пилинский М., Рутковский Л.Нейронные сети, генетические 
алгоритмы и нечеткиесистемы: Пер.с польск. И.Д. Рудинского. -М.: Горячая линия-
Телеком, 2004. -452 с. 
2. Заде Л.А. Размытые множества и их применение в распознавании образов и кластер-
анализе. // Классификация и кластер. -М: Мир. 1980. -С.208-247. 
3. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные 
сети. –М.:Физматлит. 2001. - 224 с. 
4. Ротштейн А.П., Котельников Д.И.. Идентификация неленейных завесимостей 
нечеткими базами знаний // Кибернетика и системный анализ. 1998. -№5. -С.53-61. 
5. Jie Lu, Guangquan Zhang Da Ruan, Fendjie Wu.Multi-objective group decision Making. 
ImperialCollege Press, London, 2007, 390. 
6. Peng L., Yang B., et al. (2009). "Data gravitation based classification." Inf. Sci. 179(6): 
809-819. 
 
КЛАСТЕРЛАШ АЛГОРИТМИ АСОСИДА СУСТ ШАКЛЛАНГАН ЖАРАЁНЛАР 
ҲОЛАТИНИ БАҲОЛАШНИНГ НЕЙРОНОРАВШАН МОДЕЛИНИ ҚУРИШ 
 
Примова Х.А. (ТАТУ хузуридаги ДМ ва АДМЯМ, катта илмий ходим-изланувчи) 
Солиева Б.Т. (ТАТУ хузуридаги ДМ ва АДМЯМ, кичик илмий ходим) 
Норкобилова Д. (ТАТУ, магистр) 
 
Суст шаклланган жараёнлар ҳолатини баҳолашнинг нейроноравшан моделини 
қуришда норавшан кластерлаш алгоритмидан фойдаланилади. 
Метрика асосида аниқ рефлексивлик ва оддий 

-симметриклик хусусиятларига эга 
бўлган норавшан муносабат аниқланади. Муносабатларнинг қурилиши бўйича икки 
элементи фақат ва фақат улар ўртасида ўзаро бир-бирларига “яқин” бўлган элементлар 
кетма-кетлиги мавжуд бўлган ҳоллардагина битта эквивалентлик синфига киради.
Яратилаётган алгоритм ўқув танланмасини аниқлашдан бошланади: 
Кейинги қадамда ўқув танланмасини нормаллаштириш амалга оширилади: 
Фазиффикациялаш оператори бажарилади: 
 
;
1
1
j
j
k
k
j
c
v
v





 
 
;
max
*
k
i
j
j
k
i
u
u



 
 
;
max
*
k
j
j
k
v
v



   
.
*
1
*
k
n
j
k
j
k
v
u
SP






Норавшан қоидаларни танлаш амалга оширилади:
k
SP
ни нормаллаштириш: 
min
max
min
SP
SP
SP
SP
l
k
k




. 
Фаззификация: 
 
;
1
1
j
j
k
k
j
c







 
 