Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
280
Shuningdek,bunda asl tasvirni piksel qiymatlari to‘liq kvant sxemaga kodlanadi va keyinchalik
shovqinlar va filtrlar bilan qayta ishlanadi.
1-rasm. Hisoblash tajribasi natijalari
Tasvirni 4x4 o‘lchamdagi piksellari va intensivliklari NEQR algoritmi yordamida kvant
sxemaga kodlangan. Tasvir kvant bitlariga kodlangandan so‘ng, har bir piksel pozitsiyasi va
intensivligi superpozitsiya holatiga keltirildi. Bu jarayon tasvirning aniq ko‘rinishida o‘zgarishlar
keltirib chiqarmaydi, lekin bu o‘zgartirishlar tasvirni kvant sxemada ifodalash uchun zarur.
Kodlash jarayonida kvant sxemalarining shovqinli xususiyatlari paydo bo‘lgan, bu esa tasvirni
simulyatsiya qilishda muhim rol o‘ynaydi.
4.Xulosa.
Mazkur maqolada kvant tasvirni qayta ishlashni turli metodlari, xususan, NEQR
kodlash algoritmi, Gauss filtri va shovqinlarni boshqarish modellarini qo‘llash orqali kvant
tasvirlar sifatini yaxshilash va shovqinlarni kamaytirish imkoniyatlari ko‘rib chiqildi. Kvant
kodlash jarayoni tasvirni kvant sxemada ifodalashga imkon beradi, bu esa tasvirni har bir
pikselining pozitsiyasi va intensivligini kvant bitlari yordamida superpozitsiyalashni anglatadi.
NEQR algoritmi yordamida tasvirni kvant kodlash samaradorligi ko‘rsatildi, bu esa tasvirni kvant
sxemada ishlash uchun tayyorlashga imkon berdi. Gauss filtri orqali tasvirga yumshatish va
shovqinlarni kamaytirish jarayoni samaradorligi ko‘rildi. Kvant Gauss filtri tasvirning
intensivligini yaxshilash va shovqinlarni kamaytirish imkonini berdi. Filtrlanishdan so‘ng tasvirlar
aniqroq va kamroq shovqinli bo‘ldi, bu esa tasvirni qayta ishlashda yuqori aniqlikni ta’minladi.
Adabiyotlar ro‘yxati
1. Muhamediyeva, D. T., Mamatov, N. S., Niyozmatova, N. A., Sobirov, R. A., &
Samijonov, A. N. (2024, July). Quantum methods of image analysis and processing in the
frequency domain. In
Third International Conference on Digital Technologies, Optics, and
Materials Science (DTIEE 2024)
(Vol. 13217, pp. 158-165). SPIE.
2. Mamatov, N. S., Jalelova, M. M., Samijonov, A. N., & Samijonov, B. N. (2025). A method
for removing mixed noise in images. In
Artificial Intelligence and Information Technologies
(pp.
489-495). CRC Press.
TO‘LIQ FAZODA PRETSIDENT OBYEKTLARNI ANIQLASH ALGORITMI
Nishanov Axram Xasanovich
Toshkent axborot texnologiyalari universiteti,
Tizimli va amaliy dasturlashtirish kafedrasi professor, DSc,
Ollamberganov Fayzulla Farxod o‘g‘li
Toshkent axborot texnologiyalari universiteti doktoranti,
Odiljonov Umidjon Odiljon o‘g‘li
Toshkent axborot texnologiyalari universiteti magistranti
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
281
Annotatsiya:
Ushbu tadqiqot timsollarni tanib olish va tasniflash jarayonlarida
multiklasterlashning muhim jihati bo‘lgan pretsident obyektlarni tanlash muammosini hal qilishga
bag‘ishlangan. Nominal va sonli belgilar fazosini hisobga olgan holda pretsident obyektlarni
tanlashning yangi algoritmi taklif etildi. Bu algoritm ma’lumotlarning aniq, barqaror va shaffof
klassifikatsiyasini ta’minlab, ayniqsa tibbiy diagnostika jarayonlarida tahliliy qarorlar qabul qilish
samaradorligini oshiradi.
Kalit so‘zlar:
Pretsedent obyekt, timsollarni tanib olish, ma’lumotlar tahlili.
АЛГОРИТМ ОПРЕДЕЛЕНИЯ ПРЕЦИДЕНТНЫХ ОБЪЕКТОВ В ПОЛНОМ
ПРОСТРАНСТВЕ
Аннотaция:
Статья посвящено решению проблемы выбора прецидентных объектов,
являющейся важным аспектом мульти кластеризации в процессах распознавания и
классификации образов. Предложен новый алгоритм выбора прецидентных объектов с
учетом пространства номинальных и числовых признаков. Этот алгоритм обеспечивает
точную, устойчивую и прозрачную классификацию данных, повышая эффективность
принятия аналитических решений, особенно в процессах медицинской диагностики.
Ключевые слова:
Прецидентный объект, распознавание образов, анализ данных.
ALGORITHM FOR DETERMINING PRECEDENT OBJECTS IN FULL SPACE
Annotation:
The article is devoted to solving the problem of selecting precedent objects,
which is an important aspect of multi-clustering in pattern recognition and classification processes.
A new algorithm for selecting precedent objects, taking into account the space of nominal and
numerical features, is proposed. This algorithm ensures accurate, robust, and transparent data
classification, enhancing the effectiveness of analytical decision-making, especially in medical
diagnostic processes.
Keywords:
Precedent object, pattern recognition, data analysis.
Hozirgi kunda sun’iy intellekt va ma’lumotlarni tahlil qilish sohalarida obyektlarni aniq va
samarali sinflashtirish muhim masalalardan biri hisoblanadi. Ayniqsa, tibbiy ma’lumotlar bilan
ishlashda bemorlar to‘g‘risidagi ma’lumotlarni to‘g‘ri klasterlash va tasniflash, kasalliklarni erta
aniqlash hamda samarali qaror qabul qilish jarayonlari uchun hal qiluvchi ahamiyatga ega. Klassik
klasterlash usullari ko‘pincha obyektlarni faqat bitta klasterga mansub deb qarasa, zamonaviy
yondashuvlar , jumladan, multiklasterlash, bir obyektning bir nechta sinf bilan bog‘liq bo‘lishi
mumkinligini inobatga oladi [1,2].
Multiklasterlash jarayonida hal qiluvchi bosqichlardan biri, bu president obyektlarni
tanlashdir. President obyektlar, klasterlarning namunali vakillari bo‘lib, ular asosida boshqa
obyektlarning klasterga mansubligi baholanadi. Ushbu yondashuv obyektlarning noaniq va ko‘p
o‘lchamli fazoda aniqroq ajratilishiga xizmat qiladi [3–5]. Shuningdek, nazoratsiz xususiyatlarni
tanlash va klasterlashni birlashtirgan ko‘p maqsadli algoritmlar samaradorlikni yanada
oshirmoqda [6–8]. Mazkur metodologiyalarni birlashtirgan holda klasterlararo farq va klaster
ichidagi o‘xshashlik darajalarini hisobga olgan holda to‘g‘ri president obyektlarni tanlash
algoritmlari ishlab chiqilmoqda [9,10].
Maqolada taklif etilayotgan algoritm ham aynan shunday talab va mezonlar asosida
shakllantirilgan bo‘lib, nominal va qiymatli belgilar fazosidagi ma’lumotlarni tahlil qilish orqali
sinflararo aniqlikni oshirishga xizmat qiladi. President ob’ektlarni aniq tanlash orqali tasniflash
jarayonidagi noaniqlik kamayadi, klasterlash sifatining yuqoriligi ta’minlanadi va ayniqsa tibbiy
sohalarda qo‘llash uchun qulay muhit yaratiladi.
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
282
Masalaning qo‘yilishi.
Faraz qilaylik, N-o‘lchamli nominal va qiymatli belgilar fazosida
o‘quv tanlanma
𝑋 = ⋃
𝑋
𝑝
𝑟
𝑝=1
sinflarining
𝑋
𝑝
, 𝑝 = 1, 𝑟
̅̅̅̅
har birlari uchun president ob’ektlarni
𝑥̂
𝑝𝑞
= {𝑥̂
𝑝𝑞
1
, 𝑥̂
𝑝𝑞
2
, . . . 𝑥̂
𝑝𝑞
𝑁
}, 𝑝 = 1, 𝑟
̅̅̅̅, 𝑞 = 1, 𝑟
𝑝
̅̅̅̅̅
tanlash talab etiladi.
Bunda mul’tisinf
𝑋
𝑝𝑞
, 𝑝 = 1, 𝑟
̅̅̅̅, 𝑞 = 1, 𝑟
𝑝
̅̅̅̅̅
president ob’ekti
𝑥̂
𝑝𝑞
va ushbu multisifning
boshqa ob’ektlari bilan o‘xshashlik darajalari oldindan aniqlangan
𝛿
sonidan kam bo‘lmasligi talab
etiladi. Shuningdek,
𝑋
𝑝
sinfning boshqa multisinflari
𝑋
𝑝𝑡
ning president ob’ektlari
𝑥̂
𝑝𝑡
𝑡 =
1, 𝑟
𝑝
̅̅̅̅̅, 𝑡 ≠ 𝑞
o‘zaro o‘xshashlik darajalari
𝛿/3
dan yuqori bo‘lmasligi talab etiladi.
President ob’ektlarni tanlash algoritmi
Faraz qilaylik o‘quv tanlanma
𝑥
𝑝1
, 𝑥
𝑝2
, … , 𝑥
𝑝𝑚
𝑝
∈ 𝑋
𝑝
,
𝑝 = 1, 𝑟
̅̅̅̅
ko‘rinishida berilgan
bo‘lsin. Tanlanma ob’ektlaridan
𝑥
𝑝𝑖
, 𝑖 = 1, … , 𝑚
𝑝
president ob’ektlarni
𝑥̂
𝑝𝑞
ni topish talab etiladi.
Ushbu masalani yechimini aniqlashda yuqorida keltirilgan belgilashlardan foydalanamiz.
Algoritm besh banddan iborat. Ular quyidagicha:
Birinchi qadam.
O‘quv tanlanma ob’ektlari ma’lumotlar bazasiga kiritiladi. Boshlang‘ich
ma’lumotlar bazasi barcha
𝑋
𝑝
,
𝑝 = 1, 𝑟
̅̅̅̅̅
sinf ob’ektlari kesimida shakllantiriladi;
Ikkinchi qadam.
Har bir sinf
𝑋
𝑝
,
𝑝 = 1, 𝑟
̅̅̅̅
ob’ektlari
𝑥
𝑝1
, 𝑥
𝑝2
, … , 𝑥
𝑝𝑚
𝑝
∈ 𝑋
𝑝
,
𝑝 = 1, 𝑟
̅̅̅̅
juftliklarni hosil qiladi. Bunda barcha
𝐶
𝑚
𝑝
2
kombinatsiya hosil qilinadi va juftlik ob’ektlarining
o‘zaro o‘xshashlik darajalari aniqlanadi. Nominal belgilar
o‘xshashligini ko‘rsatuvchi kattalik
va
sonli belgilar
o‘xshashligini ko‘rsatuvchi kattalik
asosida hisoblanadi;
Uchinchi qadam.
Juftliklar orasidan
𝜈(𝑥
𝑝𝑖
, 𝑥
𝑝𝑘
) ≤
𝛿
3
shartini qanoatlantirgan ob’ektlardan
to‘plam tuziladi. Shuningdek, to‘plamni tashkil etuvchilarining takrorlanmasligi nazorat qilinadi.
To‘rtinchi qadam.
To‘plamdagi ob’ektlar o‘zaro qayta baholanadi va evristik shartni
to‘plamdagi barcha ob’ektlar bilan bajargan ob’ekt president ob’ekt sifatida olinadi.
Beshinchi qadam.
Barcha sinflar kesimida president ob’ektlar aniqlanganda protsedura
tugatiladi. Bunda har bir sinf
𝑋
𝑝
,
𝑝 = 1, 𝑟
̅̅̅̅
ob’ektlariga bog‘liq tarzda president ob’ektlar soni har
xil bo‘ladi.
Taklif etilgan nazariy tadqiqotlar, algoritmlar asosida yuqorida bayon etilgan masala
yechilgan bo‘lib har bir sinf kesimida president ob’ektlar tanlash amalga oshiriladi.
Tadqiqot natijalari shuni ko‘rsatadiki, har bir sinfdagi president ob’ektlarni aniq mezonlar
asosida tanlash, ya’ni o‘zaro o‘xshashlik va farq darajalarini hisobga olish, tasniflash jarayonida
yuzaga keladigan noaniqliklarni kamaytiradi. Shu bilan birga, algoritmning ko‘p maqsadli,
masshtablashuvchan va domenga moslashuvchan xususiyatlari uni boshqa sohalarda, jumladan
bioinformatika, marketing, ijtimoiy tahlil va sanoatdagi monitoring tizimlarida ham qo‘llash
imkonini yaratadi. Kelgusidagi tadqiqotlarda taklif etilgan algoritmni real tibbiy ma’lumotlar
asosida sinovdan o‘tkazish, shuningdek, president ob’ektlarni avtomatik tanlashni chuqur
o‘rganish orqali uning intellektual imkoniyatlarini yanada kengaytirish maqsadga muvofiq
hisoblanadi.
Adabiyotlar рўйхати
1.
Santos, A., & Heras, S. (2022). A fair-multicluster approach to clustering of categorical
data.
Central
European
Journal
of
Operations
Research,
30,
1361–1383.
https://doi.org/10.1007/s10100-022-00824-2
2.
Friedman, J. H. (1997). Clustering objects on subsets of attributes (Technical report).
Stanford University. https://jerryfriedman.su.domains/ftp/cosa.pdf
3.
Alqurashi, M., & Wang, H. (2021). A multiple clustering combination approach based on
iterative voting. Journal of King Saud University - Computer and Information Sciences, 33(1), 90–
100. https://doi.org/10.1016/j.jksuci.2019.12.010
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
283
4.
Li, Y., Liu, Y., & Wang, X. (2020). Multi-scale supervised clustering-based feature
selection
for
tumor
classification.
BMC
Genomics,
21(1),
Article
768.
https://doi.org/10.1186/s12864-020-07038-3
5.
Wang, Y., Xu, H., & Zhou, D. (2020). CGUFS: A clustering-guided unsupervised feature
selection algorithm for gene expression data. Frontiers in Genetics, 11, 578416.
https://doi.org/10.3389/fgene.2020.578416
6.
Al-Gburi, A., Nazri, M. Z. A., & Yaakub, R. (2024). Multi-objective unsupervised feature
selection and cluster based on symbiotic organism search. Algorithms, 17(8), Article 355.
https://doi.org/10.3390/a17080355
7.
Khan, A., Luo, S., & Temple, R. (2022). An analysis framework for clustering algorithm
selection
with
application
to
medical
data.
PLOS
ONE,
17(4),
e0266369.
https://doi.org/10.1371/journal.pone.0266369
8.
Handl, J., & Knowles, J. (2019). Multi-objective clustering: A kernel based approach.
Connection Science, 31(1), 65–90. https://doi.org/10.1080/09540091.2019.1603201
9.
Fred, A. L. N., & Lourenço, A. (2015). Combined mapping of multiple clustering
algorithms
(COMMUNAL).
Scientific
Reports,
5,
Article
16971.
https://doi.org/10.1038/srep16971
10.
Zhang, L., Li, X., & Wang, H. (2023). Three-stage multi-objective feature selection with
distributed ensemble machine and deep learning. Discover Artificial Intelligence, 3, Article 18.
https://doi.org/10.1016/j.discia.2023.100156
KAFT IZI MA’LUMOTLARINI TO‘PLASH USULLARI
Shadiyev Usmon Ramazanovich
Sharof Rashidov nomidagi Samarqand davlat universiteti
“Dasturiy injiniring” kafedrasi dotsenti
Qodirov Asliddin Asomiddin o‘g‘li
Sharof Rashidov nomidagi Samarqand davlat universiteti
“Dasturiy injiniring” kafedrasi assistenti
Abduraxmonov Muhammad Sulaymon o‘g‘li
Sharof Rashidov nomidagi Samarqand davlat universiteti
“Dasturiy injiniring” kafedrasi assistenti
Annotatsiya:
Mazkur maqolada insonning biometrik identifikatsiyasi sohasida kaft izi
ma’lumotlarini to‘plash usullari tahlil qilingan. Asosan, kaft izini to‘plashning ikki xil usuli -
oflayn va onlayn metodlari solishtirilib, ularning afzalliklari va kamchiliklari yoritilgan. Oflayn
usulda siyohli tasvirlar asosida ma’lumot yig‘ish texnikasi izohlangan, onlayn usulda esa real vaqt
rejimida ishlaydigan qurilmalarning arxitekturasi, foydalanuvchi interfeysi va optik tizim talablari
ko‘rib chiqilgan.
Kalit so‘zlar:
Biometrika, kaft izini aniqlash, oflayn va onlayn usullar.
МЕТОДЫ СБОРА ДАННЫХ ПО ОТПЕЧАТКАМ ЛАДОНЕЙ
Аннотация:
В данной статье проанализированы методы сбора данных отпечатков
ладони в области биометрической идентификации человека. В основном рассматриваются
