Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
239
СЕКЦИЯ №3. АЛГОРИТМИЗАЦИЯ В РЕШЕНИИ ЗАДАЧ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
DINAMIK OBYEKTLARNI ANIQLASHDA K-MEANS KLASTERLASH
ALGORITMINI QO‘LLASH
Malikov Ziyodullo Abdurayim o‘g‘li
1,a)
1
Sharof Rashidov nomidagi Samarqand davlat universiteti
Rabbimov G‘iyosjon Mehriddin o‘g‘li
2,b)
2
Sharof Rashidov nomidagi Samarqand davlat universiteti
b)
Annotatsiya:
Ushbu maqolada dinamik obyektlarni aniqlashda k-means klasterlash
algoritmini bajarilishi ko‘rib chiqilgan. k-means usuli nazoratsiz o‘qitish usullaridan biri
bo‘lganligi sababli real vaqtda harakatlanuvchi obyektlarni aniqlash, kuzatish va tasniflashni o‘z
ichiga oluvchi dinamik obyektlarni aniqlash masalalarida keng qo‘llaniladi. Usulning mazmuni,
uning bajarilishi va kamchiliklari chuqur o‘qitish usullaridagi yondashuvlarni talab qiladi.
Kalit so‘zlar:
dinamik obyekt, klasterlash, k-means, segmentlash
ПРИМЕНЕНИЕ АЛГОРИТМА КЛАСТЕРИЗАЦИИ K-СРЕДНИХ ДЛЯ
ИДЕНТИФИКАЦИИ ДИНАМИЧЕСКИХ ОБЪЕКТОВ
Аннотация:
В данной статье рассматривается применение алгоритма кластеризации
k-means для распознавания динамических объектов. Поскольку метод k-means является
одним из методов обучения без учителя, он широко используется в задачах определения,
отслеживания и классификации движущихся объектов в реальном времени. Содержание
метода, его реализация и недостатки указывают на необходимость применения подходов
глубокого обучения.
Ключевые слова:
динамический объект, кластеризация, k-means, сегментация
APPLICATION OF K-MEANS CLUSTERING ALGORITHM IN
IDENTIFICATION OF DYNAMIC OBJECTS
Abstract:
This article examines the implementation of the k-means clustering algorithm for
the detection of dynamic objects. Since k-means is one of the unsupervised learning methods, it is
widely used in tasks that involve the real-time detection, tracking, and classification of moving
objects. The essence of the method, its implementation, and its disadvantages indicate the need for
approaches related to deep learning techniques.
Keywords:
dynamic object, clustering, k-means, segmentation.
Bugungi kunda kompyuterli nigoh va sun’iy intellekt sohasining keskin rivojlanishi
natijasida ular olib boradigan yo‘nalishlar tobora kengayib bormoqda. Ushbu masalalar sirasiga
dinamik obyektlarni aniqlash kiradi. Dinamik obyektlarni aniqlash masalasi qo‘llaniladigan
sohalar sirasiga avtonom transport vositalari, videokuzatuv tizimlari, robotexnika, masofadan
zondlash kabi ko‘plab sohalarni keltirish mumkin [1].
Dinamik obyektlarni aniqlashda segmentlash usullar keng qo‘llaniladi. Tasvirni
segmentlash – bu raqamli tasvirni bir nechta mantiqiy va mazmunli sohalarga ajratish jarayoni
bo‘lib, u ko‘plab qaror qabul qilishga yo‘naltirilgan tizimlarda muhim ahamiyatga ega. Umuman
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
240
olganda segmentlash masalasi quyidagicha qo‘yiladi. Faraz qilaylik,
I
butun tasvir va uni
segmentlash quyidagi shartlarni qanoatlantiruvchi
l
ta
1
2
,
,...,
l
T
T T
T
=
sohalariga ajratgan boʼlsin:
1.
1
l
i
i
I
T
=
=
;
2.
,
1, :
,
;
i
j
i j
l i
j T
T
=
=
3.
( )
1, ,
chin;
i
i
l P T
=
=
4.
(
)
,
1, ,
yolg'on;
i
j
i j
l P T
T
=
=
bu yerda
P
soha piksellarida aniqlangan mantiqiy predikat [2].
1-shart
I
tasvirni
l
ta, ya’ni
1
2
,
,...,
l
T
T T
T
=
sohalar birlashmasidan iborat ekanligini
anglatadi. 2-shart bu
l
ta sohalarni oʼzaro kesishmasligini bildiradi. 3-shart esa piksel yagona
sohada joylashishi zarurligini taʼminlaydi. 4-shart ixtiyoriy ikkita
i
T
va
j
T
sohalar
P
predikat
maʼnosida ajralishini bildiradi.
Segmentlash natijasida tasvirdagi bir xil belgilarga ega piksellar bir guruhga birlashtiriladi,
sohalar o‘rtasida esa yaqqol kontrast hosil qilinadi, bu esa tahlil qilishni ancha osonlashtiradi.
Segmentlash uchun turli usullar mavjud bo‘lib, ular orasida klasterlash asosidagi
yondashuvlar ayniqsa keng tarqalgan. Bu yondashuvlar orasida k-means, noravshan C-means,
subtraktiv klasterlash kabi usullari mavjud bo‘lib, ushbu usullar ma’lumotlar orasidagi
o‘xshashlikka asoslangan holda sohalarni aniqlaydi. Ushbu usullardan k-means usuli bajarilish
jihatdan soddaligi, tezkorligi va katta o‘lchamli tasvirlar bilan samarali ishlashi tufayli keng
qo‘llaniladi. Biroq, k-means algoritmidan samarali foydalanish uchun klasterlar soni – ya’ni
qiymatini oldindan to‘g‘ri belgilash va boshlang‘ich markaz (sentroid) larni mos ravishda tanlash
muhimdir, chunki bu omillar yakuniy segmentlash natijasiga bevosita ta’sir ko‘rsatadi [3].
k-means klasterlash algoritmi ma’lumotlar to‘plamini oldindan belgilangan k ta klasterga
ajratishga asoslangan mashhur usullardan biridir. Ushbu algoritm iterativ tarzda ishlaydi va har bir
obyektni o‘ziga eng yaqin klaster markaziga (sentroidga) tayinlash orqali klasterlararo masofa
yig‘indisini minimallashtirishni maqsad qiladi. Jarayon dastlabki k ta markazni belgilash bilan
boshlanadi. Har bir nuqta Yevklid
masofasi asosida eng yaqin markazga tayinlanadi [4]. Shundan
so‘ng, klasterlarning yangi markazlari o‘z a’zolari bo‘yicha qayta hisoblanadi va bu jarayon
yaqinlashuv yuz berguncha takrorlanadi. Har bir markaz klasterdagi barcha nuqtalarga bo‘lgan
masofalar yig‘indisini minimallashtiruvchi nuqta bo‘lib xizmat qiladi.
Agar
x
y
o‘lchamdagi tasvirni k ta klasterga bo‘lish kerak bo‘lsa, kiruvchi piksel to‘plami
( , )
p x y
, klaster markazlari esa
k
c
ko‘rinishida belgilanadi. k-means algoritmi bu piksellarni
quyidagilarga muvofiq holda guruhlashni amalga oshiradi:
1. Klasterlar soni “k” ni va markazlarni dastlabki sozlash.
2. Tasvirning har bir pikseli uchun markaz va har bir piksel oʻrtasidagi Yevklid masofasi
d
ni quyidagi munosabat yordamida hisoblash.
|| ( , )
||
k
d
p x y
c
=
−
3. Barcha piksellarni
d
asosida eng yaqin markazga tayinlash.
4. Barcha piksellar tayinlangandan soʻng, quyidagi munosabat yordamida markazning yangi
pozitsiyasini qayta hisoblash.
1
( , )
k
k
k
y c x c
c
p x y
k
=
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
241
5. Jarayonni tolerantlik yoki xatolik qiymatiga mos kelguncha takrorlash.
6. Klaster piksellarini tasvir shaklida qayta shakllantirish.
Garchi
k-o‘rtacha klasterlash algoritmi
soddaligi va amaliy qulayligi bilan ajralib tursa-
da, u ba’zi cheklovlarga ega. Natijalar sifati
dastlabki markazlarning tasodifiy tanlanishiga
sezgir bo‘lib, bu har xil boshlang‘ich holatlarda turli segmentlashga olib keladi. Shuning uchun
markazlar ehtiyotkorlik bilan tanlanishi lozim. Shuningdek, algoritmning
hisoblash
murakkabligi
– u ma’lumotlar soni, klasterlar soni va iteratsiyalar soniga bog‘liq bo‘lib, bu
omillar ham tahlil jarayonida inobatga olinishi kerak [5].
k-means usuli nazoratsiz o‘qitish usullaridan biri bo‘lganligi sababli real vaqtda
harakatlanuvchi obyektlarni aniqlash, kuzatish va tasniflashni o‘z ichiga oluvchi dinamik
obyektlarni aniqlash masalalarida keng qo‘llaniladi. k-means segmentlash usuli orqali tasvirdagi
piksellarning yorqinligiga ko‘ra guruhlash mumkin. Bu klasterlash orqali obyektlar tanib olinishi
mumkin bo‘ladi.
Yuqorida keltirilgan klassik segmentlash usuli klasterlar sonining oldindan berish zarurati,
noodatiy ma’lumotlarga sezgirlik, klaster shakllarining cheklanganligi kabi kamchiliklarga ega.
Shu sababli zamonaviy chuqur o‘qitish usullari asosida dinamik obyektlarni segmentlash
yondashuvlarini ishlab chiqish dolzarb masaladir.
Adabiyotlar ro‘yxati
1. Yusupov, Ozod, et al. "Analysis of superpixel segmentation approaches in remote sensing
images." AIP Conference Proceedings. Vol. 3147. No. 1. AIP Publishing, 2024.
2. Gonzales, Rafael C., and Paul Wintz. Digital image processing. Addison-Wesley
Longman Publishing Co., Inc., 1987.
3. Rahmani, Md Khalid Imam, Naina Pal, and Kamiya Arora. "Clustering of image data
using K-means and fuzzy K-means." International Journal of Advanced Computer Science and
Applications 5.7 (2014).
4. Zheng, Xin, et al. "Image segmentation based on adaptive K-means algorithm." EURASIP
Journal on Image and Video Processing 2018.1 (2018): 1-10.
5. Fazilov, Sh Kh, O. R. Yusupov, and Kh S. Abdiyeva. "Mammography image
segmentation in breast cancer identification using the otsu method." (2022).
NOMUTANOSIB OʻQUV TANLANMANING NEYRON TOʻRI ASOSIDAGI
KLASSIFIKATSIYA MODELLARIGA TAʼSIRI
Samandarov Batirbek Satimovich
Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti
doktoranti
Geldibayev Begench Yegendurdiyevich
Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti tayanch
doktoranti
Joldasbaev Dauranbek Rustem ulı
Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti tayanch
doktoranti
Annotatsiya:
Nomutanosib oʻquv tanlanma neyron toʻrlari asosidagi klassifikatsiya
modellarining samaradorligiga jiddiy taʼsir koʻrsatadi. Ushbu tadqiqotda bunday
muvozanatsizlikning model aniqligi va umumlashtirish qobiliyatiga taʼsiri oʻrganiladi va
