55
В рамках данного подхода были внесены некоторые изменения в работу [1],
направленные на повышение ее производительности и применимости. Во-
первых, мы обновили этап ранжирования патчей, улучшив качество
ранжирования, а затем предложили новый метод комбинирования патчей для
более эффективного объединения патчей. Мы провели эксперименты и показали
эффективность предложенной нами работы.
Список литературы:
1. J. Kim and B. Lee, “MCRepair: Multi-Chunk Program Repair via Patch
Optimization with Buggy Block”, In proc. of the 38th Annual ACM/SIGAPP
Symposium on Applied Computing (SAC 2023), pp. 1508-1515, 2023.
2. N. Jiang, T. Lutellier, and L. Tan, “CURE: Code-Aware Neural Machine
Translation for Automatic Program Repair,” In proc. of the 43rd IEEE/ACM
International Conference on Software Engineering (ICSE), pp. 1161-1173, 2021.
3. S. Wang et al, “Automated patch correctness assessment: How far are we?,”
In proc. of the 35th IEEE/ACM International Conference on Automated Software
Engineering (ASE), pp. 968-980, 2020.
4. T. Lutellier, H.V. Pham, L. Pang, ..., and L. Tan, " CoCoNuT: combining
context-aware neural translation models using ensemble for program repair", In proc.
of the 29th ACM SIGSOFT international symposium on software testing and analysis
(ISSTA), pp. 101-114, 2020.
5. Y. Li, S. Wang, and T.N. Nguyen, “DEAR: a novel deep learning-based
approach for automated program repair.,” In Proc. of the 44th IEEE/ACM International
Conference on Software Engineering (ICSE), pp. 511–523, 2022.
6. https://sites.google.com/view/learning-fixes/home?authuser=0
7. https://github.com/rjust/defects4j
MA’LUMOTLARNI INTELLEKTUAL TAHLILLASH UCHUN
OLDINDAN TASNIFLASH VA YAKUNIY KONVOLYUTSION NEYRON
TARMOG‘I
Raximov Nodir Odilovich
Toshkent axborot texnologiyalari universiteti
Shirinboyev Ravshan
O‘zbekiston Milliy universitetining Jizzax filiali
Saidova Zilola Habibovna
Toshkent Kimyo xalqaro universiteti
Annotatsiya:
Ushbu maqola konvolyutsion neyron tarmoqlari va ma’lumotlar
tahlili bo’yicha muhim ma’lumotlar taqdim etadi. Bu tarmoqlar ma’lumotlarni tahlil
qilishda va tasniflashda foydalaniladigan texnologiyani tavsiflaydi. SNA-1(Social
Network Analysis) va SNA-2 (Social Network Analysis) nomli ikkita neyron tarmoqi
tuzilishi va ishlash prinsiplari haqida ma’lumot berilgan. Bu tarmoqlar ma’lumotlarni
56
qo’llab-quvvatlaydi va ularga intellektual tahlil imkoniyati beradi. Maqola
tarmoqlarning qatlamlarini ularning bog’lanishlarini va xususiyatlarini batafsil
tavsiflaydi. Bu tarmoqlar ma’lumotlarni avtomatik ravishda tahlil qilish va sinovdan
o’tkazishda ishlatiladi. SNS-1 (Synthetic Nervous System) va SNS-2 (Synthetic
Nervous System) konfiguratsiyalari esa bu tarmoqlarning sonini va sinaptik
koeffitsientlarni ifodalaydi. Bu maqola, ma’lumotlarni tahlil qilish uchun intellektual
tizimlarning murakkab tuzilishi va ishlashini tushuntiradi. Ushbu tizimlar,
ma’lumotlarni qisqa muddatda tahlil qilish va tasniflashda yordam beradi va ko’p
sohasida foydalaniladi.
Kalit so‘zlar:
SNA-1, SNS-2, neyron tarmoq, qatlamlar, yakuniy tasniflash.
Tasvirlardagi timsollarni dastlabki tasniflash uchun 1-rasmda ko‘rsatilgan SNA-1
tarmog’i ishlab chiqilgan. Ushbu neyron tarmoq SNS-2 ga qaraganda oddiyroq
tuzilishga ega: kamroq tekisliklar, neyronlar va ulanishlar. Bu yuqori ishlash va
hisoblash jarayonlari sonini kamaytirishni ta’minlaydi, bu ayniqsa tasnifdan oldingi
bosqichda muhimdir.
1-rasm. SNA-1 ning tuzilishi. C1, C2 konvolyutsiya qatlamlari, P1, P2 – quyi
namunali qatlamlar, N1, N2 - oddiy neyronlarning qatlamlari
Kirish qatlami 28x52 neyron o’lchamiga ega va kirish tasvirini neyron tarmoqqa
yuborish uchun mo’ljallangan.Ikkinchi qatlam C1 konvolyutsiya qatlami bo’lib, u
24x46 neyron o’lchamiga ega bo’lgan 5 ta konvolyutsion tekislikdan iborat. Berilgan
qatlamning har bir tekisligi o’ziga xos sinaptik koeffitsientlar matritsasi va neyron
yo’nalishga ega va shu bilan kirish tasvirining beshta konvolyutsiyasini amalga
oshiradi.
Konvolyutsiya qatlamining tekisliklarining o’lchami quyidagilar bilan
aniqlanadi:
𝑠
𝑘
= 𝑠
𝑝
− 𝑁 + 1, ℎ
𝑘
= ℎ
𝑝
− 𝑀 + 1,
bu yerda
s
k
, h
k
- konvolyutsion qatlam tekisligining balandligi va kengligi
parametrlari
h
p
, s
p
- oldingi qatlam tekisligining balandligi va kengligi parametrlari;
M,N- - lokal retseptiv maydonning balandligi va kengligi parametrlari
Konvolyutsion qatlam neyronining ishlashi quyidagi formula bilan aniqlanadi.
57
𝑦
𝑝
𝑖,𝑗
= 𝑎
𝑞
+ ∑ ∑ 𝑤
𝑞,𝑠,𝑡
𝑥
𝑞−1
𝑖,𝑗
𝑀
𝑡=1
,
𝑁
𝑠=1
y
q
i,j
konvolyutsion qatlam neyroni,
q
-chi tekislik; –
a
q
-chi tekislikning nerv
N, M
siljishi;- lokal qabul qiluvchi maydonning kengligi va balandligi; -
x
q−1
i,j
oldingi
qatlam neyronlarining chiqish qiymatlari;
w
q,s,t
– sinaptik koeffitsientlar.
Uchinchi qatlam P1 pastki namuna olish qatlami bo’lib, 5 ta kichik namuna olish
tekisligidan iborat. Har bir tekislik avvalgi C1 qatlamining faqat bitta mos keladigan
tekisligi bilan aloqaga ega. Quyi namuna olish operatsiyasi bajarilgandan so’ng, neyron
tarmoqning kirish tasvirini o’zgartirish va o’zgartirishga o’zgarmasligi ortadi va
tasvirdagi ob’ektlarning xususiyatlarining aniq joylashuvi ahamiyatsiz bo’ladi.
Namuna osti qatlami tekisliklarining o’lchami quyidagi formulalar bilan aniqlanadi:
𝑠
𝑘
=
𝑠
𝑝
𝑁
, ℎ
𝑘
=
ℎ
𝑝
𝑀
,
bu yerda
h
k
, s
k
- namunaviy qatlam tekisligining balandligi va kengligi
parametrlari
h
p
, s
p
-
oldingi
qatlam
tekisligining
balandligi
va
kengligi
parametrlari;
M, N
- mahalliy retseptiv maydonning balandligi va kengligi
parametrlari.Ikki namuna qatlami neyronining ishlashi quyidagi formula bilan
aniqlanadi
.
𝑦
𝑝
𝑖,𝑗
= 𝑎
𝑞
+
1
𝑁𝑀
𝑤
𝑞
∑ ∑ 𝑥
𝑞−1
𝑖,𝑗
𝑀
𝑡=1
,
𝑁
𝑠=1
bu yerda,
y
p
i,j
– namuna osti qatlamining neyroni,
q
-chi tekislik;
a
q
–
q
-chi
tekislikning nerv siljishi;
M, N
– lokal qabul qiluvchi maydonning balandligi va
kengligi parametrlari;
x
q−1
i,j
- oldingi qatlam neyronlarining chiqish qiymatlari; wq-
sinaptik koeffitsient.
To’rtinchi qatlam C2 konvolyutsiya qatlami bo’lib,
10𝑥20
neyronlarning 20 ta
konvolyutsion tekisliklaridan iborat. Qo’shni neyronlarning retseptiv maydonlari
qisman kesishadi. SNS-1 da P1 va C2 qatlamlari orasidagi bog’lanishlarning
taqsimlanishi eksperimental tarzda tanlangan. 1-jadvalda SNA-1da P1 va C2
qatlamlari orasidagi bog’lanishlarning taqsimlanishi ko’rsatilgan. C2 qatlamining
tekisliklari gorizontal, P1 qatlamining tekisliklari vertikal ravishda ko’rsatiladi.
1-jadval
58
Ushbu operatsiyalar natijasida neyron tarmoqning kirish tasvirining
buzilishlariga kamroq bog’liq bo’lgan har xil turdagi xususiyatlarni birlashtirish
qobiliyati ta’minlanadi.
Yettinchi qatlam N2 chiqish qatlami bo’lib, bitta neyrondan iborat. Ushbu
qatlamning roli yakuniy tasniflash natijasini hisoblashdir. Ushbu neyronning chiqish
qiymatlari -1 dan +1 gacha bo’lgan oraliqda. Ushbu qatlamning neyroni avvalgi N1
qatlamning barcha neyronlari bilan bog’langan va chiqish qiymatlari vektori va
parametrik vektor o’rtasidagi Evklid masofasini hisoblab chiqadi:
𝐸
𝑘
=
1
2
∑(𝑡
𝑘𝑗
− 𝑥
𝑘𝑗
)
2
,
𝑁
𝑗=0
bu yerda,
x
- kirish qiymatlari vektori,
w
- parametrik vektor,
y
- tarmoq chiqishi.
Konvolyutsion neyron tarmoqlari tekisliklarida umumiy sinaptik og’irliklardan
foydalanish orqali sozlanishi parametrlar sonini kamaytirishga erishiladi. SNS-1
tarkibida 13377 neyron va 1530 sinaptik koeffitsient mavjud. 2-jadvalda SNS-1
konfiguratsiyasi ko’rsatilgan.
Konvolyutsion qatlamlarning mahalliy retseptiv maydonlari qisman bir-biriga
yopishadi va umumiy neyron qiymatlariga ega. Shuning uchun mahalliy retseptiv
maydonning barcha neyronlarining qiymatlarini hisoblamaslik, balki oldingi
iteratsiyalarda hisoblangan qiymatlardan foydalanish mumkin. Ushbu usuldan
foydalanish hisob-kitoblarning vaqtini va hajmini sezilarli darajada kamaytirishi
mumkin.
Tasvirlardagi belgilarni yakuniy tasniflash uchun 3-rasmda ko’rsatilgan SNA-2
tarmog’i ishlab chiqilgan. Ushbu neyron tarmoq yanada murakkab tuzilishga ega:
ko’proq qatlamlar, neyronlar va ulanishlar. Bu hisoblash jarayonlari sonini oshiradi,
lekin shu bilan birga neyron tarmog’ini umumlashtirish qobiliyatining yuqori darajasini
ta’minlaydi.
59
2-rasm - SNA-2 ning tuzilishi. C1, C2 konvolyutsiya qatlamlari; P1, P2 – quyi
namunali qatlamlar; N1, N2 - oddiy neyronlarning qatlamlari
SNS-2 da P1 va C2 qatlamlari orasidagi bog’lanishlarning taqsimlanishi
eksperimental tarzda tanlangan. 3-jadvalda havolalarning taqsimlanishi ko’rsatilgan.
3-jadval - SNA-2da P1 va C2 qatlamlari orasidagi bog’lanishlarni taqsimlash
Lokal retseptiv maydonning o’lchami 4x6 neyrondir. Har biri tekislik mos
keladi.
Beshinchi qatlam P2 pastki namuna olish qatlami bo’lib, 24 ta namuna olish
tekisligidan iborat. Bu qatlam tekisliklarining o’lchami oldingi qatlam tekisliklarining
yarmiga teng va
5𝑥10
neyronga teng. Har bir tekislik avvalgi C2 qatlamining faqat
bitta mos keladigan tekisligi bilan aloqaga ega. Qo’shni neyronlarning retseptiv
maydonlari kesishmaydi va
2𝑥2
neyronlarning o’lchamiga ega. Har bir tekislik bitta
sinaptik koeffitsientga va asabiy moyillikka mos keladi. Ushbu qatlamda 1200 ta
neyron va 48 sinaptik og’irlik mavjud[2.20].
Oltinchi qatlam N1 48 neyrondan iborat. SNS-1 dan farqli o’laroq, bu
qatlamning har bir neyroni bir tekislik bilan emas, balki oldingi P2 qatlamining ikkita
tekisligi bilan bog’langan. Har bir neyron unga mos keladigan 100 ta kirish
parametrining vaznli yig’indisini hisoblab chiqadi, neyron tarafkashlikni qo’shadi va
natijani faollashtirish funksiyasi orqali uzatadi. Shunday qilib, bu qatlam 4848 sinaptik
og’irlikni o’z ichiga oladi.
SNS-2 tarkibida 15785 neyron va 5484 sinaptik koeffitsient mavjud. 4-jadvalda
SNS-2 konfiguratsiyasi ko’rsatilgan.
4-jadval - SNS-2 konfiguratsiyasi
60
Foydalanilgan adabiyotlar roʻyxati:
1.
Тоджиев
М.,
Улугмуродов
Ш.,
Ширинбоев
Р.
Tasvirlar
sifatiniyaxshilashning chiziqlikontrast usuli //Современные инновационные
исследования актуальные проблемы и развитие тенденции: решения и
перспективы. – 2022. – Т. 1. – №. 1. – С. 215-217.
2.
Таджиев М., Ширинбоев Р., Сулаймонова М. Open cv kutubxonasida
tasvirlarga rang modellari bilan ishlov berish //Современные инновационные
исследования актуальные проблемы и развитие тенденции: решения и
перспективы. – 2022. – Т. 1. – №. 1. – С. 212-215.
3.
Rustamovich A. A. Et al. Konvolyutsion neyron tarmog ‘i asosida video
tasvirdan yong ‘inni erta aniqlash //International Journal of Contemporary Scientific
and Technical Research. – 2022. – С. 128-132.
4.
Shirinboyev R. Et al. Image segmentation by otsu method //International
Journal of Contemporary Scientific and Technical Research. – 2023. – №. Special
Issue. – С. 64-72.
5.
Xolboyevich A. S. Et al. Pythonda chiziqli regressiya //International Journal
of Contemporary Scientific and Technical Research. – 2022. – С. 233-238.
6.
Ruzikulovich T. M. Et al. Neyron tarmoq algoritmlari yordamida murakkab
fondagi belgilarni aniqlash algoritmlari //International Journal of Contemporary
Scientific and Technical Research. – 2022. – С. 238-241.
7.
Akhatov A., Tozhiyev M., Shirinboyev R. Yongʻinni videotasvirda rangli
filtrlash bilan intensivlik oʻzgarishi asosida aniqlash //science and innovative
development. – 2023. – Т. 6. – №. 2. – С. 13-21.
8.
Akhatov A. Et al. Correction of integrity violations in the video image area
using the retinex algorithm //International Journal of Contemporary Scientific and
Technical Research. – 2023. – №. Special Issue. – С. 162-172.
9.
Olim Turakulov, Oybek Kayumov, & Nazokat Kayumova. (2023).
MANAGEMENT OF THE INTELLECTUAL RESOURCES OF THE ENTERPRISE
BASED ON ARTIFICIAL INTELLIGENCE DURING THE DEVELOPMENT OF
THE DIGITAL ECONOMY IN UZBEKISTAN. International Journal of
Contemporary Scientific and Technical Research, (Special Issue), 145–154. Retrieved
from https://journal.jbnuu.uz/index.php/ijcstr/article/view/338
10.
Ахатов, А., Улугмуродов, Ш. А., & Таджиев, . М. . (2022). Аудио для
фонетической сегментации и говори для говори. Современные инновационные
исследования актуальные проблемы и развитие тенденции: решения и
перспективы,
1(1),
146–149.
извлечено
от
https://inlibrary.uz/index.php/zitdmrt/article/view/5273
11.
Oybek Kayumov, Nazokat Kayumova, & Aliyeva Rayxona, Yo‘ldosheva
Madina. (2023). THE STRATEGIC SIGNIFICANCE OF HUMAN RESOURCE
MANAGEMENT IN UZBEKISTAN ENTERPRISES ON THE BASIS OF
ARTIFICIAL INTELLIGENCE. International Journal of Contemporary Scientific and
Technical
Research,
268–272.
Retrieved
from
https://journal.jbnuu.uz/index.php/ijcstr/article/view/588
12.
Тоджиев, М., Улугмуродов, Ш., & Ширинбоев, Р. (2022). Tasvirlar
sifatiniyaxshilashning chiziqlikontrast usuli. Современные инновационные
61
исследования актуальные проблемы и развитие тенденции: решения и
перспективы,
1(1),
215–217.
извлечено
от
https://inlibrary.uz/index.php/zitdmrt/article/view/5164
13.
Zhomurodov, D. ., Ulashev, A. ., & Tozhiyev, A. (2023). THE SYSTEM
FOR DETERMINING THE QUALIFICATIONS OF INDUSTRY EXPERTS.
Евразийский журнал академических исследований, 3(4 Special Issue), 280–289.
извлечено от https://in-academy.uz/index.php/ejar/article/view/14519
14.
Xolbutayevich T. O., Mamasoliyevich J. D. OʻQUV JARAYONIDA
TOʻLDIRILGAN
REALLIK
TEXNOLOGIYALARIDAN
FOYDALANISH
//International Journal of Contemporary Scientific and Technical Research. – 2022. –
С. 334-338.s
15.
Баратов Ж.Р. (2021). ИСПОЛЬЗОВАНИЕ ГЕНЕТИЧЕСКОГО
АЛГОРИТМА ПРИ ВЫПОЛНЕНИИ ДИАГНОСТИКИ. Экономика и социум, (3-
1 (82)), 458-464.
16.
Alisher T., Asrorjon U. APPLICATION AND RESULTS OF ARTIFICIAL
INTELLIGENCE TECHNOLOGIES IN EDUCATION //International Journal of
Contemporary Scientific and Technical Research. – 2023. – С. 28-30.
17.
Norqo’ziyev , Q. (2023). MOBIL ROBOTLAR UCHUN YO’LNI
REJALASHTIRISH ALGORITMI. Research and Implementation. извлечено от
https://fer-teach.uz/index.php/rai/article/view/746
18.
Rustamov Maxammadi Jabborovich, Irgasheva Umida Abdimital kizi, and
Iskandarov Azizbek Ilxom o‘g‘li. “BIR JINSLI BO‘LMAGAN ISSIQLIK
TARQALISH TENGLAMASINI FURYE (O‘ZGARUVCHILARNI AJIRATISH)
USULI YORDAMIDA YECHISH”. RESEARCH AND EDUCATION, vol. 2, no. 2,
Feb. 2023, pp. 79-84, https://researchedu.org/index.php/re/article/view/1796.
19.
Maxkamov Shohruh Sarvar oʻgʻli “MA’LUMOTLAR BAZASI (MB) VA
MA’LUMOTLAR BAZASINI BOSHQARISH TIZIMI (MBBT)NING NAZARIY
ASOSLARI”
KOMPYUTER
ILMLARI
VA
MUHANDISLIK
TEXNOLOGIYALARI mavzusidagi Xalqaro ilmiy-texnik anjuman materiallari
13.10.2023. 90-94 bet.
WEB ILOVALARDA AUTENTIFIKATSIYA DASTURIY VOSITALARINI
ISHLAB CHIQISH VA QO‘LLASH
t.f.f.d., dots. Abdumalikov Akmaljon Abduxoliq o‘g‘li
O‘zbekiston Milliy Universitetining Jizzax filiali
Gulmurodova Dinora Akram qizi
O‘zbekiston Milliy Universitetining Jizzax filiali magistranti
Hozirgi kunda dunyo miqyosida axborot texnologiyalarining jadal sur’atlar bilan
rivojlanib borishi ko‘plab qulayliklar bilan bir qatorda yangi muammolarni o‘rtaga
qo‘ymoqda. Avtomatlashtirilgan axborot tizimlarida va telekommunikatsiya
tizimlarida aylanayotgan axborotlar hamda ularning xavfsizligiga bo‘ladigan
