883
TEXNIKA
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 8-SON
WWW.INFOCOM.UZ
BIZNES IQTISODIY KO‘RSATKICHLARINI BOSHQARISH VA
BASHORATLASH UCHUN NEYRON TARMOQLARI ALGORITMLARI
TAHLILI
Ishmetov Bahrom Yangibayevich
Muhammad al-Xorazmiy nomidagi Toshkent azborot texnologiyalari unversiteti
Urganch filiali, Axborot texnologiyalari kafedrasi assistenti
Annotatsiya:
Ushbu maqolada neyron tarmoqlar nima ekanligini ular qanday
ishlashini va qanday vazifalarni hal qilishini va biznesda iqtisodiy ko‘rstakichlarni
boshqarish va bashoratlashda qanday o‘rin egallashini ko‘rsatib beradi.
Neyron
tarmoqlar - bu odamlarni neyronlari (asab hujayralari) qanday ishlashiga o‘xshash
tarzda ma’lumotlarni (ma’lumotlarni) uzatish, qayta ishlash va o‘rganish uchun
yaratilgan ulangan birliklar yoki tugunlarning kompyuter modellari hisoblanadi va
biznes rivojida katta ahamiyatga ega ekanligini ko‘rsatadi.
Kalit so‘zlar: Neyron tarmoqlar, kompozit, marketing, bashoratlash, iqtisodiy
ko‘rsatkichlar, bashoratlash usullari.
KIRISH
Iqtisodiy ko‘rsatkichlar, bir korxona yoki tashkilotning faoliyatining natijalari,
daromad, xarajat, daromad darajasi, mijozlar soni va boshqalar kabi ko‘rsatkichlar
orqali o‘lchash mumkin. Bu ko‘rsatkichlar, korxona faoliyatining samaradorligini,
moliyaviy holatini va istiqbollarni aniqlashda muhim ahamiyatga ega. Biznesda,
ko‘rsatkichlarning to‘g‘ri va aniqlik bilan qarashliligi, strategik qarorlar qabul qilishda
va uzluksiz yaxshi tahlil qilishda juda muhimdir. Hozirgi kunda biznesning iqtisodiy
ko‘rsatkichlarini bashoratlash va boshqarishda neyron tarmoqlaridan keng
foydalanilmoqda. Neyron tarmog‘i yordamida bashorat qilishda biznesga ta’sir
ko‘rsatishi mumkin bo‘lgan turli omillarga e’tibor qaratiladi. Marketingni boshqarish,
moliyaviy menejment, operatsion boshqaruv va xatarlarni boshqarish kabi
menejmentning turli sohalarida neyron tarmog‘ini qo‘llash bo‘yicha ko‘plab ishlar olib
borilmoqda.
ASOSIY QISM
Iqtisodiy ko‘rsatkichlar
Iqtisodiy ko‘rsatkichlar biznesni bashorat qilishda hal qiluvchi rol o‘ynaydi ,
iqtisodiyotning umumiy barqarorligi va yo‘nalishi haqida qimmatli tushunchalarni
beradi. Ham miqdoriy, ham sifat jihatidan bo‘lishi mumkin bo‘lgan bu ko‘rsatkichlar
884
TEXNIKA
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 8-SON
WWW.INFOCOM.UZ
tahlilchilar va qaror qabul qiluvchilarga iqtisodiyotning hozirgi holatini baholashda va
uning kelajakdagi traektoriyasini bashorat qilishda yordam beradi. Iqtisodiy
ko‘rsatkichlarni kuzatish orqali korxonalar ongli qarorlar qabul qilishlari,
strategiyalarini o‘zgartirishlari va potentsial imkoniyatlar yoki xavflarni oldindan
bilishlari mumkin
Iqtisodiy ko‘rsatkichlarning turlari.
Iqtisodiy ko‘rsatkichlar biznesni bashorat
qilishda hal qiluvchi rol o‘ynaydi va iqtisodiyotning umumiy salomatligi va yo‘nalishi
haqida qimmatli ma’lumotlarni beradi. Ushbu ko‘rsatkichlar qaror qabul qiluvchilarga
tendentsiyalarni aniqlash, xavflarni baholash va xabardor biznes strategiyalarini ishlab
chiqishda yordam beradi. Iqtisodiy ko‘rsatkichlarning har xil turlari mavjud bo‘lib, ular
iqtisodiyotning holati to‘g‘risida turlicha qarashlarni ta’minlaydi. Ushbu bo‘limda biz
iqtisodiy ko‘rsatkichlarning keng tarqalgan turlarini ko‘rib chiqamiz.
1. Yetakchi ko‘rsatkichlar:
Yetakchi ko‘rsatkichlar iqtisodiyotdagi o‘zgarishlarni ular sodir bo‘lishidan
oldin bashorat qilish uchun ishlatiladi. Ular kelajakdagi tendentsiyalar haqida qimmatli
ma’lumotlarni taqdim etadi va biznesga iqtisodiy o‘zgarishlarni kutishga yordam
beradi. Yetakchi ko‘rsatkichlarga misol sifatida fond bozorining ishlashi , qurilish
ruxsatnomalari va iste’molchilarning kayfiyatini o‘rganish kiradi. Masalan, qimmatli
qog‘ozlar bozori indekslarining ko‘tarilishi investorlarning ishonchi ortishi va yaqin
kelajakda potentsial iqtisodiy o‘sishni ko‘rsatishi mumkin.
2. Kechikish ko‘rsatkichlari:
Nomidan ko‘rinib turibdiki, orqada qolgan ko‘rsatkichlar, ular sodir bo‘lganidan
keyin iqtisodiyotdagi o‘zgarishlarni aks ettiradi. Ushbu ko‘rsatkichlar allaqachon sodir
bo‘lgan tendentsiyalar yoki o‘zgarishlarni tasdiqlaydi va ko‘pincha etakchi
ko‘rsatkichlarning to‘g‘riligini tasdiqlash uchun ishlatiladi. Qolgan ko‘rsatkichlarga
ishsizlik darajasi, inflyatsiya darajasi va iste’mol xarajatlari misol bo‘ladi. Masalan,
ishsizlik darajasining o‘sishi allaqachon sodir bo‘lgan iqtisodiy faollikning
sekinlashishini ko‘rsatishi mumkin.
3. Tasodifiy ko‘rsatkichlar:
Tasodifiy ko‘rsatkichlar iqtisodiyotning hozirgi holati haqida real vaqt rejimida
ma’lumot beradi . Ular biznes tsikli bilan birgalikda harakat qiladi va korxonalarga
hozirgi iqtisodiy sharoitlarni baholashga yordam beradi. Tasodifiy ko‘rsatkichlarga
misol sifatida sanoat ishlab chiqarishi, chakana savdo va yalpi ichki mahsulot (YaIM)
kiradi. Masalan, chakana savdoning o‘sishi kuchli va o‘sib borayotgan iqtisodiyotni
ko‘rsatishi mumkin.
4. Kompozit ko‘rsatkichlar:
Kompozit ko‘rsatkichlar iqtisodiy sharoitlarning to‘liq ko‘rinishini ta’minlash
uchun bir nechta iqtisodiy o‘zgaruvchilarni birlashtiradi. Ushbu ko‘rsatkichlar bir
vaqtning o‘zida turli omillarni hisobga olgan holda iqtisodiyotning yaxlit ko‘rinishini
885
TEXNIKA
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 8-SON
WWW.INFOCOM.UZ
taqdim etadi. Kompozit ko‘rsatkichlarga misollar orasida etakchi iqtisodiy indeks
(LEI) va Konferentsiya kengashining tasodifiy iqtisodiy indeksi (CEI) kiradi. Ushbu
ko‘rsatkichlar iqtisodiyotning to‘liqroq tasavvurini ta’minlash uchun bir nechta
etakchi, orqada qolgan va tasodifiy ko‘rsatkichlarni hisobga oladi.
5. Mintaqaviy ko‘rsatkichlar:
Mintaqaviy ko‘rsatkichlar mamlakat ichidagi muayyan geografik hududlar yoki
hududlarga qaratilgan. Ushbu ko‘rsatkichlar korxonalarga ma’lum bir mintaqaning
iqtisodiy sharoitlarini tushunishga va mahalliylashtirilgan qarorlar qabul qilishga
yordam beradi. Hududiy ko‘rsatkichlarga misol sifatida uy-joy narxlari, bandlik
darajasi va ma’lum bir mintaqaga xos bo‘lgan tadbirkorlik faolligi indekslari kiradi.
Misol uchun, ma’lum bir shaharda uy-joy narxining pasayishi ushbu mintaqaning
ko‘chmas mulk bozoridagi sekinlashuvni ko‘rsatishi mumkin .
Ushbu turli turdagi iqtisodiy ko‘rsatkichlarni tushunish va tahlil qilish
korxonalarga aniqroq prognozlar va asosli qarorlar qabul qilish imkonini beradi.
Kelajakdagi tendentsiyalar bo‘yicha yetakchi ko‘rsatkichlarni, tasdiqlash uchun
kechikish ko‘rsatkichlarini, hozirgi holat uchun mos keladigan ko‘rsatkichlarni, keng
qamrovli ko‘rinish uchun kompozit ko‘rsatkichlarni va mahalliylashtirilgan
tushunchalar uchun mintaqaviy ko‘rsatkichlarni hisobga olgan holda, korxonalar
iqtisodiy o‘zgarishlardan oldinda bo‘lishi va o‘z strategiyalarini shunga mos ravishda
moslashtirishi mumkin.
Neyron tarmog‘i
So‘nggi bir necha yil mobaynida neyron tarmoqlarning metodiga qiziqish
iqtisodiyot, tibbiyot, texnologiya, geologiya, fizika kabi sohalarda qo‘llanilishi tufayli
sezilarli darajada oshdi [1]. Neyron tarmog‘i tushunchasi an’anaviy ravishda biologik
neyronlar tarmog‘ini anglatadi. Tushunchaning zamonaviy qo‘llanishi sun’iy
neyronlardan tashkil topgan sun’iy neyron tarmoqlarini anglatadi. Shunday qilib,
atama ikkita o‘ziga xoslikka ega: Biologik neyron tarmoqlari va sun’iy neyron
tarmoqlari. Biologik neyron tarmoqlar periferik nerv sistemasi yoki markaziy nerv
sistemasida bog‘langan haqiqiy biologik neyronlardan tashkil topgan. Nevrologiya
sohasida ular laboratoriya tahlilida aniq fiziologik funksiyani bajaradigan neyronlar
guruhi sifatida aniqlanadi. Sun’iy neyronlar o‘zaro bog‘lovchi sun’iy neyronlardan
tarkib topgan[2]. Ushbu tarmoq biologik neyron tarmoqlari haqida tushunchaga ega
bo‘lish yoki sun’iy aql muammolarini hal qilish uchun ishlatilishi mumkin.
Neyron tarmog‘i qatlamlarda joylashgan “neyronlar” deb nomlangan
birliklardan tashkil topgan strukturadir. Neyronlar “otish” va boshqa neyronlar
qatlamiga ma’lumot yuborishni hal qilish uchun matematik funksiyalardan
foydalanadilar. Arxitektura inson miyasiga o‘xshash tarzda yaratilgan, bu erda
neyronlar yonadi va turli neyronlar o‘rtasida aloqalar o‘rnatiladi. Neyron tarmoqlardan
886
TEXNIKA
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 8-SON
WWW.INFOCOM.UZ
tasvirlarni yaratishdan tortib, tasvirdagi elementlarni topishgacha bo‘lgan murakkab
muammolarni hal qilishda foydalanish mumkin.
Neyron tarmoqda ma’lumotlar tarmoqqa kiritiladi va kerakli natijani olish uchun
sun’iy neyronlarning bir nechta qatlamlaridan o‘tadi. Har bir neyron turli xil tarkibiy
qismlardan iborat bo‘lib, ularni quyidagi rasmda ko‘rish mumkin:
1-rasm. Kirish va chiqishlarni ko‘rsatadigan matematik belgilar bilan
neyronning tasviri
Har bir neyron to‘rtta asosiy xususiyatga ega. Keling, ularning har birini
muhokama qilaylik.
Kiritish.
O‘quv jarayonida modelga kiritilgan xususiyatlar kirish deb ataladi.
Masalan, ob’ektni aniqlashda kirish rasmdagi piksel qiymatlari qatori bo‘lishi mumkin.
Og‘irliklar.
Og‘irliklar o‘quv jarayoniga ko‘proq ta’sir ko‘rsatadigan
“xususiyatlarni” ta’kidlash uchun xizmat qiladi. Tarmoq tomonidan amalga oshirilgan
muvaffaqiyatli bashoratda xususiyat qanchalik ko‘p paydo bo‘lsa, ushbu xususiyatni
ifodalovchi neyron(lar)ning og‘irligi shunchalik ko‘p bo‘ladi. Og‘irliklar kiritilgan
qiymatga va og‘irlik matritsasiga skalyar ko‘paytirishni qo‘llash orqali hisoblanadi.
Misol uchun, salbiy so‘z bir juft neytral so‘zlarga qaraganda salbiy so‘zlarni aniqlash
vazifasi yuklangan hissiyotlarni tahlil qilish modeli natijalariga ko‘proq ta’sir qiladi.
Faollashtirish funksiyasi.
Faollashtirish funksiyasining asosiy maqsadi
tugundagi yig‘ilgan vaznli kirishni keyingi yashirin qatlamga o‘tkaziladigan yoki
yakuniy chiqish sifatida ishlatiladigan chiqish qiymatiga aylantirishdir.
Faollashtirish funksiyalari neyronning tarmoqqa kirishiga qarab faollashtirilishi
kerakmi yoki yo‘qligini aniqlaydi [4]. Bu funksiyalar kiritishning bashorat qilish uchun
muhimligini aniqlash uchun matematik operatsiyalardan foydalanadi. Agar kirish
muhim deb hisoblansa, funksiya neyronni “faollashtiradi”. Aksariyat faollashtirish
funksiya
lari chiziqli emas. Bu neyron tarmoqlarga maʼlumotlar toʻplami (yaʼni turli
piksellar tasvirdagi xususiyatni qanday tashkil etishi) haqida xususiyatlarni
887
TEXNIKA
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 8-SON
WWW.INFOCOM.UZ
“oʻrganish” imkonini beradi. Chiziqli b
o‘lmagan faollashtirish funksiyalarisiz neyron
tarmoqlar faqat chiziqli va affin funksiyalarni o‘rganishi mumkin edi. Nima uchun bu
muammo? Bu muammo, chunki chiziqli va affin funksiyalar real dunyo
ma’lumotlarida ko‘pincha mavjud bo‘lgan murakkab va chiziqli bo‘lmagan naqshlarni
ushlay olmaydi.
Tarafsizlik.
Bias - bu faollashtirish funksiyasidan o‘tishdan oldin kirishlarning
vaznli yig‘indisiga qo‘shiladigan neyron parametrlariga ishora qilish uchun
ishlatiladigan atama. Bias odatda skalyar qiymat sifatida ifodalanadi va neyron
tarmoqni o‘qitish jarayonida og‘irliklar bilan birga o‘rganiladi.
Bias atamasi faollashtirish funksiyasini chapga yoki o‘ngga siljitish orqali neyronning
chiqishini o‘zgartirishi mumkin, bu chiqish qiymatlari diapazonini va yonayotgan
neyronlar sonini o‘zgartirishi mumkin. Bu tarmoqning umumiy xatti-harakatiga
sezilarli ta’sir ko‘rsatishi mumkin.
Neyron tarmoqning umumiy tuzilishi.
Neyron tarmoqlari bir-biridan juda farq
qiladi. Har kuni butun dunyo bo‘ylab biznes va akademiyadagi odamlar ma’lum bir
muammoni oldingi versiyalarga qaraganda yaxshiroq hal qiladigan neyron tarmoqlar
uchun yangi konfiguratsiyalar bilan tajriba o‘tkazmoqda. Ammo, odatda, neyron
tarmoqning tarmoqlar bo‘ylab izchil bo‘lgan bir nechta xususiyatlari mavjud.
Quyidagi rasmda kirish qatlami, yashirin qatlamlari va chiqish qatlamlari bilan
neyron tarmoqning umumiy tuzilishi ko‘rsatilgan:
2-rasm. Neyron tarmoqning umumiy tuzilishi
Neyron tarmoqlari bashoratlash usullari
Koʻplab bashorat muammolari tendentsiyalarning aniq koʻtarilishini
koʻrsatmoqda va boshqa tomondan ular juda kuchli mavsumiy oʻzgarishlarni
koʻrsatadi
[5]. Haqiqiy hayot ma’lumotlariga neyron tarmoqni bashorat qilish
usullarini qo‘llash juda katta hajmdagi ma’lumotlar, yuqori o‘lchamliligi va mavsumiy
888
TEXNIKA
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 8-SON
WWW.INFOCOM.UZ
o‘zgarishlar mavjudligi tufayli qiyin. Teleko‘rsatuv bu kabi bashoratlash modellari
katta yordamga ega bo‘lgan sohadir.
Neyron tarmoqlar chiziqli bo‘lmagan dasturlar uchun foydalidir. Bashorat
bashorat qilish yoki kelajakni sezishdan boshqa narsa emas. Koʻplab bashorat
muammolari tenden
siyalarning aniq koʻtarilishini koʻrsatmoqda va boshqa tomondan
ular juda kuchli mavsumiy oʻzgarishlarni koʻrsatadi.
Kirish birliklari soni neyron tarmog‘ining bashorat qilishda saqlangan
malumotlarni olish davrlar sonini aniqlaydi. Kirish birliklari soni kirish oynasining
kattaligiga teng. Tarmoq berilgan kirish-chiqish to‘plamlari uchun o‘rgatilgandan
so‘ng, kelgusi davr uchun ishlab chiqarishning mohiyatini bashoratlash yoki bashorat
qilish uchun qo‘llaniladi. 3-rasmda bashoratlash ma’lumotlari neyron tarmog‘iga
qanday qabul qilingani ko‘rsatilgan.
3-rasm. Bashorat qilish uchun neyron tarmog‘i
Ko‘plab ta’sir qiluvchi omillar sabab mintaqaviy iqtisodiy rivojlanishning
tarixiy ma’lumotlari juda murakkab. Biroq, ma’lumotlar o‘rtasidagi murakkab
munosabatlar tufayli iqtisodiy rivojlanishni ob’ektiv va har tomonlama aks ettiruvchi
889
TEXNIKA
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 8-SON
WWW.INFOCOM.UZ
ko‘rsatkichlarni topish qiyin. Ko‘p chiziqli regressiya, kulrang korrelyatsiya modeli va
vaqt seriyalari kabi an’anaviy tahlil usullari mintaqaviy iqtisodiy o‘zgarishi yuqori
bo‘lgan ko‘rsatkichlarni samarali tahlil qila olmaydi va aniq iqtisodiy bashoratlab
bilmaydi. Nochiziqli dinamika texnologiyasining rivojlanishi bilan nochiziqli
mintaqaviy iqtisodiyotning rivojlanish tendentsiyalarini har tomonlama o‘rganishi
mumkin bo‘lgan kuchli nochiziqli tahlil imkoniyatlariga ega bo‘lgan turli xil bashorat
qilish usullari mavjud. Amaliy bashoratda, bashoratni aniqroq qilish uchun sun’iy
neyron tarmoqlardan foydalangan holda iqtisodiy bashorat modellari tizimlari
o‘rnatiladi.
Ko‘plab olimlar yangi genetik algoritm va qisqa muddatli yukni bashoratlash
orqali dinamik iqtisodiy o‘zgarish muammosini hal qilish uchun optimal energiya
rejalashtirish usulini taklif qildi. Gibrid usul yuqori bashorat qilish qobiliyatini
ko‘rsatsada, global yechimlarni izlash tufayli vaqt sarfi sezilarli darajada oshadi. [6] da
kunlik iqtisodiy o‘zgarish uchun mustahkamlovchi bashoratlash tizimini taklif qildi.
Tizimning real vaqt rejimida fikr-mulohazalarini olish uchun mustahkamlovchi
bashoratlash tizimi qo‘llaniladi, shuning uchun kirish obyektlari sifatida real vaqt
rejimida katta hajmdagi ma’lumotlar kerak bo‘ladi. [7] dagi ishda iqtisodiy
rivojlanishni bashorat qilish uchun statistik tahlil usullaridan foydalanadi, uning
natijalari vaqt sarfi kamroq ekanligini ko‘rsatadi, ammo bashorat qilish xatosini
nazorat qilish qiyin. Xuddi shunday, [8] da amalga oshirilgan PVAR modeli iqtisodiy
o‘sish tendensiyasini bashorat qilish uchun ishlatiladi.
Yuqoridagi bashoratlash usullaridan farqli o‘laroq, neyron tarmoqlar mukammal
o‘rganish va bashorat qilish qobiliyatlari tufayli ancha samarali bo‘lib bormoqda.
Masalan, trafikda ishlatiladigan Grafik neyron tarmoqlari [11], signal jarayonida
qo‘llaniladigan neyron tarmoq [12], diagnostika texnologiyalarida qo‘llaniladigan
chuqur neyron tarmoqlari [13] va tibbiyot sohasida qo‘llaniladigan chuqur neyron
tarmoqlari [14] va boshqalar. Umuman olganda, neyron tarmoqlarning turli tuzilmalari
odatda turli dastur sohalarida qo‘llaniladi, masalan, [15] filtr sifatida konvolyutsion
neyron tarmoqlaridan foydalangan va shu bilan siyrak ma’lumotlarni tahlil qilgan. [16]
da tasvirlarni tasniflash uchun chuqur neyron tarmoqlarini ishlab chiqdi. Va ko‘krak
saratoni gistopatologik tasvirlarni tasniflash uchun ishlatiladigan, [17] tomonidan taklif
qilingan chuqur neyron tarmoqlari. Xuddi shunday, chuqur neyron tarmoqlari dinamik
MR tasvirlash uchun ishlatiladi. [18] dagi ishda iqtisodiyotni bashorat qilish uchun
Radial Basis Function (RBF) neyron tarmog‘ini va Back Propagation (BP) neyron
tarmog‘ini taklif qildi. Taqqoslangan natijalar shuni ko‘rsatadiki, RBF neyron
tarmog‘ining bashoratlash qobiliyati BP neyron tarmog‘iga qaraganda yaxshiroq.
Elman neyron tarmog‘i tipik mahalliy regressiya tarmog‘i (global oldinga
yo‘naltirilgan mahalliy oqim) [19] bo‘lib, uni lokal xotira birliklari va lokal qayta aloqa
ulanishlari bilan takrorlanuvchi neyron tarmoq sifatida ko‘rish mumkin. [20]
890
TEXNIKA
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 8-SON
WWW.INFOCOM.UZ
tomonidan taklif etilgan Elman neyron tarmog‘i tarmoq tizimining xavfsizligini
bashorat qiladi va tarmoq xavfsizligi uchun erta ogohlantirishlarni beradi. Elman
neyron tarmog‘ini o‘qitish uchun global yechimdan foydalanish tufayli prognozning
aniqligi global yechimga tayanadi va o‘quv iste’moli ham ortadi. [21] trafikni bashorat
qilish uchun genetik algoritm bilan birgalikda Elman neyron tarmog‘idan foydalangan.
Garchi genetik algoritm Elman neyron tarmog‘ining tarmoq parametrlarini
optimallashtirgan bo‘lsada, bu bashorat qilingan aniqlikni sezilarli darajada oshiradi,
genetik algoritmdagi krossover va mutatsiya operatsiyalari bashorat ko‘rsatkichlariga
osongina ta’sir qiladi. Chjan va boshqalar. [22] havo sifatini bashorat qilish uchun
IOIF-Elman neyron tarmog‘idan foydalangan, bu kamchiliklarni ham sekin
konvergentsiyani, ham lokal minimal darajalarga tushirishni bartaraf etgan. Xuddi
shunday, [23-24] da amalga oshirilgan ushbu Elman neyron tarmoqlari prognozning
ajoyib ishlashini ochib beradi. Elman neyron tarmoqlarini optimallashtirish uchun,
odatda, ularga boshqa usullar yoki boshqa tarmoq tuzilmalari birlashtiriladi. Masalan,
Masud va boshqalar. [25] konvolyutsion neyron tarmoqlari va Elman neyron
tarmoqlariga asoslangan gibrid tarmoqni taklif qildi. Biroq, gibrid tarmoqdagi
parametrlarni o‘qitish juda murakkab. Rajesh [26] Memory Recurrent Elman Neural
Network-dan foydalangan, ya’ni Recurrent neyron tarmog‘i Elman neyron tarmog‘iga
kiritilgan. Shubhasiz, bu bashorat qilingan natijalar Elman neyron tarmog‘i
ma’lumotlarni bashorat qilish uchun mos ekanligini tasdiqlaydi.
XULOSA
Biznesning iqtisodiy ko‘rsatkichlarini bashoratlashda mintaqaviy iqtisodiy
rivojlanishning bizga ma’lum ma'lumotlariga tayanadi, ammo bizga ma’lum
ma'lumotlar o‘rtasidagi murakkab munosabatlar tufayli mavjud tahlil usullari yuqori
biznesning iqtisodiy ko‘rsatkichlarini to‘g‘ri tahlil qila olmaydi va ilg‘or iqtisodiy
bashorat natijalariga erisha olmaydi, iqtisodiy rivojlanishni xolis va har tomonlama aks
ettiruvchi muhim ko‘rsatkichlarni o‘rganish qiyin. Biz bu ishda iqtisodiyot
bashoratlash uchun va iqtisodiyotga ta’sir qiluvchi muhim ko‘rsatkichlarni o‘rganish
orqali iqtisodiy qarorlar qabul qiluvchi bir qancha neyron tarmoqlari orqali
bashoratlash usullarini tahlil qildik. Tahlillar shuni ko‘rsatdiki biznes iqtisodiy
ko‘rsatkichlarini bashoratlashda Elman neyron tarmog‘i usuli boshqalariga qaraganda
samaraliroq ekanligi aniqlandi. Elman neyron tarmog‘ining bashoratlash samarodligini
oshirish uchun bir qancha parametrlar qo‘shish va armoqning konvergentsiya tezligini
oshirish orqali ancha samarador qilish mumkinligi aniqlandi.
FOYDALANILGAN ADABIYOTLAR RO‘YXATI
1.
M. Aiken, Using a neural network to forecast inflation, Industrial
Management &Data Systems 7 (1999) 296–301.
891
TEXNIKA
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 8-SON
WWW.INFOCOM.UZ
2.
D. Alexander and L. R. Thomas, Monetary/Asset models of exchange rate
determination: How well have they performed in the 1980’s? International Journal of
Forecasting 3 (1987) 53–64.
3.
J. A. Anderson and E. Rosenfeld, Neurocomputing: Foundations of Research
(MIT Press, Cambridge, MA, 1988).
4.
S. I. Ao, Analysis of the interaction of Asian Pacific indices and forecasting
opening prices by hybrid VAR and neural network procedures, in Proc. Int. Conf. on
Computational Intelligence for Modelling, Control and Automation 2003, Vienna,
Austria, (February 2003 a).
5.
S. I. Ao, Incorporating correlated markets’ prices into stock modeling with
neural network, in Proc. IASTED Int. Conf. on Modelling and Simulation 2003, Palm
Springs, USA (February 2003b), pp. 353–358.
6.
6. Lilin Cheng, Haixiang Zang, Anupam Trivedi, Dipti Srinivasan, Zhinong
Wei, Guoqiang Sun. Mitigating the Impact of Photovoltaic Power Ramps on Intraday
Economic Dispatch Using Reinforcement Forecasting. IEEE Transactions on
Sustainable Energy, 2024, 15(1), pp. 3–12.
7.
Qi Zhao. Research on prediction of enterprise economic growth based on
monetary policy regulation. 2020 International Conference on Robots & Intelligent
System (ICRIS), IEEE, Sanya, China. 2020, pp. 1–1.
8.
Juan Li, ShuFeng Cong. Prediction of financial economic growth trend based
on PVAR model. 2021 13th International Conference on Measuring Technology and
Mechatronics Automation (ICMTMA), IEEE, Beihai, China, 2021, pp. 1–10.
9.
Zhidong Deng, Nuo Tian, Kunpeng Liu, Di Wu. Trend prediction method of
economic fixed base index of power industry based on time series. 2021 International
Conference on Wireless Communications and Smart Grid (ICWCSG), IEEE,
Hangzhou, China, 2021, pp. 1–4.
10.
Cuiqin Liu. Prediction Method of the Industrial Economic Operation Index
Based on an Improved Genetic Algorithm. 2021 IEEE International Conference on
Industrial Application of Artificial Intelligence (IAAI), IEEE, Harbin, China, 2021.
11.
H. F. de Mendonca, and A. F. G. Almeida, “Importance of credibility for
business confidence: evidence from an emerging economy”,Empirical Economics,
2018.
12.
H. Sakaji, R. Kuramoto, H. Matsushima, K. Izumi, T. Shimada, and K.
Sunakawa, “Financial Text Data Analytics Frameworkfor Business Confidence Indices
and Inter-Industry Relations”, Proceedings of the First Workshop on Financial
Technology and Natural Language Processing, Macao, China, August 12, 2019, pp.
40-46.
892
TEXNIKA
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 8-SON
WWW.INFOCOM.UZ
13.
S. Feuerriegela, and J. Gordon, “News-based forecasts of macroeconomic
indicators: A semantic path model for interpretable predictions”, European Journal of
Operational Research, vol. 272, no. 1, pp. 162-175, January, 2019.
14.
V. Los, and D. Ocheretin “Construction of business confidence index based
on a system of economic indicators”, ShS Web of Conferences, vol.65, 2019.
15.
S. Arslankaya and V. Öz “Time Series Analysis on Sales Quantity in an
Automotive Company and Estimation by Artificial Neural Networks”, Sakarya
University Journal of Science,no. 22 (5), pp. 1482-1492, 2018.
16.
Shi Dong, Yifan Sun, Nicolas Bohm Agostini. Spartan: A Sparsity-Adaptive
Framework to Accelerate Deep Neural Network Training on GPUs. IEEE Transactions
on Parallel and Distributed Systems, 2021.
17.
Yangqin Feng, Lei Zhang, Juan Mo. Deep Manifold Preserving Autoencoder
for Classifying Breast Cancer Histopathological ImaGES. IEEE Transactions on
Computational Biology and Bioinformatics, 2020.
18.
Mengru Du. Economic Forecast Model and Development Path Analysis
Based on BP and RBF Neural Network. 2023 IEEE 12th International Conference on
Communication Systems and Network Technologies (CSNT), 2023.
19.
Elman J L. Finding structure in time. Cognitive Science, vol.14, pp.179–211,
1990.
20.
Yun Kai, Huang Qiang, Ma Yixuan. Construction of Network Security
Perception System Using Elman Neural Network. 2021 2nd International Conference
on Computer Communication and Network Security (CCNS), 2021.
21.
Zhilong Zhang, Xianjun Shi, Yufeng Long, Yufeng Qin, Jiapeng Lv, Li
Zhao. Network Traffic Prediction Based on Improved GA-Elman Neural Network.
2021 CAA Symposium on Fault Detection, Supervision, and Safety for Technical
Processes, 2021.
22.
Yufei Zhang, Jianping Zhao, Honggang Wu, Minghan Gao. A new IOIF
Elman neural network for air quality prediction. 2022 2nd International Conference on
Consumer Electronics and Computer Engineering (ICCECE), 2022.
23.
Xinlei Cai, Jinzhou Zhu, Jiale Liu, Zijie Meng, Yuhang Huo, Yang Yu.
Short- Term Power Prediction Method for Photovoltaic Power Generation Based on
Elman Neural Network for Aspen Swarm Optimization. 2023 6th International
Conference on Energy, Electrical and Power Engineering (CEEPE), 2023.
24.
Xie Jialing, Shi Weifeng, Bi Zong, Song Tiewei. Research on Marine
Electric Load Forecast Based on PSO-Elman Neural Network. 2021 4th International
Conference on Energy, Electrical and Power Engineering (CEEPE), 2021.
25.
Masoud Fetanat, Michael Stevens, Pankaj Jain, Christopher Hayward, Erik
Meijering, Nigel H. Lovell. Fully Elman Neural Network: A Novel Deep Recurrent
Neural Network Optimized by an Improved Harris Hawks Algorithm for Classification
893
TEXNIKA
“RAQAMLI IQTISODIYOT” ILMIY-ELEKTRON JURNALI | 8-SON
WWW.INFOCOM.UZ
of Pulmonary Arterial Wedge Pressure. IEEE Transactions on Biomedical
Engineering, 2022.
26.
Rajesh Kumar. Memory Recurrent Elman Neural Network-Based
Identification of Time-Delaed Nonlinear Dynamical System. IEEE Transactions on
Systems, Man, and Cybernetics: Systems, 2023.
