676
6.
Mustafakulov M. A. et al. Prospects of aptamer application in diagnostics of bacterial
infections //Academic research in educational sciences. – 2021. – Т. 2. – №. 9. – С. 890-
900.
7.
Mustafakulov M. A. et al. Prospects of aptamer application in diagnostics of bacterial
infections //Academic research in educational sciences. – 2021. – Т. 2. – №. 9. – С. 890-
900.
8.
Mustafakulov M. et al. Determination of antioxidant properties of l-cysteine in the liver
of alloxan diabetes model rats //International Journal of Contemporary Scientific and
Technical Research. – 2023. – №. Special Issue. – С. 47-54.
9.
Saatov T. et al. Neurodegeneration type and severity have linkage with plasma insulin in
DM patients //Endocrine Abstracts. – Bioscientifica, 2022. – Т. 81.
10.
Mustafakulov M. A. et al. Aptamers and their use in biology and medicine aptamers and
their applications in nanotechnologies, virology and biology //Academic research in
educational sciences. – 2022. – Т. 3. – №. 4. – С. 509-515.
11.
Abduvalievich M. M. et al. Determination of HEPATOTROPIC effects of certain
substances in experimental toxic hepatitis //Global Scientific Review. – 2022. – Т. 10. –
С. 160-162.
12.
Mukhammadjon M. et al. The effect of ngf on indicators of the antioxidant system in rat
brain tissue //Universum: химия и биология. – 2021. – №. 9 (87). – С. 82-86.
13.
Мустафакулов М. А. и др. Изучение антиоксидантной и антирадикальной
активности листьев isatis tinctoria L //Universum: химия и биология. – 2022. – №. 7-1
(97). – С. 40-44
14.
Мустафакулов М. А. и др. Исследование влияния липосомальной формы
кверцетина на отдельные биохимические параметры ткани мозга животных с
экспериментальной моделью нейродегенеративного состояния //Universum: химия
и биология. – 2023. – №. 1-1 (103). – С. 33-39.
15.
Saatov T. et al. Correction of oxidative stress in experimental diabetes mellitus by means
of natural antioxidants //Endocrine Abstracts. – Bioscientifica, 2021. – Т. 73.
TASVIRLARNI TANIB OLISH
Saidova Xadicha Bahodir qizi
Kayumov Oybek Achilovich
Kayumova Nazokat Rashidovna
Milliy universitetning Jizzax filiali
Annotatsiya
: Matnni aniqlash, shuningdek, optik belgilarni aniqlash sifatida ham tanilgan,
bosma yoki qo’lda yozilgan matnni tahrirlash, qidirish va tahlil qilish oson bo’lgan raqamli
formatga aylantiradi. Bu matn tasvirlarini tahlil qilishni va ulardagi belgilar va so’zlarni tanib
olishni o’z ichiga oladi. Optik belgilarni aniqlash - bu hujjatlarni skanerlashga bo’lgan talab ortib
borayotgani va ma’lumotlarni samarali va aniq yozib olish zarurati tufayli tez rivojlanayapti.
Optik belgilarni aniqlash ko’plab sohalarda, jumladan bank, sog’liqni saqlash, hukumat va
ta’limda muhim texnologiyaga aylandi. Optik belgilarni aniqlash bozoridagi ba’zi imkoniyatlarga
quyidagilar kiradi: Katta ma’lumotlar tahlilining yuksalishi: Har kuni hosil bo’ladigan raqamli
ma’lumotlar ortib borayotganligi sababli, optik belgilarni aniqlash tasvir va hujjatlar kabi
tuzilmagan ma’lumotlar manbalaridan ma’lumotlarni skanerlashi va olishi mumkin. Mashinani
o’rganish va chuqur o’rganish yutuqlari: optik belgilarni aniqlash ilg’or mashinani o’rganish
algoritmlari va chuqur neyron tarmoqlar yordamida sezilarli darajada yaxshilanishi mumkin, bu
aniqlik va samaradorlikni oshiradi.
Kalit so’zlar:
neyron tarmoq, algoritm, rasm, tasvir, CNN, RNN, model arxitekturasi
Deep Learning yordamida matnni aniqlash
677
Chuqur o’rganish matnni aniqlash sohasida inqilob qildi, natijada aniqlik va ishlashning
keskin yaxshilanishiga olib keldi. Chuqur o’rganishga asoslangan matnni aniqlashning bir nechta
yondashuvlari mavjud, jumladan.
6.
Konvolyutsion neyron tarmoqlari (CNN): CNN ko’pincha tasvirga asoslangan
matnni aniqlash uchun ishlatiladi. Kirish tasviri xususiyatlarni ajratib oladigan va matn tasvirini
o’rganadigan konvolyutsion qatlamlar tomonidan quvvatlanadi. Keyin CNN chiqishi keyingi
ishlov berish va matnni tanib olish uchun takroriy neyron tarmog’iga (RNN) uzatiladi.
7.
Takroriy neyron tarmoqlari (RNN): RNN qo’l yozuvi va nutqni aniqlash kabi
ketma-ketlikka asoslangan matnni aniqlashda keng qo’llaniladi. RNNlar ketma-ket
ma’lumotlarni qayta ishlash uchun qayta aloqa zanjirlaridan foydalanadilar, bu ularga uzoq
muddatli bog’liqliklar va kontekstli ma’lumotlarni olish imkonini beradi.
8.
Enkoder-dekoder tarmoqlari: Kodlovchi-dekoder tarmoqlari matnni oxirigacha
aniqlash uchun ishlatiladi. Kirish tasviri avval xususiyat vektoriga kodlanadi, so’ngra belgilar
yoki so’zlar ketma-ketligiga dekodlanadi. Ushbu tarmoqlar samaradorlik va aniqlikni oshirib,
oxirigacha o’qitilishi mumkin.
Matnni aniqlash modelimizni yaratish uchun quyidagi bosqichlardan fodalaniladi:
•
Ma’lumotlar to’plamini yig’ish
•
Ma’lumotlarni oldindan qayta ishlash
•
Tarmoq arxitekturasini yaratish
•
Yo’qotish funksiyasini aniqlash
•
Trening modeli
•
Bashoratdan olingan natijalarni dekodlash
Ma’lumotlar to’plamini yig’ish
Biz Visual Geometry Group tomonidan taqdim etilgan ma’lumotlardan foydalanildi. Bu
jami 10 GB hajmdagi katta ma’lumotlar to’plami. Bu yerda men tekshirish ma’lumotlar to’plami
uchun 0,08% tasvirlar bilan mashg’ulot to’plami uchun atigi 40000 ta rasmdan foydalandim. Bu
maʼlumotlar quyida koʻrsatilgan rasmlarga oʻxshash matnli tasvir segmentlarini oʻz ichiga oladi:
Ma’lumotlarni oldindan qayta ishlash
Kirish tasvirini ham, chiqish yorlig’ini ham oldindan qayta ishlashimiz kerak.
Kirish tasvirimizni oldindan qayta ishlash uchun quyidagilarni ishlatamiz:
-
Tasvirni o’qing va kulrang o’lchamdagi tasvirga aylantirish;
-
To’ldirishdan foydalanib, har bir rasmni (128,32) o’lchamda qilish;
-
Arxitekturaning kirish shakliga mos kelishi uchun tasvir oʻlchamini (128,32,1)
sifatida kengaytirish.
-
Rasm pikseli qiymatlarini 255 ga bo’lish orqali normallashtiring.
Chiqish yorliqlarini oldindan qayta ishlash uchun quyidagilardan foydalaning:
1.
Tasvir nomidagi matnni tasvir nomidan o’qish mumkin, chunki tasvirning ichida
yozilgan matn mavjud.
2.
Funksiya yaratish orqali so’zning har bir belgisini qandaydir raqamli qiymatga
kodlang ("a’:0, "b":1 …….. ‘z’:26 va hokazo). Aytaylik, bizda "abab" so’zi mavjud bo’lsa,
bizning kodlangan yorlig’imiz [0,1,0,1] bo’ladi.
678
1. So’zlardan maksimal uzunlikni hisoblang va uni maksimal uzunlik bilan bir xil
o’lchamda qilish uchun har bir chiqish yorlig’ini to’ldiradi. Bu RNN arxitekturasining chiqish
shakliga mos kelishi uchun amalga oshiriladi.
Oldindan ishlov berish bosqichida ikkita ro’yxatni yaratishimiz kerak: biri yorliq uzunligi,
ikkinchisi esa RNN ga kirish uzunligi. Ushbu ikkita ro’yxat bizning CTC yo’qotish uchun
muhim. Yorliq uzunligi - har bir chiqish matni yorlig’ining uzunligi va kirish uzunligi
arxitekturada 31 bo’lgan LSTM qatlamiga har bir kirish uchun bir xil bo’ladi.
Model arxitekturasi
Model arxitekturasini yaratish va uni oldindan ishlangan ma’lumotlar bilan o’rnatish.
Model = CNN + RNN + CTC yo’qolishi
Modelimiz uch
qismdan iborat:
1. Konvolyutsion neyron tarmoq qatlami
Konvolyutsion neyron tarmog’i (CNN yoki ConvNet) - bu vizual tasvirlarni tahlil qilishda
muvaffaqiyatli qo’llanilgan, sun’iy neyron tarmoqlarni ta’minlaydigan chuqur o’rganish sinfidir.
CNN har qanday tasvirni parcha-parcha solishtiradi va uni aniqlash vaqtida qidiradigan qismlar
xususiyat deb ataladi. Tasvirdan xususiyatlarni ajratib olish uchun konvolyutsion neyron
tarmoqdir. CNNda uchta asosiy operatsiya mavjud: a) Konvolyutsiya. b) ReLU. c) Pooling yoki
Sub
-
konvolyutsiya qatlami
CNN uchun Convolutionning asosiy maqsadi kirish tasviridan xususiyatlarni olishdir. Har
bir konvolyutsiya qatlami to’rt o’lchamli N x Rangli kanal x kenglik x balandlikdagi to’plamli
kirish sifatida tasvirni oladi. Yadrolar yoki filtrlar, shuningdek, to’rt o’lchovli (xususiyatlar
xaritalari soni, xususiyat xaritalari soni, filtr kengligi va filtr balandligi) o’rganilishi mumkin
bo’lgan parametrlar (og’irliklar va noaniqliklar) to’plamidir. Har bir konvolyutsiya qatlamida
to’rt o’lchovli konvolyutsiya tasvirlar to’plami va xususiyat xaritalari o’rtasida ular orasidagi p
nuqta bilan hisoblanadi.
Konvolyutsiyadan so’ng o’zgarishlar faqat tasvirning kengligi va balandligi bo’ladi.
-
Rektifikatsiya qilingan chiziqli birlik
ReLU deb nomlangan qo’shimcha operatsiya har bir Convolution operatsiyasidan so’ng
ishlatilgan. Rektifikatsiyalangan chiziqli birlik (ReLU) neyron tarmog’ining xujayrasi bo’lib,
uning x ga berilgan chiqishini hisoblash uchun quyidagi faollashtirish funksiyasidan foydalanadi:
R(x) = Maks(0,x)
-
Pooling yoki Sub
Ushbu qatlamda parametrlar va hisob-kitoblarni kamaytiradigan kichraytirilgan xaritalarni
olish uchun xususiyat xaritasining o’lchami kamayadi. Birlashtirish Maks, O’rtacha yoki Sum
bo’lishi mumkin. Konvolyutsiya qatlamidagi filtrlar soni birlashtirishdan olingan chiqish
xaritalari soni bilan bir xil. Pooling tuzatilgan xususiyat xaritalaridan ma’lumot oladi va keyin
algoritmga muvofiq uni qisqartiradi.
2. Takrorlanuvchi neyron tarmoq
Vaqt bosqichida ketma-ket chiqishni bashorat qilish uchun takroriy neyron tarmoq.
Takroriy neyron tarmog’i (RNN) neyron tarmog’ining bir turi bo’lib, oldingi bosqichdagi chiqish
joriy bosqichga kirish sifatida beriladi. gapning keyingi so’zini bashorat qilish kerak bo’lganda,
oldingi so’zlar talab qilinadi va shuning uchun oldingi so’zlarni eslab qolish zarurati tug’iladi.
RNN ning asosiy va eng muhim xususiyati - bu ketma-ketlik haqidagi ba’zi ma’lumotlarni eslab
turadigan yashirin holat. RNNda hisoblangan narsalar haqidagi barcha ma’lumotlarni eslab
qoladigan “xotira” mavjud.
Uzoq qisqa muddatli xotira (LSTM) tarmoqlari ketma-ketlikni bashorat qilish
muammolarida tartibga bog’liqlikni o’rganishga qodir bo’lgan takrorlanuvchi neyron tarmoq
turidir. Bu mashina tarjimasi, nutqni aniqlash va boshqalar kabi murakkab muammoli sohalarda
talab qilinadigan xatti-harakatlardir. LSTMlar chuqur o’rganishning murakkab sohasidir.
LSTMlar nima ekanligini va ikki tomonlama va ketma-ketlik kabi atamalar sohaga qanday
679
bog’liqligini bilish qiyin bo’lishi mumkin. LSTMlar vaqt va qatlamlar bo’yicha qaytarilishi
mumkin bo’lgan xatoni saqlab qolishga yordam beradi. Doimiyroq xatolikni saqlab, ular
takrorlanuvchi tarmoqlarga ko’p vaqt davomida (1000 dan ortiq) o’rganishni davom ettirishga
imkon beradi va shu bilan sabab va oqibatlarni masofadan bog’lash uchun kanal ochadi. LSTM
yacheykasida axborot oqimini tartibga soluvchi uchta turli eshiklari bor.
1.
eshikni unutish;
2.
kirish eshigi; 3. chiqish eshigi.
CTC yo’qotish funksiyasi
Har bir vaqt bosqichi uchun chiqishni bashorat qilish uchun ishlatiladigan transkripsiya
qatlami bo’lgan CTC yo’qotish funksiyasi. CTC LOSS Aleks Graves RNNni o’qitish uchun
ishlatiladi, bu qo’lda yozilgan hizalanish muammosini bartaraf qiladi, chunki qo’lda yozilgan har
bir yozuvchining moslashuvi har xil. Shunchaki tasvirda yozilgan narsalarni (Ground Truth Text)
va BLSTM chiqishini beriladi, keyin u salbiy maksimal ehtimollik yo’lini minimallashtirish
maqsadida yo’qotishni hisoblab chiqadi.
Foydalanilgan adabiyotlar
1.
Chjan, L.; Quyosh, L.; Li, V.; Chjan, J.; Cai, V.; Cheng, C.; Ning, X. Barmoq tomirlarini
aniqlash uchun qisman eng kichik kvadratlar diskriminant tahliliga asoslangan qo’shma bayesian
ramka. IEEE Sens. J. 2021 , 22 , 785-794. [ Google
Scholar ] [ CrossRef ]
2.
Ning, X.; Tian, V.; Yu, Z.; Li, V.; Bay, X.; Vang, Y. Hcfnn: Tasvirni tasniflash uchun yuqori
tartibli qamrov funktsiyasi neyron tarmog’i. Shaklni tan olish. 2022 , 131 , 108873. [ Google
Scholar ] [ CrossRef ]
3.
Ning, X.; Tian, V.; U, F.; Bay, X.; Quyosh, L.; Li, W. Giper-kolbasa qamrovi funktsiyasi
neyron modeli va tasvirni tasniflash uchun o’rganish algoritmi. Shaklni tan olish. 2023 , 136 ,
109216. [ Google Scholar ] [ CrossRef ]
MEMENTO PATTERN
Z.Sulaymanov-O‘zbekiston Milliy universiteti Jizzax filiali assissenti
Z.Boltayev-O‘zbekiston Milliy universiteti Jizzax filiali talabasi
Annotatsiya:
C# tilidagi xatti-harakatlarning dizayn namunasi ob'ektning ichki holatini
olish va tiklash imkonini beradi.
Kalit so'zlar
: C# tili, Memento naqshi, C# kod
Memento pattern
- bu C# tilidagi xatti-harakatlar dizayn namunasi bo'lib, u sizga
inkapsulyatsiyani buzmasdan ob'ektning ichki holatini olish va tiklash imkonini beradi. Vaqtning
turli nuqtalarida ob'ekt holatini saqlash va tiklash kerak bo'lganda yoki ilovangizda bekor
qilish/qayta tiklash funksiyasini taqdim qilmoqchi bo'lsangiz foydali bo'ladi.
Memento naqshida sizda uchta asosiy komponent mavjud:
1.
Originator
: Bu holatini saqlamoqchi va tiklamoqchi boʻlgan obyekt. Uning holatini
yodgorlikka saqlash va esdalik holatini tiklash usullari mavjud.
2.
Memento
: Bu yaratuvchining holatini saqlaydigan ob'ekt. U saqlangan holatni olish va baʼzi
hollarda holatni oʻzgartirishni oldini olish usullarini taqdim etadi.
3.
Karetaker
: Bu yaratuvchi va esdalik bilan o'zaro aloqada bo'lgan ob'ekt. U esdalik
sovg'alarini yaratish va boshqarish uchun javobgardir. Qo'riqchi muallifdan o'z holatini esdalik
sifatida saqlashni yoki esdalik holatini tiklashni so'rashi mumkin.
C# da Memento naqshini amalga oshirish uchun siz xotira ob'ektlari interfeysini
belgilashingiz mumkin, ular saqlangan holatni olish usullarini taqdim etishi kerak. Yaratuvchi o'z
holatini esdalik holatiga saqlash va uning holatini yodgorlikdan tiklash usullariga ega bo'lishi
