DASTURIY TA'MINOT ORQALI INTELLEKTUAL TIZIMNI EKSPERMENTAL TADQIQ QILISH

120 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 4 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 4 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 4 | 2025 год https://al-fargoniy.uz/ DASTURIY TA’MINOT ORQALI INTELLEKTUAL TIZIMNI EKSPERMENTAL TADQIQ QILISH Muxamedieva Dilnoz Tulkunovna, Raqamli texnologiyalar va sun’iy intellekt kafedrasi professori, “Toshkent irrigatsiya va qishloq xo‘jaligini mexanizatsiyalash muhandislari instituti” Milliy tadqiqot universiteti Email: [email protected], Orcid ID: 0000-0002-4561-4474 Yuldoshev Yusuf Sheralievich, O‘zbekiston Respublikasi Oliy ta’lim, fan va innovatsiyalar vazirligi huzuridagi Oliy attestatsiya komissiyasi bosh inspektori Email: [email protected], Orcid ID: 0000-0001-9708-2687 Rustamov Yerbol Nasimovich, Raqamli texnologiyalar va sun’iy intellekt kafedrasi izlanuvchisi, “Toshkent irrigatsiya va qishloq xo‘jaligini mexanizatsiyalash muhandislari instituti” Milliy tadqiqot universiteti Email: [email protected] , Orcid ID: 0009-0000-1976-0059 Tagaev Farxad Abduvaxabovich, Chirchiq davlat pedagogika universiteti, Toshkent viloyati, O‘zbekiston Annotatsiya: Raqamli tasvirlash sohasidagi tasvir sifatini oshirish hamda tasvirni tiklash masalalarida shovqin darajasini aniq baholash tasvirni qayta ishlashning ko‘plab vazifalarini hal etishga imkon beradi. Biroq, raqamli tasvirlarda shovqin darajasini aniqlash o‘ta murakkab va hali hamon aniq yechimi ishlab chiqilmagan masala hisoblanadi. Mazkur tadqiqot ishida tasvirlarning barcha turida uchraydigan Gauss shovqini tadqiq qilingan bo‘lib, bunda ushbu shovqin darajasining parametrini aniqlash vazifa sifatida qo‘yilgan. Shuningdek, tasvir sifatini etalonsiz baholash ko‘rsatkichlari orasida mashhur bo‘lgan BRISQUE (Blind/Referenceless Image Spatial Quality Evaluator) ko‘rsatkichidan foydalangan holda, shovqin parametrining qaysi oraliqqa tegishli ekanligini aniqlash mexanizmi taklif qilingan. Taklif etilgan mexanizm yangi kiruvchi tasvirning BRISQUE qiymati asosida tasvirdagi shovqin darajasini tahminan aniqlash imkonini beradi. Kalit so‘zlar: raqamli tasvir, shovqin, Gauss taqsimoti, filtr, sifat ko‘rsatkichi, standart og‘ish, o‘rtacha, parametr, tasvirlash vositasi, sensorlar. Kirish Intellektual axborot tizimlarining amaliy ahamiyati nafaqat nazariy modellar va algoritmlarning haqiqiyligi bilan, balki ularni dasturiy ta’minotni amalga oshirish va real hayotda qo‘llash imkoniyatlari bilan ham belgilanadi. Shuning uchun tadqiqotning yakuniy bosqichi dasturiy ta’minot paketini ishlab chiqish va uning funksionalligini eksperimental tekshirish hisoblanadi [1-4]. Ushbu ish oldingi boblarda muhokama qilingan algoritmlarni dasturiy ta’minot bilan amalga oshirish va ma’lumotlarni qayta ishlash va qaror qabul qilishda 121 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 4 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 4 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 4 | 2025 год https://al-fargoniy.uz/ intellektual tizimning samaradorligini baholashga qaratilgan. Asosiy e’tibor dasturiy ta’minot to‘plamining arxitekturasiga, axborot modelini yaratish modullarini amalga oshirishga, ishlab chiqarish bilimlarini qurishga va tasniflash algoritmlarini qo‘llashga qaratilgan. Tadqiqotning dolzarbligi ishlab chiqilgan usullarning amaliy qo‘llanilishini tasdiqlash zaruratidan kelib chiqadi. Eksperimental tekshirishsiz, nazariy natijalarni to‘liq deb hisoblash mumkin emas va aqlli tizimni real dunyo jarayonlarida amalga oshirish uchun asos bo‘lmaydi. Ushbu ishning maqsadi intellektual tizimning dasturiy ta’minotini ta’riflash va uning samaradorligi va barqarorligini tasdiqlovchi hisoblash tajribalari natijalarini tahlil qilishdir [5-8]. Metodologiya Dasturiy ta’minotni amalga oshirish modulli arxitektura yondashuvidan foydalanadi, bu intellektual tizimning funksionalligini mantiqiy mustaqil komponentlarga ajratadi. Asosiy modullar ma’lumotlarni qayta ishlash moduli, axborot modelini yaratish moduli, bilimlar bazasini qurish moduli va qaror qabul qilish modulidir. Ruxsat etilgan jadval usuli birlamchi ma’lumotlarni qayta ishlash uchun qo‘llaniladi, bu esa domen obyektlarining xususiyatlarini rasmiylashtirilgan shaklda ko‘rsatishga imkon beradi. Ushbu usul ma’lumotlarni normallashtiradi va tuzatadi, uning izchilligi va keyingi qayta ishlashga yaroqliligini ta’minlaydi [9-14]. Xususiyatlar o‘rtasidagi munosabatlarni aniqlash uchun global va mahalliy xususiyat xususiyatlarini hisoblaydigan korrelyatsiya tahlili algoritmi amalga oshiriladi. Ma’lumotlar dinamikasini hisobga olish uchun vaqt o‘tishi bilan xususiyatlarning o‘zgarishini tahlil qilish uchun toymasin oyna usuli qo‘llaniladi. Ishlab chiqarish bilimlari fraktal bilimlarni tashkil etish algoritmi yordamida ishlab chiqariladi, unda ishlab chiqarish qoidalari ierarxik tarzda tuzilgan. Tasniflash masalalarini hal qilish uchun yaqinlik funksiyasiga mos keladigan algoritm qo‘llaniladi, bu talqin qilinadigan qaror qabul qilish imkonini beradi. Tizimni eksperimental baholash tasniflashning aniqligi, natijalarning mustahkamligi va algoritmlarning hisoblash samaradorligini tahlil qilish orqali amalga oshiriladi [15-19]. To‘plangan ma’lumotlar va ma’lumotlarning katta hajmi, yangi ma’lumotlarning tez oqimi bilan birga, ilmiy va ishlab chiqarish faoliyatini samarali qo‘llab-quvvatlash uchun etarli bo‘lmagan zamonaviy axborot tizimlariga (AK) tobora qattiqroq talablarni qo‘yadi. Bu, birinchi navbatda, mavjud ISlar ma’lumotlarni matnli hujjatlar yoki axborot resurslari sifatida taqdim etishi bilan bog‘liq. Tabiiyki, odamlar uchun ma’lumotni taqdim etishning eng tabiiy shakli o‘zaro bog‘langan ma’lumotlar tarmog‘i, ya’ni bilimdir. Ushbu muammoni hal qilish uchun ma’lumotlarni taqdim etish va qayta ishlashning sifat jihatidan yangi darajasiga - semantik darajaga o‘tish kerak, bu esa hujjatlarning ma’nosini (mazmunini) hisobga olish, ulardan tegishli ma’lumotlarni olish imkonini beradi. Intellektual axborot tizimi (IIS) dunyo haqidagi umumiy bilimlardan va u xizmat ko‘rsatadigan mavzu (DA) haqidagi bilimlardan foydalangan holda, ma’lumotni o‘zaro bog‘langan ma’lumot sifatida taqdim etish va talqin qilish vositalarini taqdim etishi mumkin. Hozirgi vaqtda bunday bilimlar ishlab chiqarish bilimlarining ontologiyasi sifatida ifodalanadi, ular nafaqat hujjatlar va axborot resurslari semantikasini tavsiflash uchun, balki keng ko‘lamli IISni qurishda ham tobora ko‘proq foydalanilmoqda [20-24]. Umumiy kо‘rinishda, produksiya quyidagicha ifodalanadi: :; p i Ф A B N→ (1) bu yerda i – produksiya nomi, orqali mazkur produksiya barcha produksiyalar tо‘plamida ajratiladi, ( ( )) i i p I x   − talqin qilinadigan kontekst. Produksion bilim fraktalini qurishda sabab– oqibat xususiyatlariga ega belgilarni tanlash vazifasi paydo bо‘ladi. Produksion bilim fraktalini qurish uchun jX  belgilarni tanlash algoritmi tavsiflanadi. Produksion bilim fraktalini qurishning asosiy vazifasi ma’lumotlar bazasidan sababli va oqibatli xususiyatlarga ega belgilarni tanlashdan iborat. Ushbu 122 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 4 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 4 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 4 | 2025 год https://al-fargoniy.uz/ belgilarning asosiy maqsadi – produksion bilim fraktalini yaratishda qо‘llanishdan iborat: () , 1 :{ } ( ) gi m i u j k к u c c QФ B b = =→  (2) Ushbu formulada u i B sababli xususiyatlarga ega belgilardan tashkil topgan global yaratuvchi baza (GYaB) deb ataladi, hamda () , 1 gi uj c c b =  oqibatli xususiyatlarga ega belgilardan tashkil topgan lokal yaratuvchi baza (LYaB) deb ataladi. Teorema 1 asosida produksion bilimlar bazasini qurish algoritmi tavsiflanadi. Teorema 1. Bilimlar j k Ф va 1 j k Ф− bir-biriga sig‘adi, agar, ( ) ( ) 01 ,, 1 ,, j j u j j j u j c k c c k c Г Ф b Г Ф b −−  . (2) Teorema 2. Bilimlar j k Ф va 0 0 Ф  tо‘g‘ri relevantli hisoblanadi, agar quyidagi shartlar bajarilsa: 0 00 0 ( , ) : ( ( )) ( ( )), ju k J J J Q PФ Ф I K S I K S       (3) 0 00 0 ( ( , ) 1) : ( ( )) ( ( )) ju k J J J Q PФ Ф I K S I K S    =    . (3) Natijalar Dasturiy ta’minotni joriy etish natijasida ma’lumotlardan ishlab chiqarish bilimlariga avtomatlashtirilgan o‘tish imkonini beruvchi intellektual dasturiy ta’minot to‘plami yaratildi. Amalga oshirilayotgan tizim predmet sohasining axborot modelini muvaffaqiyatli yaratadi va uning asosida ishlab chiqarish bilimlari bazasini yaratadi. Eksperimental tadqiqotlar shuni ko‘rsatdiki, global va mahalliy xususiyat xususiyatlaridan foydalanish xususiyat semantikasini hisobga olmaydigan asosiy usullarga nisbatan tasniflash aniqligini yaxshilaydi. Sürgülü oynadan foydalanish dinamik ma’lumotlarda barqaror naqshlarni aniqlashga imkon berdi. Ishlab chiqarish bilimlarining fraktal tuzilishi bilimlar bazasining ortiqchaligini kamaytirishga yordam beradi va uning kengayishini soddalashtiradi. Tasniflash algoritmlari shovqinli va qisman to‘liq bo‘lmagan ma’lumotlarga chidamliligini namoyish etadi. Bundan tashqari, tizim ishga tushirilgan ishlab chiqarish qoidalarini tahlil qilish qobiliyati tufayli natijalarning talqin qilinishini ta’minlaydi, bu amaliy ilovalar uchun muhim afzallikdir. SVD uchun sportchini tanlashdan maqsad, muayyan mushak guruhlarining kuch xususiyatlarini (sport mashg‘ulotlari paytida) "mos yozuvlar" sinflaridan birining xususiyatlariga imkon qadar yaqinlashtirishdir. Biroq, an’anaviy ravishda "standart" deb ataladigan ushbu sinflarning hech biri sportchining tezlik va kuch mashqlari ierarxiyasida ustuvor yoki eng yaxshi deb hisoblanishi mumkin emas. Birinchidan, har bir sinfga dzyudo bo‘yicha yuqori saviyadagi musobaqalarda yuqori sport ko‘rsatkichlariga erishgan yuqori malakali sportchilar kiradi. Ikkinchidan, bu sinflarga bo‘linish mushak tizimining tezlik-kuch tuzilmasidagi dominant mushak guruhlari xususiyatlarini aniqlash va baholashni osonlashtiradi, bu esa jangovar texnika va taktik ko‘nikmalarni amalga oshirishda vosita muammolarini hal qilishda sportchining individualligini namoyon qilish imkonini beradi. Taklif etilgan algoritmik kontseptsiya asosida intellektual dasturiy paket (ISP) yaratildi, uning blok sxemasi 1-rasmda ko‘rsatilgan. Yuqori darajadagi musobaqalarda yuqori natijalarga erishgan sportchilarni tanlash bilan bog‘liq edi. Ma’lumki, bugungi kunda sport nafaqat tijorat shaklini, balki ijtimoiy-siyosiy mazmunni ham egallagan. Bularning barchasi yuqori darajadagi sportga (YDS) tayyorlovchi murabbiylardan katta mas’uliyatni talab etadi. YDS uchun tanlov vazifasini belgilash. Yuqori darajadagi musobaqalarda g‘alaba qozonishda hal qiluvchi omillardan biri mushaklarning tezlik va kuch xususiyatlarini namoyish eta olish qobiliyati bo‘lib, bu maksimal ishchi kuchlanishni rivojlantirish tezligi sifatida tushuniladi. Chuqur sport ixtisoslashuvi sharoitida bu qobiliyatlar har bir shaxsda turlicha shakllanadi, ya’ni ular ma’lum mushak guruhlariga yo‘naltiriladi. Eksperimentda 19–22 yoshdagi va Sport ustasi unvoniga ega bo‘lgan O‘zbekiston milliy terma jamoasining yigirma besh nafar judokasi ishtirok etdi. 123 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 4 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 4 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 4 | 2025 год https://al-fargoniy.uz/ 1-rasm. Intellektual dasturiy kompleksning (ISC) umumiy blok diagrammasi Aslida, sportchilar mushaklarning turiga qarab yuqori ko‘rsatkichlarga erishadilar. 22 ta mushak guruhi mavjud: oyoq-qo‘llarning bukuvchi va ekstensorlari. Har bir mushak guruhining imkoniyatlari to‘rtta ko‘rsatkich bilan tavsiflangan: mushaklarning nisbiy kuchi va portlovchi, boshlang‘ich va tezlashtiruvchi mushak kuchining gradientlari. Ushbu ko‘rsatkichlar (jami 88 ta) dzyudochilarning mushak tizimining tezlik-kuch profilini tavsiflaydi va quyidagi mazmunli talqinga ega. Kontekstlarning nomi(𝑝𝑖)𝛿𝑖(𝑥𝑖) 22 mushak guruhi Portlovchi, boshlash va tezlashtirish harakatlarining nisbiy kuchi, gradyanlari uchun kiritilgan belgi. Press 1 2 3 4 , , ,     Orqa 2-mushaklar guruhi 5 6 7 8 , , ,     O‘ng oyoq - kengaytma 3-mushaklar guruhi 9 10 11 12 , , ,     O‘ng son - kengaytma 4-muskullar guruhi 13 14 15 16 , , ,     O‘ng son - egilish 5-mushaklar guruhi 17 18 19 20 , , ,     O‘ng shin - kengaytma 6-mushaklar guruhi 21 22 23 24 , , ,     O‘ng shin - egilish 7-mushaklar guruhi 25 26 27 28 , , ,     Chap oyoq - kengaytma 8-mushaklar guruhi 29 30 31 32 , , ,     Chap son - kengaytma 9-mushaklar guruhi 33 34 35 36 , , ,     Chap son - egilish 10-mushaklar guruhi 37 38 39 40 , , ,     Chap shin - kengaytma 11-mushaklar guruhi 41 42 43 44 , , ,     Chap shin - egilish 12-mushaklar guruhi 45 46 47 48 , , ,     O‘ng bilak - egilish 13-mushaklar guruhi 49 50 51 52 , , ,     O‘ng elka - egilish 14-mushaklar guruhi 53 54 55 56 , , ,     O‘ng bilak - kengaytma 15-mushaklar guruhi 57 58 59 60 , , ,     O‘ng elka - kengaytma 16-muskullar guruhi 61 62 63 64 , , ,     O‘ng elka - adduksiya 17-mushaklar guruhi 65 66 67 68 , , ,     Chap bilak - egilish 18-muskullar guruhi 69 70 71 72 , , ,     Chap elka - egilish 19-mushaklar guruhi 73 74 75 76 , , ,     Chap bilak - kengaytma 20-mushaklar guruhi 77 78 79 80 , , ,     Chap elka - kengaytma 21-mushaklar guruhi 81 82 83 84 , , ,     Chap elka - adduksiya 22-mushaklar guruhi 85 86 87 88 , , ,     Mushak xossalari () ii x  uchun biz A algoritmidan i p foydalangan () ii x  holda sababoqibat munosabatlariga ega xususiyatlarni topdik va 37  bo‘lib chiqdi (2-jadval). O‘quv jadvalidan foydalanib 0 СВД ТB= , biz fraktalni loyihalashtiramiz. 124 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 4 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 4 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 4 | 2025 год https://al-fargoniy.uz/ 0 СВД B= , bu fraktal asosida biz 11 1j jb = → SVD muammosi uchun ishlab chiqarish bilimlar bazasini quramiz. GPB imkoniyatlari: 1 17 0.8; j B  = 2 17 37 ( 0.8) ( 0.8); j B  =    17 17 3 37 37 ( 1.311) 1.311 ; j B    =      4 1 3 j j j B B B= . LPB variantlari: , 1 17 37 , 2 49 69 , 3 53 73 , 4 13 33 , 5 17 37 37 , 6 49 69 49 69 , 7 53 73 ( 0.8) ( 0.8); ( 0.78) ( 0.78); ( 0.72) ( 0.72); ( 2.6) ( 2.6); ( / 1.311) ( /17 1/311); ( / 1.3) ( / 1.3); (1.18 ( / ) uj uj uj uj uj uj uj b b b b b b b             =    =    =    =    =    =    = 53 73 , 8 13 33 33 13 , , , 9 1 5 , , , 10 2 6 , , , 11 3 7 , , , 12 4 8 1) (1.18 ( / ) 1); (1.06 ( / ) 1) (1.06 ( / ) 1); ( ); ( ); ( ); ( ). uj u j u j u j u j u j u j u j u j u j u j u j u j b b b b b b b b b b b b b          =      = = = = Mahsulot bilimlari bazasi. I sinf 1 1 1,1 1,1 1,1 1,1 1 1 9 10 11 12 1 1 1,1 1,1 1,1 1,1 2 2 8 10 11 12 1 1 1,1 1,1 1,1 1,1 3 3 10 7 11 9 : ( ); : ( ); : ( ). Ф B b b b b Ф B b b b b Ф B b b b b → + + + → + + + → + + + II sinf 2 2 1,1 1,2 1,2 1,2 1,2 4 1 5 1 10 11 12 2 2 1,1 1,2 1,2 1,2 1,2 5 1 5 1 2 11 12 2 4,2 4,2 4,2 4,2 4,2 4,2 6 4 2 5 10 11 12 : ( 2 2 ); : ( 2 2 ); : ( 2 ). Ф B b b b b b Ф B b b b b b Ф B b b b b b → + + + + → + + + + → + + + + III sinf 3 3 4,3 4,3 4,3 4,3 7 4 5 10 11 12 : ( )Ф B b b b b→ + + + . Misol. YDS uchun sportchi S*ni tanlash va ushbu misoldan foydalanib, biz bilimlarni qayta ishlash algoritmining ishlashini ko‘rsatamiz. Bilimlar bazasida SVD uchun ariza topshirgan sportchining ko‘rsatkichlarini quyidagicha belgilaymiz: * * * * * * * * * 15 17 33 37 43 53 69 73 , , ,, , , , ,S         = Ushbu sakkizta qiymatlar : * 15 2,68  = ; * 49 0,58  = ; * 17 0,8  = ; * 53 0,72  = ; * 33 2,54  = ; * 69 0,78  = ; * 37 0,61  = ; * 73 0,67  = . GPB 0 () uj j Bx ga S*ga mos kelishini aniqlaymiz. ga mos keladi * 4() j BS chunki u * * * 4( ) ( 0.8) ( 0.8) j BS  =    qanoatlantiriladi, ** *17 37 3** 37 17 ( ) ( 1.311) ( 1.311) j BS   =    Bu shuni anglatadiki * * * 7 2 3 ( ) ( ) ( ) j j j B S B S B S= bajariladi. K1 sinfidagi tizimli tavsiflar jadvalida GPB elementlariga teng bo‘lgan 4j B formulalar (standartlar) mavjud emas, K2 sinfida - bu formula 2 4,2 4,2 4,2 4,2 4,2 4,2 6 4 2 5 10 11 12 : ( 2 )Ф B b b b b b→ + + + + , K 3 sinfida - 3 3 4,3 4,3 4,3 4,3 7 4 5 10 11 12 : ( )Ф B b b b b→ + + + . Keling, obyektlar tomonidan berilgan ovozlar formulalar orqali qanday to‘planishini ko‘rib chiqaylik 2 6 Ф . 1-qadam. S* ni strukturaviy shaklga keltiriladi: 125 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 4 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 4 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 4 | 2025 год https://al-fargoniy.uz/ 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, ** ************ 4 1 2 3 4 5 6 7 8 9 10 11 12 () jj jjjjjjjjjjjj ФB bbbbbbbbbbbb→ +++++++++++ 2-qadam. ni tashkil etuvchi elementlar uchun yaqinlik funksiyasini hisoblang , ( ) 0 () uj qi bx : ( ) 4 2* *24 1 6 11 11 11 ( ),( ) ,( 6) 1 jj Ф Ф b b== . * S ning struktura tavsifida: *2 Ф mavjud 4,j B ). Xuddi shunday: ( ) 4 2* *24 9 6 9 9 9 ( ),( ) ,( ) 1 jj Ф Ф b b== ; ( ) 4 2* *24 10 10 10 10 10 ( ),( ) ,( ) 0 jj Ф Ф b b== ; ( ) 4 2* *24 11 11 11 11 11 ( ),( ) ,( ) 1 jj Ф Ф b b== ; ( ) 4 2* *24 12 12 12 12 12 ( ),( ) ,( 6) 1 jj Ф Ф b b== . * *1 ()SФ uchun ball 2 6 Ф bo‘ladi 1,9,10,11,12 4,2 *4 *4 4,2 * 2 *2 2 6 6 6 2 (Ф) (( ),( )) 1Ф ( ,( )) 0,8( 1)/5 jj C C C C С ГpГbS b  == ==  Formula uchun 3 7 Ф - 3 K sinfidan bo‘ladi 9,10,11,12 3 3 42* ,3 *4,3 *4,3 7* 77 3 Ф Ф ( ,( )) 1( ) (( ),( )) 1/ 4 . C C C C С Г p bS bГ  == =  3-qadam. * S uchun 2 K sinfi uchun bahoni hisoblash: 2 * 2 *2 2 * 6 ( ) ( ) max{ ( )} max{0,8} 0,8Г S Г Ф Г S= = = = . 3 K sinfida bitta standart mavjud, shuning uchun uning bahosi maksimaldir); 3 * 3 *3 3 * 7 ( ) ( ) max{ ( )} max{1} 1,Г S Г Ф Г S= = = = ya’ni 2 * 3 * ( ) 0,8; ( ) 1Г S Г S== . Raqamli matritsa shaklga ega ** 13 ( ) {0;0,8;1} jj Г S Г  == , bu yerda 1* ( ) 0GS = , chunki konstruktiv tavsiflar jadvalida 0 () j uj Bx ga teng elementlarga ega standartlar mavjud emas 4j B . 4-qadam. Sinflardan biriga * S ni belgilash * 13 ( ) {0;0,8;1} {0;0;1}, j ij rГ r B = = = bu yerda 1 1,1 1,2 1,3 0,1; 0; 0; 1.     = = = = Shunday qilib, obyekt *3 SK sinfiga tayinl angan. Munozara Olingan natijalarni muhokama qilish tanlangan arxitektura va algoritmik echimlarning maqsadga muvofiqligini tasdiqlaydi. Monolit tizimlardan farqli o‘laroq, modulli arxitektura dasturiy ta’minot to‘plamining moslashuvchanligi va kengaytirilishini ta’minlaydi. Eksperimental ma’lumotlar shuni ko‘rsatadiki, xususiyatlarning semantikasini rasmiylashtirish va ishlab chiqarish bilimlaridan foydalanish sof statistik usullarga qaraganda ancha ishonchli natijalarni beradi. Bu, ayniqsa, cheklangan o‘quv ma’lumotlari sharoitida juda muhimdir. Shu bilan birga, xususiyatlar soni va bilimlar bazasi hajmini oshirish bilan hisoblash xarajatlarining oshishi bilan bog‘liq cheklovlar aniqlandi. Bu algoritmlarni yanada optimallashtirish va parallel hisoblashdan foydalanish imkoniyatini ko‘rsatadi. Muhokama natijalari ishlab chiqilgan tizimni boshqa intellektual texnologiyalar, jumladan, gibrid va adaptiv modellar bilan integratsiya qilish imkoniyatlarini ham tasdiqlaydi. Xulosa Ushbu maqolada bilimlarning ishlab chiqarish ko‘rinishiga asoslangan intellektual axborot tizimining dasturiy ta’minoti taqdim etilgan va eksperimental tadqiqot o‘tkazildi. Amalga oshirilgan dasturiy ta’minot to‘plami ma’lumotlarni aqlli qayta ishlashning to‘liq tsiklini qo‘llab-quvvatlashi ko‘rsatilgan - axborot modelini yaratishdan to qaror qabul qilishgacha. Tajriba natijalari tavsiya etilgan algoritmlarning samaradorligi, barqarorligi va talqin qilinishini tasdiqlaydi. Ishlab chiqilgan tizim amaliy qarorlarni qo‘llab-quvvatlash vazifalarida qo‘llanilishi mumkin va uning nazariy takliflarining amaliy tasdig‘i sifatida xizmat qiladi. Olingan xulosalar tadqiqotni yakunlaydi va semantik bilimlarni qayta ishlashga yo‘naltirilgan intellektual tizimlarni yanada rivojlantirish uchun asos bo‘ladi. 126 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 4 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 4 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 4 | 2025 год https://al-fargoniy.uz/ Adabiyotlar [1] Chen, Z., Chen, D., Zhang, X., Yuan, Z., & Yang, X. (2021). Deep knowledge tracing with knowledge graph embedding for intelligent tutoring systems. Knowledge-Based Systems, 227, 107224. [2] Cranefield, S., Winikoff, M., Dignum, V., & Dignum, F. (2023). Responsible AI by design in practice. AI and Ethics, 3(1), 183-199. [3] Hagendorff, T., & Meding, K. (2021). The big picture on AI ethics. AI and Ethics, 1(1), 65-75. [4] Kautz, H. (2022). The Third AI Summer: AAAI Robert S. Engelmore Memorial Lecture. AI Magazine, 43(1), 105-126. [5] Liu, Y., Zhang, H., Wu, Q., & Chen, L. (2023). Knowledge graph representation learning: A comparative analysis of techniques and applications. IEEE Transactions on Knowledge and Data Engineering, 35(4), 3412-3426. [6] Mittelstadt, B. (2019). Principles alone cannot guarantee ethical AI. Nature Machine Intelligence, 1(11), 501-507. [7] Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206-215. [8] Tran, S. N., & Le, H. T. (2021). Fractal representations for knowledge organization in neuralsymbolic systems. Neural Computing and Applications, 33(16), 10201-10215. [9] Tuomi, I. (1999). Data is more than knowledge: Implications of the reversed knowledge hierarchy for knowledge management and organizational memory. Journal of Management Information Systems, 16(3), 103-117. [10] Walker, L. O., & Avant, K. C. (2011). Strategies for theory construction in nursing (5th ed.). Prentice Hall. [11] Wang, Y. (2015). Formal cognitive models of data, information, knowledge, and intelligence. WSEAS Transactions on Computers, 14, 770-781. [12] Zins, C. (2007). Conceptual approaches for defining data, information, and knowledge. Journal of the American Society for Information Science and Technology, 58(4), 479-493. [13] Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., García, S., GilLópez, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82-115. [14] Ackoff, R. L. (1989). From data to wisdom. Journal of Applied Systems Analysis, 16(1), 3-9. [15] Alavi, M., & Leidner, D. E. (2001). Knowledge management and knowledge management systems: Conceptual foundations and research issues. MIS Quarterly, 25(1), 107-136. [16] Davenport, T. H., & Prusak, L. (1998). Working knowledge: How organizations manage what they know. Harvard Business Press. [17] Nonaka, I., & Takeuchi, H. (1995). The knowledge-creating company: How Japanese companies create the dynamics of innovation. Oxford University Press. [18] Rowley, J. (2007). The wisdom hierarchy: representations of the DIKW hierarchy. Journal of Information Science, 33(2), 163-180. [19] Russell, S. J., & Norvig, P. (2020). Artificial intelligence: A modern approach (4th ed.). Prentice Hall. [20] Baral, C., Bolander, T., van Ditmarsch, H., & McIlraith, S. (2022). A review of logical foundations of formal argumentation. Artificial Intelligence, 302, 103597. [21] Chen, Z., Chen, D., Zhang, X., Yuan, Z., & Yang, X. (2021). Deep knowledge tracing with knowledge graph embedding for intelligent tutoring systems. Knowledge-Based Systems, 227, 107224. [22] Cranefield, S., Winikoff, M., Dignum, V., & Dignum, F. (2023). Responsible AI by design in practice. AI and Ethics, 3(1), 183-199. [23] Danks, D., & London, A. J. (2022). Algorithmic bias in autonomous systems. Proceedings of the 36th AAAI Conference on Artificial Intelligence, 46914697. [24] d’Avila Garcez, A. S., Gori, M., Lamb, L. C., Serafini, L., Spranger, M., & Tran, S. N. (2019). Neuralsymbolic computing: An effective methodology for principled integration of machine learning and reasoning. Journal of Applied Logics, 6(4), 611-632.