OB-HAVO SHAROITLARINING YURAK QON BOSIMI KASALLIKLARIGA TA’SIRINI MLP MODELIDA OPTIMALLASHTIRISH Текст научной статьи по специальности «Компьютерные и информационные науки»

Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2024-yil

"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2024 year

Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2024 год

OB-HAVO SHAROITLARINING YURAK QON BOSIMI KASALLIKLARIGA TA'SIRINI MLP

MODELIDA OPTIMALLASHTIRISH

Kabildjanov Aleksandr Sabitovich,

"TIQXMMI" MTU dotsent, texnika fanlari nomzodi

Pulatov G'iyos Gofurjonovich,

"TIQXMMI" MTU 1-kurs tayanch doktorant [email protected]

Pulatova Gulxayo Azamjon qizi,

Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali

assistent

Annotatsiya. Ushbu maqola ob-havo sharoitlarining yurak qon bosimi kasalliklariga ta'sirini o'rganish va bashorat qilishda MLP (Multilayer Perceptron) neyron tarmog'idan foydalanishni tavsiflaydi. Ob-havo elementlari, jumladan, harorat, havo bosimi, namlik, shamol tezligi va geomagnit bo'ronlar, yurak qon bosimi kasalliklariga sezilarli ta'sir ko'rsatishi aniqlangan. Tadqiqot davomida MLP modelining yashirin qatlamlar soni va epoxlar soni parametrlarini optimallashtirish orqali modelning samaradorligi oshirildi. Eksperimentlar natijasida, 2 ta yashirin qatlam va 100 ta epox bilan eng yuqori aniqlik darajasi va ishonchli bashoratlar erishildi. Ushbu yondashuv bemorlar va tibbiyot mutaxassislari uchun kasalliklarni oldindan aniqlash va profilaktika choralarini ko'rishda muhim vosita bo'lib xizmat qiladi. Natijalar kelgusi tadqiqotlar uchun model parametrlarini optimallashtirish va takomillashtirishga yo'l-yo'riq ko'rsatadi.

Kalit so'zlar: MLP (Multilayer Perceptron), yurak qon bosimi kasalliklari,ob-havo sharoitlari, chuqur o'rganish (deep learning), yashirin qatlamlar, epoxlar, bashorat qilish, profilaktika choralar, neyron tarmoq

Kirish.Yurak-qon tomir kasalliklari butun dunyo bo'ylab o'lim va nogironlikning asosiy sabablaridan biri bo'lib qolmoqda. Ushbu kasalliklarning murakkab tabiatini hisobga olgan holda, ularga ta'sir ko'rsatadigan turli omillarni chuqur tahlil qilish muhim ahamiyatga ega. Zamonaviy tadqiqotlar shuni ko'rsatmoqdaki, ob-havo sharoitlari, xususan, haroratning o'zgarishi, atmosfera bosimining tebranishlari, havo namligi, shamol tezligi va geomagnit bo'ronlar kabi omillar yurak-qon bosimi kasalliklariga sezilarli ta'sir ko'rsatadi. Bunday tashqi omillarni o'rganish kasallikni oldindan bashorat qilish va uning oldini olish choralarini ishlab chiqishda muhim ahamiyat kasb etadi[5].

So'nggi yillarda chuqur o'rganish (deep learning) texnologiyalari, xususan, ko'p qatlamli sun'iy neyron tarmoqlar (Multilayer Perceptron, MLP), katta hajmdagi murakkab ma'lumotlarni qayta ishlash va tahlil qilishda samarador vosita sifatida

o'zini namoyon qilmoqda. MLP modeli ob-havo elementlari va yurak qon bosimi o'rtasidagi murakkab bog'liqliklarni aniqlash va bashorat qilish uchun ishlatiladigan ilg'or yondashuvdir. Ushbu model harorat, atmosfera bosimi, havo namligi, shamol tezligi va geomagnit bo'ronlar kabi omillarni kiruvchi xususiyatlar sifatida qabul qiladi va ular asosida kasallik xavfini bashorat qiladi[1].

Ushbu maqolada ob-havo sharoitlarining yurak-qon bosimi kasalliklariga ta'sirini baholash uchun MLP modelidan foydalanilgan. Tadqiqotning asosiy maqsadi model parametrlarini optimallashtirish orqali uning bashorat qilish qobiliyatini oshirish va tibbiy amaliyotda qo'llash uchun samarali vosita yaratishdan iboratdir. Maqolada keltirilgan yondashuv nafaqat kasalliklarni boshqarishda samaradorlikni oshiradi, balki kelgusidagi tadqiqotlar uchun amaliy yo'nalishlarni belgilaydi.

251

Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2024-yil

"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2024 year

Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2024 год

Usullar. Bizga berilgan dastlabki ma'lumotlar oldindan tayyorlangan faylda kiritilgan(1-rasm). Ma'lumotlar 154 ta sartdan iborat, bu 154 kunlik natija asosida ma'lumotlarni o'qitamiz hamda natijalarni olamiz[5].

A В С D E F

1 T (C) P (mm) N (%) V (m/c) F (Tb) NB (%)

2 22.3 697.8 37 2.3 2.8 5.8

3 23.4 698.4 38.2 2.3 2.5 4.1

4 22.6 698.7 37.6 1.6 2 4.6

5 22.9 698.2 32.6 2.5 1.7 2.6

6 25 697.4 25 4.2 0.9 3.4

7 25.2 697.8 28.2 4 1,7 4.8

8 24.5 698.1 29.3 3.4 l| 6.4|

9 25.4 697.4 28 2.9 1.7 4

10 26 698.2 28.1 2.9 1 4.8

11 26.7 697.1 28.8 2.5 1.9 4

12 24.5 698.1 36.4 3.5 1.7 4.6

13 21.5 700.3 33 4.5 2 2.8

14 20.2 701.6 43.1 2.5 2.6 4

143

144

145

146

147

148

149

150

151

152

153

154

155

156

8

7.3

5.4 7

10 4.2 6 7 9.7 13.3

6.5 -1.1 -8.9

699.7 699.9

699.6

697.8 696.2

698.8

699.7 699,7

698 694.5

699 699

700.9

53.6

79.2 89.1

78.3 67.9 90.9 79.5

78.4 68.8 48.8

81.7

89.5 88.5

2 2.4 1.8

2.3

3.4 1.1

2

1.3 1.9 4.9

4.4

4 3.2

1.8 2.7 2.7 2.1 3

2.3 2.9 1.5

2

3.4 2.9 1.4 1.2

4.4

6.4 4.6 5.8 3.4 4.2 2.2 3 1.8 4.4 4.8 6.8 8.8

1-rasm. Kiruvchi ma'lumotlar.

Ushbu ma'lumotlarni MLP (Multilayer Perceptron)da o'qitib olamiz. Daslab MLP haqida ma'lumot berib o'tamiz.

MLP (Multilayer Perceptron) — bu sun'iy neyron tarmoqlarining klassik turi bo'lib, ko'p qatlamli struktura va murakkab ma'lumotlarni qayta ishlash imkoniyatiga ega. MLP, asosan, quyidagi asosiy tamoyillarga asoslanadi:

Kiruvchi qatlam (input layer). Kiruvchi qatlam modelga kiritiladigan xususiyatlar va ma'lumotlarni qabul qiladi. Har bir neyron bu qatlamda biror xususiyatni ifodalaydi[2].

Yashirin qatlamlar (hidden layers). MLP bir yoki bir nechta yashirin qatlamlardan tashkil topgan. Bu qatlamlar ma'lumotlarni kiruvchi qatlamdan qabul qilib, ularni murakkab transformatsiyalar orqali qayta ishlaydi. Har bir yashirin qatlam neyronlari oldingi qatlamning barcha neyronlari bilan bog'langan bo'lib,

neyronlarning chiqishi aktivatsiya funktsiyalari orqali hisoblanadi[1].

Chiqish qatlam (output layer). Chiqish qatlam modelning yakuniy bashoratlari yoki natijalarini taqdim etadi. Neyronlar chiqish qatlamida maqsadli klassifikatsiya yoki qiymatlarni ifodalaydi.

Matematik formulalar. Har bir qatlamda neyronlar quyidagi tenglama yordamida hisob-kitob qiladi[1]:

z. =

-b.

(1)

aj = f ( zj ) Bu yerda:

(2)

z,-

j-neyronning og'irlik bilan o'lchangan qiymati,

w

• ■: i-kiruvchi xususiyat va j-neyron orasidagi og'irlik,

• b : neyronning bias (tuzatuv) qiymati,

• f: aktivatsiya funksiyasi (masalan, ReLU, Sigmoid, Tanh),

• a: neyronning chiqish qiymati[3]. Yuqoridagi masalani MLP neyron tamog'i

usulidan o'qitib olamiz. Bundan asosiy maqsad biz erishmoqchi bo'lgan natija nechta yashirin qatlam hamda nechta epox(o'qitish jarayonida ma'lumotlar to'plamining necha marta modelga kiritilishini bildiradi. Epoxlar soni modelning o'qitilish jarayonidagi muhim parametr hisoblanadi) kerakligini topshdan iborat.

Aktivatsiya funksiyasi variantlari[4]: ReLU (Rectified Linear Unit): f(x)=max(0,x) (3)

Logistic (Sigmoid): f(x)=—!—

( ) l+e-x (4)

Tanh (Hyperbolic Tangent):

~x -x

e -e

x -x

f(x)=

ex+e-x Identity (Linear):

(5)

252

n

"Descendants of Al-Farghani" electronic scientific Электронный научный журнал "Потомки Аль-

joumal of Fergana branch of TATU named after Фаргани" Ферганского филиала ТАТУ имени

Muhammad al-Khorazmi. ISSN 2181-4252 Мухаммада аль-Хоразми ISSN 2181-4252

Vol: 1 | Iss: 4 | 2024 year Том: 1 | Выпуск: 4 | 2024 год

Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2024-yil

f(x)=x (6)

O'rtacha kvadrat xatolik (Mean Squared Error, MSE) neyron tarmoqdagi natijalarni baholashda ishlatiladigan asosiy o'lchovlardan biridir. Formulasi quyidagicha[4]:

1 N л

MSE= ^ Ê (y - y )2

N *(7) Bu yerda:

• : haqiqiy qiymat

л

• y* : bashorat qilingan qiymat

• N : umumiy namunalar soni[1].

Qatlamlar soni hamda epoxlar soni olamiz hamda 1-jadvlani to'ldiriladi.

1-jadval.

TR Qatlam Epox Y

1 min min

2 min max

3 max min

4 max max

Y = a0+a1 x1-a2 x2+a12 x1 x2 (8)

Natijalar. Quyida dastur ko'di keltirilgan. Bunda epoxlar soni 100 ta va yashirin qatlam soni 2 ham 5 ta.

# Kerakli kutubxonalarni yuklash import numpy as np

from sklearn.model_selection import train_test_split

from sklearn.neural_network import MLPClassifier

from sklearn.metrics import accuracy_score, classification_report

# 1. Ma'lumotlarni yaratish (bu yerdagi ma'lumotlar namunaviy, siz tibbiy ma'lumotlarni almashtirishingiz mumkin)

# X (xususiyatlar): harorat, namlik, bosim va hokazo

# y (nishon): kasallik (1 = mavjud, 0 = yo'q) X = np.array([

[30, 70, 1010], # Harorat (°C), namlik (%), bosim (hPa)

[25, 60, 1005], [28, 65, 1012], [32, 80, 1000], [20, 50, 1015]]) y = np.array([1, 0, 1, 1, 0]) # Kasallik: 1 (mavjud), 0 (yo'q)

# 2. Ma'lumotlarni o'qitish va sinov uchun bo'lish

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 3. MLP Modelini yaratish va o'qitish

mlp = MLPClassifier(hidden_layer_sizes=(10, 5), max_iter=1000, random_state=42) mlp.fit(X_train, y_train)

# 4. Modelni sinovdan o'tkazish y_pred = mlp.predict(X_test)

# 5. Natijalarni baholash

accuracy = accuracy_score(y_test, y_pred) print("Modelning aniqligi: {:.2f}%".format(accuracy * 100))

print("\nKlassifikatsiya hisoboti:\n", classification_report(y_test, y_pred))

# 6. Yangi ma'lumotlarni bashorat qilish new_data = np.array([[29, 75, 1008], [22, 55,

1011]]) # Yangi bemorlar ma'lumotlari predictions = mlp.predict(new_data) print("\nYangi ma'lumotlar uchun bashoratlar:", predictions)

Aktivatsiya funksiyasi sifatida "ReLU" dan foydalanilgan. ReLU tez ishlash va murakkab tarmoqlarda yaxshi natijalar berishi bilan tanilgan. 3-formu orqali aniqlab olamiz.

mlp = MLPClassifier(hidden_layer_sizes=(10, 5), activation='relu', max_iter=1000,

randomstate=42)

Quqoridagi dastur orqali quyidagi(2) jadvalga qiymatlarni to'ldirib olamiz. 2-jadval

Kiruvchi Xususiyatlar ( Og'irliklar { Yashirin Qatlam Aktivatsiya (a — Yakuniy

xlyx2) , гГ-.j Chiqishi [2) /(-)) Chiqish (y)

(0.5, 0.8) (0.3, 0.7) z - 0.6*0.3 + a - ReLU(z) Bashorat у

0.8 * 0.7

(1.0, 0.4) (0.6, 0.2) ; - 1.0*0.6 + a ■- ReLU (г) Bashorat у

0.4*0.2

253

Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2024-yil

"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2024 year

Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2024 год

MSE va Lossring Epoxlarga Bog'liq O'zgarishi

-•- MSE (O'rtacha Kvadrat Xatolik) - Loss (Yo'qotish Funksiyssi)

2.5 5 0 7.5 10.0 12.5 15.0 17.5 20.0

Epochlar

2-rasm. MSE va Loss qiymati.

Qatlamlar soni 2 ta va 5 ta hamda epoxlar 100 ta olamiz hamda 2-jadvlani to'ldirib olamiz. Qatlamlar min=2, max=5 va epoxlar min=10, max=100 dagi qaymatlarini qabul qilamiz.

Ushbu jadvaldagi qiymatlarni aniqlash uchun Python dasturida MLP neyron tarmoqg'ida o'qitib olamiz.

Quyidagi natijalarni olamiz(2-jadvlani).

2-jadval

TR Qatlam Epox Y

1 2 10 0,69

2 2 100 0,67

3 5 10 0,7

4 5 100 0,69

Ushbu jadval orqali Y ni eng maqbul yechimini aniqlab olamiz(1-formula).

3-jadval

TR X1 X2 X1 X2 Y

1 -1 -1 + 1 0,69

2 -1 + 1 -1 0,67

3 +1 -1 -1 0,7

4 +1 + 1 + 1 0,69

x1 = [-1 -1 1 1] x2 = [-1 1 -1 l] y = [0.69 0.67 0.7 0.69] N=4

sv=0.0001

a0 = sum(y)/4

a1=sum(x1.*y)/4

a2=sum(x2.*y)/4

a12=sum(x1.*x2.*y)/4

sa=sqrt(sv)/sqrt(N)

t1=abs(a1)/sa

t2=abs(a2)/sa t12=abs(a12)/sa for i=1: N

ym(i)=a0+a1*x1(i)+a2*x2(i)+a12*x1(i)*x2(i) end

[x1 x2] = meshgrid(-1:0.1:1, -1:0.1:1); y=a0+a1.*x1+a2.*x2+a12.*x1.*x2; surf(x1,x2,y); x0=[0,0] lb=[-1,-1]; ub=[1,1];

[x,y]=fmincon(f0.6875+0.0075*x(1)-0.0075*x(2)+0.0025*x(1)*x(2)',x0,[],[],[],[],lb , ub)

График функции У=а0+а1*х1-а2*х2+а12*х1*х2 a0-0.6B75; a1=0.0Q75; а2=-0.0075; a12=0.0025

х2 -1 -1 x1

3-rasm.natijaning grafig ko'rinishi.

x = -1.0000 1.0000

y = 0.6700

Yuqoridagi natijalardan shuni aniqlab olamizki, neyron tarmoqning MLP modelida o'qitilganda yashirin qiymatlar soni 2 ta va epoxlar soni 100 bo'lganda eng yaxshi natijaga erishilar ekan.

Xulosa. Ushbu tadqiqotda ob-havo sharoitlari asosida yurak qon bosimi kasalliklarini bashorat qilish uchun MLP (Multilayer Perceptron) neyron tarmog'i modeli qo'llanildi. Tadqiqot davomida, modelning samaradorligini oshirish maqsadida yashirin qatlamlar soni va epoxlar soni parametrlarini aniqlash uchun eksperimentlar o'tkazildi.

Yashirin qatlamlar soni va epoxlar sonining optimal miqdori aniqlash orqali modelning aniqlik darajasi va bashorat qilish qobiliyati baholandi. Tajribalar natijasida, 2 ta yashirin qatlam va 100 ta epox o'rnatilgan konfiguratsiya eng yuqori natijalarga erishish imkonini berdi. Bu parametrlar asosida

254

Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2024-yil

"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2024 year

Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2024 год

modelning chiqish natijalari optimal darajada aniqlik ko'rsatdi va bashoratlarning ishonchliligi oshdi. Xususan:

• Yashirin qatlamlar sonining 2 ta bo'lishi va epoxlar sonining 100 ga teng bo'lishi modelning umumiy ishlashini yaxshiladi.

• Modelni o'qitish jarayonida, 2 ta yashirin qatlam va 100 ta epox kombinatsiyasi eng yaxshi natijalarni berdi, bu esa modelning ob-havo sharoitlari asosida yurak qon bosimi kasalliklarini oldindan bashorat qilishda yuqori samaradorlikni ta'minladi.

Ushbu tadqiqot natijalari, MLP modelining ma'lum bir arxitekturasi va parametrlar bilan yurak qon bosimi kasalliklarini prognoz qilishda samarali ekanligini ko'rsatdi. Ob-havo sharoitlariga asoslangan bashoratlar tibbiyot mutaxassislari va bemorlar uchun kasalliklarni oldindan aniqlash va profilaktika choralarini ko'rishda muhim vosita bo'lishi mumkin[5].

Shuningdek, tadqiqot davomida olingan natijalar, kelgusi tadqiqotlar uchun parametrlarni optimallashtirishda va modelni yanada takomillashtirishda yo'l-yo'riq ko'rsatadi. Modelning muvaffaqiyatli ishlashini ta'minlash uchun parametrlar va arxitekturani to'g'ri tanlash zarurligi ta'kidlandi.

заболевания. Потомки Аль-Фаргани, 1(2), 296-300.

Foydalanilgan adabiyotlar

1. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

2. Geron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O 'Reilly Media.

3. Gorodetsky, V. I., & Serebryakov, S. V. (2006). Методы и алгоритмы коллективного распознавания: обзор. Наука, СПб.

4. Cybenko, G. 1989. Approximation by superpositions of a sigmoidal function Mathematics of Control, Signals, and Systems, 2(4), 303-314.

5. Pulatov, G., Kabildjanov, A., & Pulatova, G. (2024). Аналитический анализ влияния погодных условий на сердечно-сосудистые

255