368

Мақолада  катта  ўлчамдаги  белгилар  фазоси  шароитларида  мослаштирилган  таниб  олиш 
операторлари  моделларини  қуриш  билан  боғлиқ  бўлган  масалалар  кўриб  чиқилади.  Бошланғич 
модел  сифатида  радиал  функцияларга  асосланган  модел  кўриб  чиқилади.  Таклиф  қилинган 
моделнинг  ишлашини  текшириш  учун  ўзбек  алифбоси  босма  қўлёзма  ҳарфларини  таниб  олиш 
бўйича тажрибавий тадқиқотлар ўтказилган.

  • Ссылка в интернете
  • DOI
  • Дата создание в систему UzSCI 17-02-2020
  • Количество прочтений 343
  • Дата публикации 10-07-2019
  • Язык статьиO'zbek
  • Страницы54-61
Ўзбек

Мақолада  катта  ўлчамдаги  белгилар  фазоси  шароитларида  мослаштирилган  таниб  олиш 
операторлари  моделларини  қуриш  билан  боғлиқ  бўлган  масалалар  кўриб  чиқилади.  Бошланғич 
модел  сифатида  радиал  функцияларга  асосланган  модел  кўриб  чиқилади.  Таклиф  қилинган 
моделнинг  ишлашини  текшириш  учун  ўзбек  алифбоси  босма  қўлёзма  ҳарфларини  таниб  олиш 
бўйича тажрибавий тадқиқотлар ўтказилган.

Русский

В  статье  рассмотрены  вопросы,  связанные  с  построением  модели  модифицированных
распознающих  операторов  в  условиях  большой  размерности  признакового  пространства.  В 
качестве  исходной  модели  рассмотрена  модель,  основанная  на  радиальных  функциях.  Для 
проверки работоспособности предложенной модели проведены экспериментальные исследования 
по распознаванию печатных рукописных букв узбекского алфавита.

English

The problems relating to the construction of the model of  the modified recognizing operators in 
conditions of large dimension of the feature space are considered in the article. As the initial model, a 
model  based  on  radial  functions  is  considered.  To  test  the  working  capacity  of  the  proposed  model, 
experimental  studies  on  the  recognition  of  printed  manuscript  letters  of  the  Uzbek  alphabet  were 
conducted.

№ Имя автора Должность Наименование организации
1 Asraev M.A. _ _
2 Ibragimova S.N. _ _
3 Rustamov B.X. _ _
№ Название ссылки
1 Bishop C.M. Pattern Recognition and Machine Learning. NewYork: Springer, 2006. – 738 p
2 Murty M.N., Devi D.V.S. Introduction to Pattern Recognition and Machine Learning. New Jersey: World Scientific, 2015. – 383 p
3 Pattern Recognition Techniques: Technology and Applications. Edited by Yin P.Y. New York: lTexLi, 2016. – 636 p
4 Мирзаев Н.М., Салиев Э.А., Маматов Н.С. Задачи распознавания объектов, заданных в признаковом пространстве большой размерности //Актуальные задачи информационно-коммуникационных технологий и численного моделирования: труды Республиканской научно-технической конференции (8-9 сентября 2017, Самарканд). – Самарканд, 2017. – С. 244-248
5 Buhmann M.D. Radial Basis Functions: Theory and Implementations. – Cambridge: Cambridge University Press, 2004. – 272 p
6 Russell J., Cohn R. Radial Basis Function. - New York: Book on Demand, 2012. –140 p
7 Воронцов К.В., Алешина М.В. Сеть радиальных базисных функций [Электронный ресурс]. URL: http://www.machinelearning.ru/wiki/index.php?title= Сеть радиальных базисных функций (дата обращения: 12.07.2017)
8 Журавлев Ю.И. Избранные научные труды / Ю.И. Журавлев. – М.: Магистр, 1998. – 420 с.
9 Mirzaev N.M. About one model of image recognition //Computer Technology and Applications: Proceedings The First Russia and Pacific Conference. – Vladivostok, 2010, pp. 394–398
10 Камилов М.М., Мирзаев Н.М., Раджабов С.С. Современное состояние вопросов построения моделей алгоритмов распознавания //Химическая технология. Контроль и управление. – Ташкент, 2009, № 2. – С.67-72.
11 Фазылов Ш.Х., Мирзаев О.Н., Раджабов С.С. Современное состояние проблем распознавания образов // Проблемы вычислительной и прикладной математики. – Ташкент, 2015. – №2. – С. 99-112
12 Донской, В. И. Алгоритмические модели обучения классификации: обоснование, сравнение, выбор. Симферополь: ДИАЙПИ, 2014. – 228 с
13 Pattern Recognition: Practices, Perspectives and Challenges. Edited by Vincent D.B. New York: Nova Science Publishers, 2013. – 204 p
14 Pal S.K., Ray S.S., Ganivad a A. Granular Neural Networks, Pattern Recognition and Bioinformatics. New York: Springer, 2017. – 235 p
15 Sugomori Y., Kaluza B., Soar es F.M., Souza A.M.F. Deep Learning: Practical Neural Networks with Java. Birmingham: Packt Publishing, 2017. – 744 p
16 Cia bur ro G. MATLAB for Machine Learning. Birmingham: Packt Publishing, 2017. –376 p
17 Smith J. Machine Learning with Neural Networks using Matlab. North Charleston: CreateSpace Independent Publishing, 2017. – 490 p
18 Jayadeva K.R., Chandr a S. Twin Support Vector Machines. Models, Extensions and Applications. New York: Springer, 2017. – 221 p
19 Фазылов Ш.Х., Мирзаев Н.М., Мирзаев О.Н. Об одной модели модифицированных алгоритмов распознавания типа потенциальных функций// Математические методы распознавания образов: Доклады Всеросс. конф. – Москва, 2009. – С. 200-203
20 Гонсалес Р., Вудс Р. Цифровая обработка изображений. –М.: Техносфера, 2012. – 1104 с.
21 Fazilov Sh., Mirzaev N., Radjabov S., Mirzaev O. Determination of subsets of strongly dependent features based on radial functions //In Proc. of Int. Conf. on Innovations in Engineering, Technology and Sciences (ICIETS-2018), 20-21 September 2018, Karnataka, India
22 Мирзаев О.Н. Выделение репрезентативных признаков при построении алгоритмов распознавания //Проблемы информатики и энергетики. – Ташкент, 2008. – №6. – С. 23-27
23 Mirzaev N. , and Saliev E. Recognition Algorithms Based on Radial Functions //In Proc. of the 3nd Russian-Pacific Conf. on Computer Technology and Applications (August 18 – 25, 2018, Vladivostok, Russky Island, Russia). – Vladivostok: FEFU, 2018. – Pp. 1-6.
24 Braga - Neto U.M., Dougherty E.R. Error Estimation for Pattern Recognition. –New York: Wiley, 2015. – 336 p.
В ожидании