OB-HAVO SHAROITLARINING YURAK QON BOSIMI KASALLIKLARIGA TA'SIRINI MLP MODELIDA OPTIMALLASHTIRISH
- 1. "TIQXMMI" MTU dotsent, texnika fanlari nomzodi
- 2. "TIQXMMI" MTU 1-kurs tayanch doktorant
- 3. Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali assistent
Description
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
Files
final_44_721-251-255-Pulatov.pdf
Files
(1.2 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:4a7aad1a0aefc9e0fa2e4e7894d7eeca
|
1.2 MB | Preview Download |
Additional details
References
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
- Geron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media.
- Gorodetsky, V. I., & Serebryakov, S. V. (2006). Методы и алгоритмы коллективного распознавания: обзор. Наука, СПб.
- Cybenko, G. 1989. Approximation by superpositions of a sigmoidal function Mathematics of Control, Signals, and Systems, 2(4), 303–314.
- Pulatov, G., Kabildjanov, A., & Pulatova, G. (2024). Аналитический анализ влияния погодных условий на сердечно-сосудистые заболевания. Потомки Аль-Фаргани, 1(2), 296–300.