Главная / Статьи / 2026 (62) 2 / Статья
ТЕХНИЧЕСКИЕ НАУКИ

ДИНАМИЧЕСКИЙ АЛГОРИТМ ИДЕНТИФИКАЦИИ ОБЪЕКТОВ НА ОСНОВЕ ВЕКТОРНОЙ КВАНТОВАННОЙ ВРЕМЕННОЙ АССОЦИАТИВНОЙ ПАМЯТИ

Шукурова Ойсара Пулатовна Шукурова О.П.

Аннотация

В задачах идентификации взаимосвязей между технологическими параметрами объектов автоматизированного управления используются возможности нейронных сетей. Одной из важных проблем, рассматриваемых в таких задачах идентификации, является выбор архитектуры нейронной сети моделируемого динамического объекта. В статье рассматривается использование нейронной сети на основе векторно-квантованной временной ассоциативной памяти для динамической идентификации объектов. Приведены входные и выходные параметры нейронных сетей, схема идентификации и метод решения задачи аппроксимации заданной функции в самообучающейся сети. Представлена схема использования самообучающейся сети для идентификации и архитектура используемой сети Кохонена. Написан алгоритм обучения параметров сети.

Ключевые слова

самообучающаяся сеть нейронная сеть Кохонен момент времени модель параметр весовой вектор вектор синаптических коэффициентов нейрон-победитель динамический объект идентификация.
Авторы
Шукурова Ойсара Пулатовна
Каршинский государственный технический университет, г. Карши
ORCID: 0000-0002-6357-6547

Как цитировать

Стиль журнала
Шукурова, О. П. ДИНАМИЧЕСКИЙ АЛГОРИТМ ИДЕНТИФИКАЦИИ ОБЪЕКТОВ НА ОСНОВЕ ВЕКТОРНОЙ КВАНТОВАННОЙ ВРЕМЕННОЙ АССОЦИАТИВНОЙ ПАМЯТИ. Innovatsion texnologiyalar, 2026, 62(2), 83-88. https://doi.org/10.70769/2181-4732.ITJ.2026-2.11
TXT (текущий стиль) BibTeX RIS

Литература

  1. Husan Z. Igamberdiyev, Azizbek N.Yusupbekov, Orıpcan O. Zaripov, Jasur U.Sevinov. Algorithms of adaptive identification of uncertain operated objects in dynamical models. 9th International Conference on Theory and Application of Soft Computing, Computing with Words and Perception, ICSCCW 2017, 24-25 August 2017, Budapest, Hungary. Procedia Computer Science 120 (2017) 854 – 861 pp.
  2. Zaripov O. O., Sevinov J. U., Shukurova O.P. Algorithms for identification of linear dynamic control objects based on the ps eudo - concept concept. International Journal of Psychosocial Rehabilitation. Volume 24. Issue 3. 2020. 261 - 267 pp. DOI: 10.37200/IJPR/V24I3/PR200778
  3. Shukurova O.P. Nochiziqli tizim larni identifikatsiyalash va boshqarish. O‘zbekiston agrar fani xabarnomasi. No 6 (18) 2024. 214 -217 bet.
  4. . Saraev P.V. Chislennye metody intervalnogo analiza v obuchenii neyron- nykh setey [Numerical methods of interval analysis in learning neural network]. Autom. Remote Control, 2012, no. 11, pp. 129-143.
  5. . Gabitov R.F. Mnogomernoe modelno-prediktornoe upravlenie prokalkoy katalizatorov krekinga, osnovannoe na algoritme s intervalnoy neopredelennostyu [Multivariate model-predictive control calcination cracking catalysts based on an algorithm with interval uncertainty]: abstract thesis of the candidate of technical sciences. Ufa, 2012. 19 pp.
  6. . Zaripov O.O., Sevinov J.U., Shukurova O.P. Algorithms for recurrent identification of control objects by m eans of multiple models and adaptation of parameters. I nternational J ournal of A dvanced R esearch In S cience, E ngineering And T echnology. Vol. 6, Issue 3, Mar 2019. pp. 8479 - 8483.
  7. . Shumikhin A.G., Boyarshinova A.S., Orekhov M.S. Primenenie neyro - setevy kh modeley pri avtomatizirovannom upravlenii slozhnymi khimiko - tekhnologicheskimi sistemami. Polzunovskiy vest - nik, 2012, no. 3/2, pp. 9 - 12.
  8. Осовский С. Нейронные сети для обработки информации. – М.: Финансы и статистика, 2002.
  9. Sevinov, J.U., Boborayimov, O.K., Bobomurodov, N.H. (2024). Algorithms for Synthesis of Adaptive Neural Network Control Systems Based on the Velocity Gradient Me thod. In: Aliev, R.A., Kacprzyk, J., Pedrycz, W., Jamshidi, M., Babanli, M., Sadikoglu, F.M. (eds) 16th International Conference on Applications of Fuzzy Systems, Soft Computing and Artificial Intelligence Tools – ICAFS - 2023. ICAFS 2023. Lecture Notes in N etworks and Systems, vol 1141. Springer, Cham. https://doi.org/10.1007/978- 3-031-76283-3_34
  10. . Льюнг, Л. Идентификация систем. Теория для пользователя / Л. Льюнг. – М.: Гл. ред. физ. - мат. лит., 1991.
  11. Игамбердиев Х.З., Севинов Ж.У., Зарипов О.О. Регулярные методы и алгоритмы синтеза адаптивных систем управления с настраиваемыми моделями. – Т.: ТашГТУ, 2014. - 160 с. (Igamberdiev H.Z., Sevinov Zh.U., Zaripov O.O. (2014). Reguljarnye metody i algoritmy sinteza adaptivnyh sistem upravlenija s nastraivaemymi modeljami. – T.: TashGTU, – 160 s. (in. Russian)).
  12. T. Koskela. Neural network methods in analyzing and modeling time varying processes. Espoo. (2003), pp. 1-72.
  13. Shukurova, O.P. (2025). Intellektual neyron tarmoqlar matematik modelini qurish algoritmi. Innovatsion texnologiyalar. Ilmiy - texnik jurnal. 2025/4(60). 103 - 108.
  14. Гайимназаров, И. Х. (2024). НАТУРНЫЕ ИССЛЕДОВАНИЯ ПО ОПРЕДЕЛЕНИЮ РАСХОДА НАНОСОВ В УСЛОВИЯХ НЕСТАЦИОНАРНОГО ТЕЧЕНИЯ. Oriental renaissance: Innovative, educational, natural and social sciences, 4(4), 317-324.
  15. Yusupbekov, A.N., Sevinov, J.U., Mamirov, U.F., Botirov, T.V. (2021). Synthesis Algorithms for Neural Network Regulator of Dynamic System Control. Advances in Intelligent Systems and Computing, vol 1306. pp. 723 – 730. Springer, Cham. https://doi.org/10.1007/978-3-030-64058-3_90.
  16. Shuku rova, O.P., Bekmurodov A.X., Baratov A.K. (2022). Tabi i y gazni absorbsiyali quritish texnologik jarayonnini modellashtirish va boshqarish. Innovatsion texnologiyalar. Ilmiy - texnik jurnal – QMII. Maxsus son. 57 - 61.