Ushbu tadqiqot aqlli issiqxonalarda harorat, namlik, yorugʻlik intensivligi va CO2 kabi atrof-muhit sensorlaridan keladigan xato yoki noodatiy maʼlumotlarni bulutga yetib bormasidan oldin issiqxona gatewayʼida aniqlashni maqsad qiluvchi CNN-LSTM-POT nomli gibrid anomaliyani aniqlash yondashuvini ishlab chiqadi. Tizim CNN yordamida sensor vaqt qatorlaridagi mahalliy xususiyatlarni ajratib oladi, ikki qatlamli LSTM bilan vaqtga bogʻliq aloqalarni modellashtiradi va haqiqiy oʻlchov bilan bashorat oʻrtasidagi xatoni Peaks Over Threshold (POT) usuli orqali dinamik baholaydi.

Tadqiqotning apparat arxitekturasida sensor maʼlumotlari STM32F103C8T6 asosidagi maʼlumot yigʻish tugunida olinadi, Zigbee orqali STM32H743 asosidagi IoT gatewayʼiga uzatiladi, anomaliyani aniqlash gatewayʼning oʻzida bajariladi va faqat filtrlab olingan maʼlumotlar 4G ulanishi orqali bulut platformasiga yuboriladi. Shu tariqa anomaliyani aniqlashni bevosita maʼlumot manbaiga yaqin edge qurilmada bajarish maqsad qilingan.

Nazorat qilinadigan issiqxona muhitida yetti kun davomida toʻrt turdagi sensordan jami 40.320 maʼlumot nuqtasi toʻplangan. Har bir sensor 10.080 ta namuna hosil qilgan. Tasdiqlangan anomaliyalar soni yorugʻlik intensivligi uchun 504, harorat uchun 412, namlik uchun 379 va CO2 uchun 473 bo‘lib, jami 1768 tani tashkil etgan. Anomaliyalar tabiiy sensor driftʼi bilan nazoratli jismoniy aralashuvlar kombinatsiyasidan iborat bo‘lgan; yorliqlar qoʻlda tekshirish, zaxira sensorlar bilan taqqoslash va atrof-muhit hodisalari loglaridan foydalanish orqali tasdiqlangan.

Modelning POT qismida standart quantile qiymati 0,99 va ahamiyatlilik parametri q=10⁻⁴ qilib belgilangan. Manbadagi sezgirlik tahlilida quantile 0,99 uchun F1-score %92,2; q=10⁻³ uchun esa %92,6 deb xabar qilingan. Bu qiymatlar POT parametrlarining sezgirligiga tegishli bo‘lib, tadqiqotdagi barcha tajribalarning yagona umumiy F1 natijasi sifatida talqin qilinmasligi kerak.

STM32H743 dagi edge sinovida CNN-LSTM-POT modeli 224,3 KB model hajmi, 156,8 KB xotira ishlatilishi, %34,2 CPU ishlatilishi, 23,6 ms inference latency va 4,72 mJ energiya sarfini ko‘rsatgan. LSTM resursni kamroq isteʼmol qilsa ham, manba tadqiqotining qiyosiy aniqlash natijalarida CNN-LSTM-POT Precision, Recall va F1 bo‘yicha eng kuchli model sifatida qayd etilgan. Shu sababli tadqiqotning asosiy texnik daʼvosi “eng tez model” bo‘lishdan ko‘ra, yuqori anomaliya aniqlash muvaffaqiyatini mikrocontrollerda amaliy resurs sarfi bilan birlashtirishdir.

Toʻrtta gateway ssenariysida manba bildirgan anomaly recognition ko‘rsatkichlari bitta tugun–bitta sensor uchun %92, bitta tugun–ko‘p sensor uchun %76, ko‘p tugun–bitta sensor uchun %86 va ko‘p tugun–ko‘p sensor uchun %70 ni tashkil etadi. Eng murakkab ssenariyda unumdorlikning pasayishi ko‘p o‘zgaruvchili anomaliyalar normal atrof-muhit o‘zgarishlariga o‘xshab ketishi va yuqori o‘lchamli xususiyatlar fazosida ajratish qiyinlashishi bilan izohlanadi.

Turkiya nuqtayi nazaridan izoh: Tadqiqot Turkiyadagi tijoriy yoki operatsion issiqxonalarda o‘tkazilmagan. Shunga qaramay, Zigbee/4G asosidagi atrof-muhit sensorlarini monitoring qilish, edge gateway va anomaliyalarni filtrlash yondashuvi Turkiyadagi aqlli issiqxona amaliyotlariga konseptual ravishda moslashtirilishi mumkin. Biroq real foydalanish uchun mahalliy issiqxona iqlimi, sensor turlari, ekin tarkibi, issiqxona hajmi, simsiz aloqa sifati, atrof-muhit o‘zgaruvchilarining tabiiy taqsimoti va noto‘g‘ri ogohlantirish xarajati bo‘yicha qayta o‘qitish hamda dala sharoitida tasdiqlash talab etiladi. Tadqiqotdagi %70–%92 gateway aniqlash ko‘rsatkichlarini Turkiyadagi real issiqxona unumdorligi sifatida qabul qilib bo‘lmaydi.

Aqlli issiqxonada anomaliya nega muhim?

Avtomatlashtirilgan issiqxona boshqaruvida nazorat qarorlari sensorlardan keladigan maʼlumotlarga bogʻliq. Harorat sensori xato tarzda keskin ko‘tarilishni ko‘rsatishi, namlik sensori drift qilishi yoki aloqa buzilishi sabab maʼlumotda sakrash paydo bo‘lishi shamollatish, sugʻorish yoki iqlimni boshqarish bo‘yicha noto‘g‘ri qarorlarga olib kelishi mumkin.

Tadqiqotning boshlangʻich nuqtasi shundaki, anʼanaviy issiqxona monitoring tizimlari maʼlumot yigʻishda muvaffaqiyatli bo‘lsa-da, sensor maʼlumotlarining ishonchliligini real vaqt rejimida baholovchi mexanizmlar har bir tizimda ham mavjud emas.

Tadqiqot anomaliyani aniqlashni bulut tomonida qoldirish o‘rniga bevosita gatewayʼga ko‘chiradi. Shu tariqa xato deb hisoblangan maʼlumot upstream tizimga yuborilishidan oldin filtrlab olinishi mumkin.

Tizim arxitekturasi qanday ishlaydi?

Nega CNN va LSTM birgalikda ishlatiladi?

Model ikki xil muammo turini alohida qatlamlarda ko‘rib chiqadi. Bir o‘lchamli CNN sirg‘aluvchi vaqt oynasida sensor signalining qisqa masshtabli va mahalliy tuzilishini ajratib olish uchun qo‘llanadi. Keyin LSTM qatlamlari o‘tgan kuzatuvlar orasidagi uzoqroq muddatli vaqt bog‘liqliklarini modellashtiradi.

Xom maʼlumot avval min–max normallashtirishdan o‘tkaziladi:

\[ x'= \frac{x-x_{\min}} {x_{\max}-x_{\min}} \]

Bu yerda \(x_{\min}\) va \(x_{\max}\) joriy sliding window ichidagi minimum va maksimum qiymatlardir. Yangi o‘lchovlar avvalgi diapazondan tashqariga chiqqanda normallashtirish parametrlari joriy oyna asosida qayta hisoblanadi.

Konvolyutsiya qatlamida model:

\[ Z = ReLU(W \otimes X+b) \]

munosabatidan foydalanadi. \(X\) kirish ketma-ketligini, \(W\) konvolyutsiya kernelʼini, \(b\) bias qiymatini va \(Z\) CNN hosil qilgan yuqori darajali xususiyatlar ketma-ketligini ifodalaydi.

Bu xususiyatlar ketma-ket ikkita LSTM qatlamiga uzatiladi:

\[ h_{n1}=f(h_{n-1},z_n) \]

va:

\[ h_{n2}=f(h_{(n-1)2},h_{n1}) \]

Yakuniy bashorat ikkinchi LSTM qatlamining hidden stateʼidan chiziqli o‘zgartirish orqali hosil qilinadi:

\[ y=Vh_{n2} \]

Anomaliya bevosita model tomonidan tasniflanadimi?

Yo‘q. CNN-LSTMʼning asosiy vazifasi keyingi yoki kutilayotgan sensor qiymatini bashorat qilishdir. Haqiqiy sensor qiymati bilan bashorat o‘rtasidagi farq keyin anomaliya balli sifatida ishlatiladi.

Algorithm 1 da bashorat xatosi:

\[ e_t= \left\|x_t-\hat{x}_t\right\|^2 \]

ko‘rinishida hisoblanadi. Oxirgi \(N\) ta xato qiymati sliding window ichida saqlanadi va POT qismi ushbu xato taqsimotining ekstremal qismini modellashtiradi.

POT nega sobit chegaradan farq qiladi?

Sobit anomaly threshold issiqxona sharoitlari o‘zgargani sayin mosligini yo‘qotishi mumkin. Kunduz–tun sikli, shamollatish, sug‘orish yoki ob-havo sharoiti sensor maʼlumotlarining normal taqsimotini o‘zgartirishi mumkin.

Peaks Over Threshold usuli bashorat xatolarining maʼlum boshlang‘ich chegaradan oshgan ekstremal qiymatlariga Generalized Pareto Distribution (GPD) ni moslashtiradi. Manbada GPD uchun ishlatilgan ifoda:

\[ F(s) = P(S-m>s\mid m

ko‘rinishidadir. Bu yerda \(m\) boshlang‘ich chegara, \(\gamma\) shape parametri va \(\beta\) scale parametridir.

Dinamik anomaliya chegarasi esa tadqiqotda:

\[ w \simeq m+ \frac{\hat{\beta}}{\hat{\gamma}} \left[ \left( \frac{qN}{G} \right)^{-\hat{\gamma}} -1 \right] \]

ifodasi bilan berilgan. \(q\) kutilayotgan anomaliya ulushini, \(N\) sliding window hajmini va \(G\) boshlang‘ich chegaradan oshgan xatolar sonini bildiradi.

POT parametrlari natijani qanchalik o‘zgartiradi?

Quantile threshold sezgirlik tahlili chegarani haddan tashqari past yoki haddan tashqari yuqori tanlash F1-scoreʼni pasaytirishi mumkinligini ko‘rsatadi. Manbada eng yuqori quantile sezgirlik natijasi 0,99 darajasida %92,2 ni tashkil etadi.

Quantile 0,999 ga oshirilganda F1-score %84,8 gacha pasayadi. Bu natija faqat “chegarani yanada ekstremal nuqtaga surish” orqali yaxshiroq anomaly detection olish mumkin emasligini ko‘rsatadi.

Significance level q uchun natija qanday?

Tadqiqotchilar barqaror issiqxona muhitlari uchun quantile 0,995 va q=5×10⁻⁵; dinamikroq muhitlar uchun quantile 0,98–0,99 va q=10⁻³; nomaʼlum yoki aralash muhitlarda boshlangʻich nuqta sifatida quantile 0,99 va q=10⁻⁴ ni tavsiya qiladilar.

Bu tavsiyalar manba tadqiqotining o‘z sezgirlik tahliliga asoslangan bo‘lib, barcha issiqxona turlari uchun universal optimal parametrlar sifatida qaralmasligi kerak.

Sliding window hajmi nega muhim?

Kichikroq oyna yangi taqsimotga tezroq moslashib anomaly detection kechikishini kamaytirishi mumkin; biroq tarixiy maʼlumot kamroq bo‘lgani sababli threshold bahosi shovqinga ko‘proq sezgir bo‘lishi mumkin. Katta oyna esa barqarorroq statistik model hosil qilishi bilan birga yangi baselineʼga moslashishni sekinlashtirishi mumkin.

Tadqiqot bu trade-offʼni nazariy jihatdan tushuntiradi, biroq turli \(N\) qiymatlari uchun alohida sonli benchmark jadvalini bermaydi. Shu sababli manba asosida muayyan optimal sliding-window uzunligini chiqarib bo‘lmaydi.

Model qanday o‘qitilgan?

• 1D CNN filtrlari soni: 32
• Kernel hajmi: (3, 1)
• LSTM qatlamlari: 2
• LSTM aktivatsiyasi: tanh
• Dropout: 0,2
• Optimizer: Adam
• Boshlang‘ich learning rate: 0,001
• Loss: Mean Squared Error
• Batch size: 64
• Training epoch: 30
• Maʼlumot taqsimoti: %70 training, %15 validation, %15 test

Xronologik ajratish vaqt qatorining kelajagidan o‘tmishga maʼlumot sizib kirishini kamaytirishni maqsad qiladi.

Baseline taqqoslash adolatli bajarilganmi?

LSTM, BeatGAN va THOC modellarining barchasi bir xil training, validation va test taqsimotlarida baholangan. Baseline hyperparameterʼlari grid search orqali validation F1-scoreʼni maksimal qiladigan tarzda tanlangan.

LSTM va BeatGAN kabi error asosidagi modellarda validation error taqsimotidan quantile threshold hosil qilingan; THOCʼning one-class margin qiymati validation setida sozlangan. Bu yondashuv tadqiqotchilarning taqqoslash chegaralarini imkon qadar o‘xshash baholash mantiqiga yaqinlashtirishga urinishidir.

Statistik taqqoslash nimani ko‘rsatadi?

Har bir model turli random seedʼlar bilan 10 marta ishga tushirilgan va CNN-LSTM-POTʼning F1-scoreʼi baseline modellar bilan paired t-test yordamida taqqoslangan.

Manba bu natijalarni CNN-LSTM-POT foydasiga statistik jihatdan ahamiyatli farqlar sifatida talqin qiladi. Biroq ushbu testlarning doirasi ayni maʼlumotlar to‘plami va ayni tajriba tartibi bilan cheklangan.

Loss grafigini qanday o‘qish kerak?

Tadqiqotning tushuntirish matni training va validation loss egri chiziqlari taxminan 0,225 dan boshlanib, taxminan 0,025 atrofida yaqinlashganini bildiradi. Biroq manbadagi Shakl 6 tasviri bu bayon bilan to‘liq mos kelmaydi.

Grafikda training loss taxminan 0,225 darajasidan boshlanib taxminan 0,06 gacha tushadi, validation loss esa taxminan 0,07 dan boshlanib taxminan 0,025–0,03 diapazoniga tushadi. Egri chiziqlar o‘qitish davomida birgalikda pasayish tendensiyasini ko‘rsatsa-da, bir xil boshlang‘ich va bir xil yakuniy qiymat atrofida birlashayotgandek ko‘rinmaydi.

Shu sababli manbaning “no signs of overfitting” izohini yetkazish mumkin; ammo grafik asosida ikki loss egri chizig‘i bir xil qiymatga yaqinlashgan degan xulosaga kelmaslik kerak.

Edge qurilma uchun model qanday kichraytirilgan?

STM32H743 ning RAM sig‘imi cheklanganligi sababli ikkita optimallashtirish qo‘llangan.

Magnitude-based pruning: O‘qitish yakunlangach, mutlaq og‘irlik qiymati 0,01 dan past bo‘lgan bog‘lanishlar nolga tenglashtirilgan va inference vaqtida o‘tkazib yuborilgan. Sparse tuzilma Compressed Row Storage formatida saqlangan va undan keyin model fine-tune qilingan.

Memory pooling va static allocation: Layer input/output hamda oraliq buffer ehtiyojlari oldindan hisoblanib, bitta sobit memory pool ajratilgan, inference vaqtida dinamik xotira ajratish kamaytirilgan va imkon bo‘lganda oldingi layerʼning xotira maydoni qayta ishlatilgan.

STM32H743 da resurs sarfi qanday?

Bu jadval muhim farqni ko‘rsatadi: CNN-LSTM-POT resurs sarfi jihatidan eng past model emas. LSTM ham kichikroq, ham kamroq xotira va energiya isteʼmol qiladigan, ham tezroq inference bajaradigan modeldir. CNN-LSTM-POTʼning tadqiqotdagi asoslanishi ushbu qo‘shimcha hisoblash xarajati evaziga yuqoriroq anomaly detection unumdorligini taʼminlashidir.

Haqiqiy issiqxona maʼlumotlari ishlatilganmi?

Tadqiqot o‘z tajriba muhitini controlled greenhouse simulation environment deb taʼriflaydi. Yetti kun davomida haqiqiy sensor modullaridan atrof-muhit o‘lchovlari to‘plangan bo‘lsa-da, baholash amaldagi tijoriy issiqxonada uzoq muddatli dala tadqiqoti emas.

Jami 40.320 sensor namunasining taqsimoti quyidagicha:

Anomaliyalar haqiqatan ham anomaliya ekanligi qanday tasdiqlangan?

Tadqiqot uch xil ground-truth tasdiqlash usulidan foydalangan.

1. Qo‘lda tasdiqlash: Sensor signallari timestamp va atrof-muhit loglari bilan birga mutaxassislar tomonidan ko‘rib chiqilgan.
2. Zaxira sensor bilan o‘zaro tekshiruv: Bir xil turdagi ikki sensor o‘rtasidagi farq uch standart og‘ishdan oshsa, hodisa qo‘shimcha ravishda tekshirilgan.
3. Boshqaruv tizimi loglari: Shamollatish, isitish va sug‘orish kabi aktuator hodisalari bilan sensor o‘zgarishlari taqqoslangan.

Masalan, shamollatish faollashuvi bilan bir vaqtda yuz bergan harorat o‘zgarishi normal deb qabul qilinishi mumkin, loglarda mos hodisasi bo‘lmagan shunga o‘xshash sakrash esa potensial anomaliya sifatida baholangan.

Gateway testlarida qaysi ssenariylar ishlatilgan?

To‘rtta turli sharoit yaratilgan:

• Bitta tugun – bitta sensor anomaliyasi
• Bitta tugun – ko‘p sensor anomaliyasi
• Ko‘p tugun – bitta sensor anomaliyasi
• Ko‘p tugun – ko‘p sensor anomaliyasi

Har bir tajriba olti soat davom etgan, namuna olish oralig‘i uch daqiqa qilib belgilangan va manba har bir ssenariy 50 marta takrorlanganini bildiradi.

Eng yuqori ko‘rsatkich %92 bilan bitta sensorli izolyatsiyalangan anomaliya holatida, eng past ko‘rsatkich esa %70 bilan ko‘p tugun va ko‘p sensor bir vaqtda buzilgan sharoitda olingan.

Tadqiqotchilar unumdorlik pasayishini ikki sabab bilan tushuntiradilar: ko‘p sensorli anomaliyalar o‘rtasidagi korrelyatsiyalar normal atrof-muhit o‘zgarishlariga o‘xshab ketishi va bir vaqtning o‘zida ko‘plab sensor/tugun baholanganda yuzaga keladigan yuqori o‘lchamli feature space.

Hisobot chegarasi: Manba har bir ssenariy 50 marta takrorlanganini aytsa-da, Jadval 7 da jami namuna soni 120 deb berilgan. Bundan tashqari, Recognition Rate tenglamasidagi “Total Anomaly Data Points” ssenariylar bo‘yicha jadvalda ko‘rsatilmagan. Shu sababli ko‘rsatkichlarni xom maʼlumotlardan mustaqil ravishda qayta hisoblash mumkin emas.

Tadqiqot nimani aytadi?

• CNN, LSTM va POT komponentlarini bitta edge anomaly detection zanjirida birlashtirish mumkin bo‘lgan.
• POT asosidagi dynamic threshold sobit chegara o‘rniga joriy prediction-error taqsimotiga qarab o‘zgarishi mumkin.
• Taklif qilingan model STM32H743 da 23,6 ms inference latency va 156,8 KB RAM ishlatilishi bilan ishga tushirilgan.
• Manba tajribasida proposed model taqqoslangan anomaly detection modellari orasida Precision, Recall va F1 bo‘yicha eng yuqori natijani ko‘rsatgan.
• Paired t-test natijalarida F1 farqlari LSTM, BeatGAN va THOC bilan taqqoslaganda statistik jihatdan ahamiyatli deb xabar qilingan.
• Gateway tajribalarida murakkablik oshgani sayin anomaly recognition ko‘rsatkichi %92 dan %70 gacha pasayishi mumkinligi ko‘rilgan.
• Edge filtrlash manba tajribasida bulutga yuborilgan maʼlumot miqdorini kamaytirgan.

Tadqiqot nimani aytmaydi yoki isbotlamaydi?

• Model uzoq muddatli tijoriy issiqxona sharoitlarida tasdiqlanmagan.
• Turli o‘simliklar, iqlimlar va issiqxona turlari uchun ayni POT parametrlarining optimal ekani ko‘rsatilmagan.
• Model eng tez yoki eng kam energiya sarflaydigan variant emas; LSTM resurs sarfi jihatidan afzalroq.
• Anomaliyani filtrlash o‘simlik hosildorligi yoki mahsulot sifatini bevosita oshirishi tajribada o‘lchanmagan.
• Noto‘g‘ri sensor maʼlumotining haqiqiy yopiq konturli boshqaruv tizimida o‘simlikka zarar yetkazishining oldi olingani bevosita nazorat tajribasi bilan isbotlanmagan.
• Tadqiqot oylar yoki mavsumlar davomida sensor drift va distribution shift xatti-harakatini sinamagan.
• Gateway Recognition Rate jadvalining 50 takror bo‘yicha qanday agregatsiya qilingani to‘liq tushuntirilmagan.
• Turkiyadagi issiqxona tizimlarida ayni aniqlik ko‘rsatkichlari olinishi haqida maʼlumot yo‘q.

Tadqiqot usuli va natijalari

CNN-LSTM-POT arxitekturasi

Standart POT sozlamalari

O‘qitish va baholash tartibi

Baseline modellarning optimal sozlamalaridan tanlangan qiymatlar

Asosiy miqdoriy natijalar

• Quantile sezgirlik tahlilidagi eng yuqori F1: %92,2, quantile=0,99.
• q sezgirlik tahlilidagi eng yuqori F1: %92,6, q=10⁻³.
• CNN-LSTM-POT edge inference latency: 23,6 ms.
• Model hajmi: 224,3 KB.
• Runtime xotira ishlatilishi: 156,8 KB.
• CPU ishlatilishi: %34,2.
• Energiya sarfi: 4,72 mJ/inference.
• Yetti kunlik jami sensor maʼlumoti: 40.320 nuqta.
• Manbada tasdiqlangan anomaly soni: 1768.
• Gateway ssenariylarida bildirilgan Recognition Rate diapazoni: %70–%92.

Eng muhim natija

Tadqiqotning eng kuchli texnik natijasi yuqori anomaly-detection aniqligini maqsad qilgan CNN-LSTM-POT tuzilmasi desktop yoki bulut serveriga ehtiyoj sezmasdan STM32H743 sinfidagi gatewayʼda ishlatilganidir. Biroq bu afzallikning resurs xarajati bor: LSTM yakka holda kichikroq, tezroq va kamroq energiya sarflaydi. Shu sababli taklif qilingan tizim “eng yengil model” emas, balki kuchliroq anomaly detection bilan maqbul edge xarajati o‘rtasidagi muvozanat sifatida baholanishi kerak.

Manba va usul haqida izoh

To‘liq asl tadqiqot nomi: CNN-LSTM-POT-Based Anomaly Detection for Smart Greenhouse Sensor Data: A Real-Time Edge Deployment Approach

Mualliflar va ularning tartibi: Jun Shu; Dengke Yang.

Masʼul muallif: Dengke Yang.

Teng hissa/teng birinchi muallif: Manbada ko‘rsatilmagan.

Muassasa: School of Intelligent Manufacturing and Energy Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, China.

Jurnal: Future Internet

Nashriyot: MDPI, Basel, Switzerland

Jild / son / maqola: 18 / 4 / 205

Kelib tushgan sana: 1 Mart 2026

Qayta ko‘rib chiqilgan sana: 5 Aprel 2026

Qabul qilingan sana: 8 Aprel 2026

Nashr sanasi: 13 Aprel 2026

DOI: 10.3390/fi18040205

Rasmiy nashr havolasi:https://doi.org/10.3390/fi18040205

Manba turi: Hakamlikdan o‘tgan tadqiqot maqolasi; nazorat qilinadigan issiqxona simulyatsiya muhitida sensor maʼlumotlarini yig‘ish, chuqur o‘rganishga asoslangan anomaly detection va haqiqiy edge mikrocontroller deployment baholashi.

Hakamlik holati: Hakamlikdan o‘tgan jurnalda chop etilgan tadqiqot.

Litsenziya: Creative Commons Attribution (CC BY).

Moliyalashtirish: Tadqiqot tashqi moliyalashtirish olmagan.

Maʼlumotlarning mavjudligi: Manba natijalarni qo‘llab-quvvatlovchi xom maʼlumotlar mualliflar tomonidan so‘rov asosida taqdim etilishini bildiradi.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan.

Muallif hissalari: Manbadagi bayonotga ko‘ra, konseptuallashtirish Dengke Yang; metodologiya Jun Shu va Dengke Yang; dasturiy taʼminot, validatsiya va tadqiqot Jun Shu; asl qoralama Jun Shu; ko‘rib chiqish/tahrirlash Jun Shu; vizualizatsiya Jun Shu va Dengke Yang; supervision Dengke Yang tomonidan bajarilgan.

Tashakkur: Manba Yuanhua Quanʼga maqolaning review/editing jarayoni va tadqiqot supervisionʼiga qo‘shgan hissasi uchun minnatdorlik bildiradi. Yuanhua Quan tadqiqot mualliflari qatorida ko‘rsatilmagan.

Tajriba muhiti: Tadqiqot mualliflar taʼbiri bilan nazorat qilinadigan greenhouse simulation environment ichida o‘tkazilgan. Shu sababli uni haqiqiy tijoriy issiqxonada uzoq muddatli operatsion dala validatsiyasi sifatida baholamaslik kerak.

Manba ichidagi hisobot eslatmasi 1: Shakl 6 ni tushuntiruvchi matn training va validation loss qiymatlari taxminan 0,225 dan boshlanib taxminan 0,025 ga yaqinlashganini bildiradi. Shakl tasvirida esa validation loss boshida taxminan 0,07 atrofida va training loss taxminan 0,06 darajasida tugaydi. Ushbu matn–grafik nomuvofiqligi Verianla matnida jim tarzda tuzatilmagan.

Manba ichidagi hisobot eslatmasi 2: Bo‘lim 5.4 har bir tajriba ssenariysi 50 marta takrorlanganini bildirsa-da, Jadval 7 da har bir ssenariy uchun “Total Data Points” qiymati 120 qilib berilgan. Olti soat va uch daqiqalik sampling interval bitta tajriba uchun 120 namunaga to‘g‘ri keladi; jadval 50 takrorni qanday agregatsiya qilgani aniq emas.

Manba ichidagi hisobot eslatmasi 3: Recognition Rate formulasi “Total Anomaly Data Points” o‘zgaruvchisidan foydalanadi; biroq Jadval 7 bu qiymatni har bir ssenariy uchun alohida bermaydi. Shu sababli bildirilgan recognition foizlarini faqat jadvaldagi qolgan ikki ustundan qayta hosil qilib bo‘lmaydi.

Terminologiya eslatmasi: Usulning asosiy bo‘limlarida anomaly score “prediction residual/error” deb taʼriflansa, ayrim POT izohlarida “reconstruction error” atamasi ishlatiladi. Model autoencoder asosidagi reconstruction tizimi emas, CNN-LSTM bashorat modelidir; shu sababli Verianla izohida “bashorat xatosi/qoldig‘i” atamasi asos qilib olingan.

Unumdorlikni talqin qilish chegarasi: Manbaning natijalar bo‘limi proposed modelʼning real-time throughput va edge suitability ustunligini taʼkidlaydi. Bunga qaramay, Jadval 5 da LSTM 15,2 ms inference latency, 102,4 KB memory va 3,04 mJ energiya bilan CNN-LSTM-POTʼdan kamroq resurs sarflashi ko‘rinadi. Shu sababli proposed modelʼning afzalligi faqat inference tezligi sifatida emas, detection accuracy bilan resurs sarfi o‘rtasidagi muvozanat sifatida talqin qilingan.

Asosiy cheklovlar: Maʼlumot faqat yetti kunlik nazorat qilinadigan issiqxona muhitidan olingan. Tadqiqot uzoq muddatli mavsumiy distribution shift, turli ekin turlari, tijoriy issiqxona operatsiyalari, katta sensor parklari yoki turli gateway apparatlari bo‘yicha tasdiqlanmagan. Eng murakkab ko‘p tugun–ko‘p sensor ssenariysida recognition rate %70 gacha tushadi. POT va sliding-window parametrlarini amaliy muhitga qarab qayta sozlash kerak.

Ushbu Verianla izohidagi ilmiy usul, model parametrlari, tajriba qiymatlari, unumdorlik o‘lchovlari va cheklovlar ko‘rib chiqilgan tadqiqotga asoslanadi. Tashqi tasdiqlash faqat bibliografik nashr identifikatori, jurnal va hakamlik holatini tasdiqlash uchun ishlatilgan; manbadan tashqaridan yangi tajriba natijasi yoki unumdorlik qiymati qo‘shilmagan.