Akademik tadqiqotlar, tushunarli til

Verianla | O‘zbekcha akademik tadqiqotlar va ilm-fan

18 Noyabr 2026, Chorshanba
VERİANLA Mustaqil ilmiy nashriyot
Menyuni ochish yoki yopish
...
Bosh sahifa / Gumanitar fanlar / Me’morchilik / Zarrachalar Toʻplamini Optimallashtirish Bilan Intuitsionistik Loyqa Neyron Tarmoqdan Foydalanib Sintetik Haroratni Bashoratlash
Me’morchilik

Zarrachalar Toʻplamini Optimallashtirish Bilan Intuitsionistik Loyqa Neyron Tarmoqdan Foydalanib Sintetik Haroratni Bashoratlash

Ushbu tadqiqot noaniqlik haqidagi maʼlumotni aʼzolik va aʼzo bo‘lmaslik darajalari orqali ifodalovchi intuitsionistik loyqa yondashuvni, nochiziqli munosabatlarni o‘rganuvchi neyron tarmoq bilan hamda tarmoq parametrlarini Zarrachalar To‘plamini Optimallashtirish (Particle Swarm Optimization, PSO) yordamida qidiradigan optimallashtirish usuli bilan birlashtiradi.

17/11/2026  Veri Anla  109 marta ko‘rildi
Zarrachalar Toʻplamini Optimallashtirish Bilan Intuitsionistik Loyqa Neyron Tarmoqdan Foydalanib Sintetik Haroratni Bashoratlash

Ushbu tadqiqot noaniqlik haqidagi maʼlumotni aʼzolik va aʼzo bo‘lmaslik darajalari orqali ifodalovchi intuitsionistik loyqa yondashuvni, nochiziqli munosabatlarni o‘rganuvchi neyron tarmoq bilan hamda tarmoq parametrlarini Zarrachalar To‘plamini Optimallashtirish (Particle Swarm Optimization, PSO) yordamida qidiradigan optimallashtirish usuli bilan birlashtiradi. Taklif etilgan IFNN–PSO sintetik HVAC o‘zgaruvchilaridan kerakli ichki muhit haroratini bashorat qilish uchun yaratilgan proof-of-concept modelidir. Sonli tajribalarda ishlatilgan hujjatlashtirilgan tarmoq 5 normallashtirilgan kirish, 15 yashirin neyron va aʼzolik/aʼzo bo‘lmaslik maʼlumotini ifodalovchi 2 chiqishdan iborat; jami 122 ta og‘irlik va bias parametri PSO tomonidan optimallashtiriladi.

Maʼlumotlar real binodan o‘lchanmagan. Jami 1000 ta sintetik namuna yaratilgan; 700 ta namuna faqat modelni ishlab chiqish, besh karrali kross-validatsiya, arxitektura tanlash va PSO sozlamalari uchun ishlatilgan; qolgan 300 ta namunadan iborat himoyalangan test to‘plami barcha tanlov jarayonlari tugagach, faqat bitta yakuniy baholash uchun ishlatilgan. Himoyalangan test to‘plamida IFNN–PSO uchun MSE 0.0853, RMSE 0.2920, MAE 0.2314 va R² 0.8784 qayd etilgan.

IFNN–PSO taqqoslangan modellar orasida MSE, RMSE va MAE bo‘yicha eng past xato qiymatlarini bergan. Biroq R² bo‘yicha eng yuqori model emas: manbaning 14-jadvalida Transformer uchun 0.8826, LSTM uchun 0.8813 va XGBoost uchun 0.8796 qayd etilgan bo‘lsa, IFNN–PSO 0.8784 darajasida. Shuning uchun tadqiqot “barcha metrikalarda eng yaxshi model” degan xulosani qo‘llab-quvvatlamaydi; sintetik maʼlumotlarda xato kattaliklari bo‘yicha eng yaxshi, izohlangan dispersiya bo‘yicha esa raqobatbardosh natijani qo‘llab-quvvatlaydi.

Tadqiqotda, shuningdek, IFNN–PSO uchun 38.19, ANN uchun 44.21 va chiziqli regressiya uchun 46.35 qiymatli “o‘lchovsiz harorat og‘ishi surrogati” taqqoslangan. IFNN–PSO ning ushbu belgilangan surrogate balida ANN ga nisbatan %13.61, chiziqli regressiyaga nisbatan %17.60 pastroq qiymat berishi energiya tejalishi emas. Tadqiqot real HVAC elektr quvvati, issiqlik energiyasi, kompressor quvvati, COP, havo oqimi, aktuator dinamikasi yoki bino energiya isteʼmolini o‘lchamagan.

Turkiya nuqtayi nazaridan natijalar bevosita Turkiyadagi biror bino yoki mahalliy HVAC tizimiga qo‘llanmagan. Turkiyadagi real binolarda foydalanish ko‘zda tutilsa, model mustaqil real o‘lchov maʼlumotlari, mahalliy iqlim sharoitlari, bino issiqlik dinamikasi, HVAC uskunalari, boshqaruv tizimi, bandlik naqshlari va o‘lchangan energiya isteʼmoli asosida qayta o‘qitilishi va tasdiqlanishi kerak. Bular bajarilmasdan tadqiqotni Turkiyada energiya tejalishi, qulaylik oshishi yoki real vaqt boshqaruvi muvaffaqiyatining isboti sifatida talqin qilib bo‘lmaydi.

Tadqiqotning asosiy muammosi

HVAC tizimlarida ichki muhit harorati tashqi harorat, hozirgi ichki harorat, nisbiy namlik, bandlik va kunning vaqti kabi bir nechta o‘zgaruvchi bilan bog‘liq bo‘lishi mumkin. Bu o‘zgaruvchilar o‘rtasidagi munosabat nochiziqli bo‘lishi mumkin va sensor maʼlumotlari yoki foydalanuvchi afzalliklari noaniqlikni o‘z ichiga olishi mumkin. Tadqiqot yondashuvi ushbu muammoni uch xil hisoblash g‘oyasini birlashtirib ko‘rib chiqadi: intuitsionistik loyqa ifoda noaniqlikni ifodalaydi, neyron tarmoq nochiziqli munosabatni yaqinlashtiradi va PSO tarmoqning og‘irlik/bias parametrlarini xato funksiyasini kamaytiradigan tarzda qidiradi.

Intuitsionistik loyqa neyron tarmoq oddiy loyqa tarmoqdan nimani boshqacha ifodalaydi?

Intuitsionistik loyqa yondashuv faqat qiymatning to‘plamga qay darajada tegishli ekanini emas, balki qay darajada tegishli emasligini va qolgan ikkilanish miqdorini ham alohida kattaliklar sifatida ifodalaydi; shu tariqa aʼzolik, aʼzo bo‘lmaslik va ikkilanish uchligi orqali noaniqlikni batafsilroq tasvirlash maqsad qilinadi.

Loyqa to‘plam: Tenglama (1)

\[ A=\{\langle x,\mu_A(x)\rangle\mid x\in X\} \]

\(X\) universal to‘plamni, \(x\) bir elementni va \(\mu_A(x)\in[0,1]\) aʼzolik darajasini bildiradi. \(\mu_A(x)=1\) elementning to‘plamga to‘liq aʼzoligini, 0 esa aʼzolik yo‘qligini ifodalaydi. Oraliq qiymatlar qisman aʼzolikni bildiradi.

Loyqa qoida: Tenglama (2)

\[ \text{EĞER }x\text{ A ise ve }y\text{ B ise, O HALDE }z\text{ C'dir.} \]

Bu yerda A, B va C loyqa to‘plamlardir. Manba AND/OR kabi amallar t-norma va t-konormalar bilan; masalan, minimum, maksimum yoki algebraik ko‘paytma yordamida bajarilishi mumkinligini bildiradi. Zarur bo‘lganda loyqa chiqish defuzzification orqali bitta sonli qiymatga aylantirilishi mumkin.

Intuitsionistik loyqa to‘plam: Tenglama (3)

\[ A=\{\langle x,\mu_A(x),\nu_A(x)\rangle\mid x\in X\} \] \[ \pi_A(x)=1-\mu_A(x)-\nu_A(x) \] \[ \mu_A(x)+\nu_A(x)\leq1 \]

\(\mu_A(x)\) aʼzolik darajasi (Membership Degree, MD), \(\nu_A(x)\) aʼzo bo‘lmaslik darajasi (Non-Membership Degree, NMD), \(\pi_A(x)\) esa ikkilanish darajasidir. Uchala kattalik ham o‘lchovsiz bo‘lib, 0–1 oralig‘ida talqin qilinadi. Aʼzolik va aʼzo bo‘lmaslik yig‘indisi 1 dan kichik bo‘lsa, qolgan qism aniq tarzda “ikkilanish” sifatida saqlanadi.

Sintetik maʼlumot qanday yaratildi?

O‘zgaruvchiBelgiTaqsimotManbada berilgan oraliq
Ichki muhit haroratiTinTekis18–30 °C
Tashqi muhit haroratiToutTekis10–40 °C
Nisbiy namlikHTekis%30–90
BandlikODiskret tekis0–100 kishi
Kunning vaqtitTekis0–24 soat

Jami 1000 ta sintetik namuna yaratilgan. Nishon qiymat manbada tanlangan xususiyatlarning og‘irliklangan yig‘indisiga Gauss shovqini qo‘shish orqali aniqlanadi:

\[ y_i=\sum_{j=1}^{d}w_jx_{i,j}+\varepsilon_i, \qquad \varepsilon_i\sim\mathcal{N}(0,\sigma^2) \] \[ \sigma^2=0.12 \]

\(x_{i,j}\), \(i\)-namunaning \(j\)-xususiyati; \(w_j\), tegishli xususiyatga berilgan og‘irlik; \(\varepsilon_i\) esa o‘rtachasi nol bo‘lgan Gauss shovqinidir. Manba shovqin dispersiyasini \(0.12\) deb beradi, biroq xususiyat og‘irliklarining \(w_j\) sonli qiymatlarini xabar qilmaydi. Shu sababli PDF asosida sintetik nishon qiymatlarini mustaqil ravishda aynan qayta ishlab chiqish mumkin emas.

Manba, shuningdek, stoxastik modellar uchun doimiy tasodifiy urug‘ ishlatilganini bildiradi, biroq uning sonli qiymatini bermaydi. Bu ham to‘liq qayta ishlab chiqish uchun yetishmaydigan tafsilotdir.

Min–max normallashtirish

\[ x^{\mathrm{norm}}_{i,j} = \frac{x_{i,j}-\min(x_j)} {\max(x_j)-\min(x_j)} \]

Formula har bir xususiyatni 0–1 oralig‘iga olib keladi. Surat joriy qiymatning maʼlumotlar to‘plamidagi minimumdan uzoqligini, maxraj esa shu xususiyatning umumiy oralig‘ini bildiradi. Xususiyat minimum qiymatda bo‘lsa natija 0, maksimum qiymatda bo‘lsa 1 bo‘ladi.

Manba ichidagi diqqat nuqtasi: Manbaning 1-jadvalida bandlik 0–100 kishi oralig‘ida belgilangan bo‘lsa-da, eʼlon qilingan namunaviy xom maʼlumot satrlarida bandlik qiymatlari ko‘pincha 0 yoki 1 ko‘rinishida. Verianla bu farqni o‘z taxmini bilan hal qilmaydi; manbadagidek qayta ishlab chiqish savoli sifatida qoldiradi.

Aʼzolik o‘zgartirishi: Tenglamalar (4)-(8)

Tenglama (4) \[ \mu_x=\frac{1}{n}\sum_{i=1}^{n}x_i \]

\(\mu_x\), xususiyatning namunaviy o‘rtachasidir.

Tenglama (5) \[ \sigma_x= \sqrt{ \frac{1}{n} \sum_{i=1}^{n}(x_i-\mu_x)^2 } \]

\(\sigma_x\), manba ishlatgan taʼrif bo‘yicha xususiyatning standart og‘ishini beradi.

Tenglama (6) \[ \mu(x)= \exp\left[ -\left(\frac{x-\mu_x}{\sigma_x}\right)^2 \right] \]

Bu manbada ishlatiladigan aʼzolik funksiyasidir. \(x\) o‘rtachaga yaqinlashgani sari daraja nolga yaqinlashadi va aʼzolik darajasi 1 ga yaqinlashadi. O‘rtacha atrofidan masofa ortgani sari aʼzolik darajasi eksponensial ravishda kamayadi. Manba formulasining shakli aynan saqlangan; standart Gauss zichlik funksiyasidagi \(1/2\) koeffitsiyenti bu yerda mavjud emas.

Tenglama (7) \[ \nu(x)=(1-\pi_0)[1-\mu(x)] \] \[ \pi(x)=\pi_0[1-\mu(x)] \] \[ \pi_0=0.1 \]

Aʼzolikdan qolgan \(1-\mu(x)\) miqdorining %90 i aʼzo bo‘lmaslik, %10 i ikkilanish sifatida ajratiladi. Shunday qilib:

\[ \mu(x)+\nu(x)+\pi(x)=1 \]

Masalan, \(\mu(x)=0.8\) bo‘lsa, \(1-\mu=0.2\); manba formulasiga ko‘ra \(\nu=0.18\) va \(\pi=0.02\) bo‘ladi. Bu misol faqat tenglamaning arifmetik maʼnosini ko‘rsatadi, yangi tajriba natijasi emas.

Tenglama (8) \[ A(x)=\langle x,\mu(x),\nu(x),\pi(x)\rangle \]

Ushbu to‘rt komponentli ifoda sonli kirishni intuitsionistik loyqa maʼlumot bilan birga ifodalaydi.

Qayd etilgan natijalar qaysi IFNN arxitekturasidan olingan?

Manbaning sonli natijalari 5 ta normallashtirilgan skalyar kirish, 15 ta yashirin neyron va 2 ta chiqishdan iborat 5–15–2 oldinga uzatuvchi hisoblash grafigidan kelib chiqadi; maqolada tasvirlangan 10 MD/NMD kanalli, ochiq qoidalar va defuzzification qatlami mavjud kengroq IFNN tuzilmasi konseptual izoh bo‘lib, qayd etilgan 122-parametrli natijalarni hosil qiladigan qo‘shimcha hisoblash qatlamlari emas.

KomponentHisobParametr
Jami75 + 15 + 30 + 2122
Kirish → yashirin qatlam og‘irliklari5 × 1575
Yashirin qatlam biasi1515
Yashirin → chiqish og‘irliklari15 × 230
Chiqish biasi22

Maqolada kengroq “to‘liq ikki-kanalli IFNN” uchun har bir xom xususiyat bitta aʼzolik va bitta aʼzo bo‘lmaslik kanalini hosil qilishi mumkinligi tushuntiriladi:

\[ \phi(x)= [\mu_1(x_1),\nu_1(x_1),\ldots,\mu_d(x_d),\nu_d(x_d)]^T \in\mathbb{R}^{2d} \] \[ n_{\mathrm{in}}=2d \]

Beshta xom o‘zgaruvchi uchun ushbu konseptual ifoda 10 ta kanalga mos keladi. Biroq manba aynan bu tuzilma qayd etilgan 5–15–2 tajribaning hisoblash arxitekturasi emasligini alohida aytadi. Bu ikki bayon bir-biriga aralashtirilmasligi kerak.

Konseptual qoida qatlami

\[ w_r(x)= \prod_{i\in I_r} \mu_i(x_i)^{\alpha_{ir}} \]

\(w_r\), \(r\)-loyqa qoidaning faollashish kuchidir. \(I_r\), qoida ishlatadigan xususiyatlar indekslari to‘plamini; \(\alpha_{ir}\) esa ixtiyoriy og‘irlik/darajalarni bildiradi.

\[ \hat y_{\mathrm{fuzzy}}(x) = \frac{\sum_{r=1}^{R}w_r(x)c_r} {\sum_{r=1}^{R}w_r(x)+\epsilon} \]

\(c_r\) qoidaning natija qiymatidir; kichik \(\epsilon>0\) maxrajning nol bo‘lishiga yo‘l qo‘ymaydi. Ushbu formula maqoladagi umumiy IFNN izohining bir qismidir; qayd etilgan 122-parametrli tajribada alohida explicit qoida qatlami sifatida ishlatilgani daʼvo qilinmaydi.

Aʼzolik/aʼzo bo‘lmaslik chiqishidan haroratga o‘tish

Manba ikki chiqish bitta harorat uchun aʼzolik va aʼzo bo‘lmaslik darajalarini ifodalashini tushuntiradi:

\[ \hat o_\mu = \sigma(w_\mu^Th+b_\mu) \] \[ \hat o_\nu = \sigma(w_\nu^Th+b_\nu) \] \[ \hat o_\pi = 1-\hat o_\mu-\hat o_\nu \]

Nishon harorat avval normallashtiriladi:

\[ y_{\mathrm{norm}} = \frac{y-y_{\min}} {y_{\max}-y_{\min}} \] \[ \mu_y=y_{\mathrm{norm}}, \qquad \nu_y=1-\mu_y-\pi, \qquad \pi=0.1 \]

Ikki chiqishning o‘rtacha kvadrat yo‘qotishi:

\[ L= \frac{1}{2N} \sum_{i=1}^{N} \left[ (\mu_i-\hat\mu_i)^2+ (\nu_i-\hat\nu_i)^2 \right] \]

Inference paytida manba aʼzolik chiqishini normallashtirilgan harorat sifatida qabul qiladi:

\[ \hat y_{\mathrm{norm}}=\hat o_\mu \] \[ \hat y= \hat y_{\mathrm{norm}} (y_{\max}-y_{\min})+y_{\min} \]

Manba ichidagi diqqat nuqtasi: avvalgi konseptual izohda arxivlangan chiqishlardan Selsiy darajasiga o‘tish yagona tarzda belgilanmagani va qayta ishga tushirishda aniq taʼriflanishi kerakligi aytiladi, darhol keyingi bo‘lim esa yuqoridagi aʼzolik asosidagi o‘tishni beradi. Bu matniy ziddiyat Verianla tomonidan jimlik bilan muvofiqlashtirilmagan.

Sintetik maʼlumot tayyorlash, IFNN hisoblash grafigi, PSO optimallashtirish va himoyalangan test bosqichini ko‘rsatadigan Verianla sxemasi. Manba nashriyotining original shaklining piksel yoki kompozitsiya nusxasi emas.

Tadqiqot Usuli va Natijalari

PSO 122 ta tarmoq parametrini qanday qidiradi?

Har bir PSO zarrachasi 122 o‘lchamli nomzod yechim vektoridir. Ushbu 122 komponentning har biri hujjatlashtirilgan IFNN ning bir og‘irligi yoki bias qiymatidir. Zarrachaning muvaffaqiyati modelning validatsiya maʼlumotidagi o‘rtacha kvadrat xatosi bilan o‘lchanadi.

Tenglama (9) \[ J(x)=\operatorname{MSE}(x) = \frac{1}{n} \sum_{k=1}^{n} [y_k-\hat y_k(x)]^2 \]

\(x\), 122 parametrli zarracha pozitsiyasini; \(y_k\), nishon qiymatni; \(\hat y_k(x)\), shu parametrlar bilan ishlaydigan IFNN bashoratini bildiradi. PSO ning maqsadi \(J(x)\) ni kamaytirishdir.

Shaxsiy va global eng yaxshi pozitsiyalar

Har bir zarracha shu paytgacha ko‘rgan eng past MSE li pozitsiyani \(p_i\) sifatida saqlaydi. Butun to‘plamdagi eng yaxshi shaxsiy pozitsiya esa \(g\), yaʼni global best sifatida saqlanadi.

\[ g^{(t)} = \arg\min_i J(p_i^{(t)}) \]

PSO tezlik yangilanishi: Tenglama (10)

\[ v_i^{(t+1)} = wv_i^{(t)} + c_1r_1^{(t)} \odot [p_i^{(t)}-x_i^{(t)}] + c_2r_2^{(t)} \odot [g^{(t)}-x_i^{(t)}] \]

Birinchi had zarrachaning hozirgi harakat tendensiyasini saqlaydi. Ikkinchi “kognitiv” had zarrachani o‘zining avvalgi eng yaxshi yechimiga, uchinchi “ijtimoiy” had esa butun to‘plamning eng yaxshi yechimiga yo‘naltiradi. \(r_1\) va \(r_2\), elementlari 0–1 oralig‘idagi tekis taqsimotdan tanlangan tasodifiy vektorlardir; \(\odot\) elementlar bo‘yicha ko‘paytirishdir.

Pozitsiyani yangilash: Tenglama (11)

\[ x_i^{(t+1)} = x_i^{(t)} + v_i^{(t+1)} \]

Yangi parametr vektori eski pozitsiyaga yangi tezlik vektorini qo‘shish orqali olinadi.

ParametrQiymat
Zarrachalar soni50
Zarracha o‘lchami122
Maksimal iteratsiya100
Inersiya og‘irligi0.7; shuningdek dinamik oraliq wmax=0.9, wmin=0.4
Kognitiv koeffitsiyent c11.5
Ijtimoiy koeffitsiyent c21.5
Tezlik chegarasi0.5
Tolerans εtol0.01
Boshlang‘ich pozitsiyaTekis taqsimot, [-1, 1]
Boshlang‘ich tezlikTekis taqsimot, [-0.5, 0.5]

Manba tajriba muhitida MATLAB R2023a, Intel Core i7 protsessorli va 16 GB RAM li ish stansiyasidan foydalanilganini bildiradi. Yashirin qatlam neyronlari soni uchun 5–25 oralig‘ida dastlabki tajribalar o‘tkazilgan va besh karrali kross-validatsiyadagi o‘rtacha MSE asosida 15 neyron tanlangan. Manba, shuningdek, konseptual arxitektura uchun 15 ta intuitsionistik loyqa qoida tanlanganini bildiradi.

Modelni ishlab chiqish va testni ajratish

BosqichIshlatilgan maʼlumotHimoyalangan test to‘plami ishlatildimi?
Dastlabki bo‘linish1000 namuna → 700 ishlab chiqish + 300 testYo‘q; ajratilib saqlandi
Oldindan ishlov berishHar bir ishlab chiqish fold-ining faqat o‘qitish qismiYo‘q
5 qatlamli kross-validatsiya700 ishlab chiqish namunasiYo‘q
PSO fitness hisobiIshlab chiqish ichidagi o‘qitish/validatsiya fold-lariYo‘q
Giperparametr tanlashKross-validatsiya natijalariYo‘q
Yakuniy test300 himoyalangan namunaHa; faqat yakuniy bosqichda

Ishlash metrikalari

\[ \operatorname{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i-\hat y_i)^2 \]

MSE xatolarni kvadratga oshirgani sabab katta xatolarga ko‘proq og‘irlik beradi. Kichikroq qiymat pastroq o‘rtacha kvadrat xatoni anglatadi.

\[ \operatorname{RMSE} = \sqrt{\operatorname{MSE}} \]

RMSE MSE ning kvadrat ildizidir. Manbada bashoratlash samaradorligini taqqoslash uchun ishlatiladi.

\[ \operatorname{MAE} = \frac{1}{n} \sum_{i=1}^{n} |y_i-\hat y_i| \]

MAE bashorat bilan nishon o‘rtasidagi mutlaq farqlarning o‘rtachasidir.

\[ R^2 = 1- \frac{ \sum_i(y_i-\hat y_i)^2 }{ \sum_i(y_i-\bar y)^2 } \]

R² bashoratlar nishon o‘zgaruvchisidagi dispersiyani qay darajada tushuntirishini ko‘rsatadigan goodness-of-fit o‘lchovidir. U MSE, RMSE va MAE bilan bir xil narsani o‘lchamaydi. Shuning uchun yuqoriroq R² va pastroq nuqtaviy xato har doim bir modelda birlashishi shart emas.

Himoyalangan test natijalari

MetrikaModel ishlab chiqish/o‘qitishHimoyalangan test
MSE0.08370.0853
RMSE0.28930.2920
MAE0.22860.2314
R²0.88420.8784

Besh karrali kross-validatsiya

FoldMSERMSEMAER²
10.08710.29510.23380.8726
20.08460.29090.22910.8812
30.08920.29870.23640.8698
40.08630.29380.23120.8765
50.08240.28710.22650.8894

Manba o‘rtacha kross-validatsiya MSE sini 0.0859 ± 0.0024 deb beradi. Fold-lar orasidagi bu kichik o‘zgarish ayni sintetik maʼlumot yaratish jarayoni doirasida model ishlashi nisbatan barqaror ekanini qo‘llab-quvvatlaydi; turli real binolarga umumlashtirilishini isbotlamaydi.

Taqqoslangan modellar

ModelMSERMSEMAER²
ANN0.09680.31110.24460.8621
Random Forest0.09170.30280.23840.8734
XGBoost0.08890.29820.23410.8796
LSTM0.08760.29600.23270.8813
Transformer0.08680.29460.23180.8826
IFNN–PSO0.08530.29200.23140.8784

To‘g‘ri talqin: IFNN–PSO ushbu jadvalda MSE, RMSE va MAE bo‘yicha eng yaxshi natijani beradi. R² bo‘yicha Transformer, LSTM va XGBoost yuqoriroq qiymatlarni beradi. Shuning uchun “IFNN–PSO har bir o‘lchov bo‘yicha barcha modellarni ortda qoldirdi” degan ifoda manba jadvaliga mos emas.

O‘lchovsiz harorat-og‘ish surrogatining kamayishi energiya tejalishini anglatadimi?

Yo‘q. Manba ushbu kattalikdan faqat ayni sintetik tajriba sharoitlarida bashorat modellarini taqqoslash uchun belgilangan izohlovchi ball sifatida foydalanadi; u HVAC elektr energiyasi, issiqlik energiyasi, kompyuter energiya isteʼmoli, boshqaruv harakati yoki bino energiya tejashini o‘lchamaydi.

Tenglama (12) \[ J_{\mathrm{surr}} = \sum_{i=1}^{n} \left( T_{\mathrm{desired},i} - T_{\mathrm{predicted},i} \right)\Delta t \]

\(T_{\mathrm{desired}}\) nishon haroratni, \(T_{\mathrm{predicted}}\) bashorat qilingan haroratni, \(\Delta t\) esa namunalash oralig‘ini bildiradi. Verianla formulani manbada bosilgan ramziy tuzilishida keltiradi. Manba ushbu kattalikning fizik energiya talqini yo‘qligini alohida taʼkidlaydi.

ModelSurrogate ballManbada IFNN–PSO ga nisbatan qayd etilgan farq
Chiziqli Regressiya46.35%17.60 yuqoriroq referens ball
ANN44.21%13.61 yuqoriroq referens ball
IFNN–PSO38.19Referens

Manba ushbu nisbatlarni:

\[ 100\frac{46.35-38.19}{46.35}=17.60\% \] \[ 100\frac{44.21-38.19}{44.21}=13.61\% \]

ko‘rinishida hisoblaydi. Bular faqat belgilangan surrogate score kamayishidir.

Manba, shuningdek, ANN bilan IFNN–PSO o‘rtasidagi doimiy farqni:

\[ \Delta J_{\mathrm{surr}} = 44.21-38.19 = 6.02 \] \[ S_{\mathrm{surr}}(t)=6.02t \]

ko‘rinishida arifmetik ravishda yig‘adi. Masalan, 100 sintetik qadamda 602.0 qiymatiga yetish real vaqt davomida jamlangan energiya tejalishi, fizik tizim dinamikasi yoki yopiq kontur boshqaruv yutug‘i emas. Manba buni faqat arxivlangan surrogate ballarining arifmetik ko‘rinishi sifatida saqlaydi.

PSO yaqinlashuvi

Manba PSO ning eng yaxshi fitness qiymati birinchi iteratsiyadagi 0.1923 dan 25-iteratsiyada 0.0973 ga, 50-iteratsiyada 0.0850 ga, 75-iteratsiyada 0.0830 ga va 100-iteratsiyada 0.0826 ga tushganini qayd etadi. Ushbu ketma-ketlik ishlatilgan sintetik ishlab chiqish muammosi doirasida optimallashtirish kamayuvchi fitness hosil qilganini ko‘rsatadi.

Manba PSO hisoblash murakkabligini taxminan:

\[ O(P\times T\times N\times W) \]

ko‘rinishida ifodalaydi. Bu yerda \(P\) to‘plam hajmi, \(T\) maksimal iteratsiya soni va \(N\) o‘qitiladigan parametrlar soni sifatida tushuntiriladi. Yaqin kontekstda \(W\) ning aniq matematik taʼrifi berilmagani sababli Verianla unga o‘z maʼnosini yuklamaydi.

Statistik tahlil qanchalik batafsil qayd etilgan?

Besh kross-validatsiya fold-i bo‘yicha o‘rtacha, standart og‘ish va %95 ishonch oralig‘i hisoblangani bildiriladi. Manba ishonch oralig‘ini:

\[ CI= \bar x \pm t_{0.975,n-1} \frac{s}{\sqrt n}, \qquad n=5 \]

ko‘rinishida beradi. \(\bar x\) tanlama o‘rtachasi, \(s\) tanlama standart og‘ishi va \(t_{0.975,n-1}\) Student-t kritik qiymatidir.

Maqolada, shuningdek, taqqoslashlar uchun juftlangan statistik ahamiyatlilik testlari o‘tkazilgani va \(\alpha=0.05\) ishlatilgani aytiladi. Biroq ko‘rib chiqilgan PDF da qaysi juftlangan test ishlatilgani, har bir taqqoslash uchun test statistikasi va p-qiymatlari batafsil natija jadvali bilan berilmagan. Shu sababli “statistik jihatdan ahamiyatli” degan ifodani mustaqil qayta tekshirish uchun zarur hisobot tafsilotlari to‘liq emas.

Manbadagi qayta ishlab chiqish va izchillik muammolari

  • Sintetik nishon og‘irliklari yetishmaydi: \(y_i=\sum w_jx_{i,j}+\varepsilon_i\) formulasidagi \(w_j\) qiymatlari qayd etilmagan.
  • Tasodifiy urug‘: doimiy seed ishlatilgani aytiladi, ammo sonli seed qiymati berilmaydi.
  • Bandlik ifodasi: usul jadvalida 0–100 kishi oralig‘i berilgan bo‘lsa-da, namunaviy xom satrlarda 0/1 qiymatlari ko‘rinadi.
  • Hujjatlashtirilgan tarmoq bilan konseptual IFNN farqi: sonli natijalar 5–15–2, 122 parametrli tarmoqdan keladi; keng MD/NMD-qoida-defuzzification arxitekturasi izohlovchidir.
  • ANN bazaviy chizig‘i: usul bo‘limida 10 yashirin neyronli ANN tasvirlangan bo‘lsa, 19-jadval yorlig‘i “ANN (5–15–1)” ko‘rinishidadir.
  • R² bayoni: manba matni ayniqsa Transformer va LSTM yuqoriroq R² berganini aytadi; 14-jadvalga qaralganda XGBoost ning 0.8796 qiymati ham IFNN–PSO ning 0.8784 qiymatidan yuqori.
  • Statistik ahamiyatlilik hisoboti: \(\alpha=0.05\) va juftlangan testlar tilga olinadi, ammo test turi, test statistikasi va p-qiymatlari ochiq jadvalda berilmagan.

Tadqiqot qo‘llab-quvvatlaydigan xulosa

Tadqiqot belgilangan sintetik maʼlumot yaratish jarayoni va ishlatilgan model ishlab chiqish/test protokoli doirasida IFNN–PSO anʼanaviy ANN, Random Forest, XGBoost, LSTM va Transformer bilan taqqoslanganda MSE, RMSE va MAE bo‘yicha past xato berganini qo‘llab-quvvatlaydi. Besh karrali kross-validatsiya ayni sintetik maʼlumot yaratish kontekstida nisbatan barqaror natijalarni ko‘rsatadi.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

Tadqiqot real HVAC tizimida harorat boshqaruvini amalga oshirmagan. Fizik bino yoki tasdiqlangan issiqlik qurilmasi modeli, boshqaruv buyruqlari, aktuator dinamikasi, real sensor oqimi, aniq termal qulaylik mezoni, bino boshqaruv tizimi yozuvi yoki o‘lchangan HVAC energiya isteʼmoli mavjud emas. Shu sababli natijalardan real vaqt boshqaruvi muvaffaqiyati, joriy etishga tayyor tizim, real bino qulayligi yaxshilanishi yoki foizli energiya tejalishini chiqarib bo‘lmaydi.

Real amaliyotga o‘tishdan oldin mustaqil benchmark maʼlumotlar to‘plamlari, real bino o‘lchovlari, bino issiqlik dinamikasi, boshqaruvchi va aktuator modeli, termal qulaylik mezonlari hamda o‘lchangan HVAC energiya isteʼmoli bilan yangi validatsiya talab etiladi.

Manba va Usul Haqida Izoh

Asl sarlavha: Synthetic Temperature Prediction Using an Intuitionistic Fuzzy Neural Network by Particle Swarm Optimization

Mualliflar: Zhe Liu; Yulong Huang; Ikhtesham Ullah; Narinderjit Singh Sawaran Singh; Ziad Khan; Rashid Jan.

Mualliflar tartibi: Zhe Liu → Yulong Huang → Ikhtesham Ullah → Narinderjit Singh Sawaran Singh → Ziad Khan → Rashid Jan.

Teng hissa: Manbada teng hissa bayonoti ko‘rinmaydi.

Masʼul mualliflar: Yulong Huang va Ziad Khan.

Muassasalar: College of Mathematics and Computer, Xinyu University, Xitoy; Research Fellow Program, Shinawatra University, Tailand; Jadara Research Center, Jadara University, Iordaniya; Department of Mathematics, Abbottabad University of Science and Technology, Pakistan; Faculty of Data Science and Information Technology, INTI International University, Malayziya; Department of Mathematics, College of Sciences, Qassim University, Saudiya Arabistoni.

Manba turi: Original tadqiqot maqolasi; sintetik maʼlumot va sonli modellashtirishga asoslangan proof-of-concept.

Hakamlik holati: Hakamlikdan o‘tgan. Algorithms, MDPI tomonidan nashr etiladigan hakamlikdan o‘tgan ochiq kirishli ilmiy jurnaldir.

Jurnal: Algorithms.

Nashriyot: MDPI.

Yil / jild / son / maqola no: 2026 / 19 / 9 / 734.

DOI: 10.3390/a19090734

Olingan sana: 3 Iyul 2026.

Reviziya sanasi: 20 Avgust 2026.

Qabul sanasi: 26 Avgust 2026.

Nashr sanasi: 1 Sentabr 2026.

Akademik muharrir: Mehmet Aydin.

Rasmiy havola: https://doi.org/10.3390/a19090734

Litsenziya: Creative Commons Attribution 4.0 International (CC BY 4.0).

Asosiy ilmiy usul: Sintetik HVAC maʼlumotlarini yaratish; min–max normallashtirish; intuitsionistik loyqa aʼzolik, aʼzo bo‘lmaslik va ikkilanish ifodasi; 5–15–2 oldinga uzatuvchi neyron tarmoq; 122 ta og‘irlik/bias parametrini Zarrachalar To‘plamini Optimallashtirish orqali MSE ni minimallashtirish asosida optimallashtirish; besh karrali kross-validatsiya; 300 namunali mustaqil himoyalangan test to‘plami.

Maʼlumot hajmi: 1000 sintetik namuna; 700 model ishlab chiqish, 300 himoyalangan test.

Dasturiy taʼminot/apparat: MATLAB R2023a; Intel Core i7 protsessor; 16 GB RAM.

Taqqoslashlar: Chiziqli Regressiya, ANN, Random Forest, XGBoost, LSTM va Transformer.

Asosiy test natijasi: IFNN–PSO: MSE=0.0853; RMSE=0.2920; MAE=0.2314; R²=0.8784.

Moliyalashtirish: Mualliflar bayonotiga ko‘ra tashqi moliyalashtirish olinmagan.

Etika qo‘mitasi: Inson yoki hayvon tadqiqoti mavjud emasligi bildirilgan.

Xabardor rozilik: Qo‘llanilmaydi.

Maʼlumotlarning mavjudligi: Mualliflar tadqiqotning original hissalari maqola ichida mavjudligini bildirgan.

Sunʼiy intellektdan foydalanish bayonoti: Mualliflar maqolani yaratishda sunʼiy intellekt vositalaridan foydalanmaganlarini bildirgan.

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

Muallif hissalari: Zhe Liu: formal tahlil, maslahat, ko‘rib chiqish va tahrirlash. Yulong Huang: konseptuallashtirish, formal tahlil va tadqiqot. Ikhtesham Ullah: validatsiya, formal tahlil, ko‘rib chiqish va tahrirlash. Narinderjit Singh Sawaran Singh: dasturiy taʼminot, moliyalashtirish va usul. Ziad Khan: vizuallashtirish, formal tahlil, usul, maʼlumotlarni tartibga solish va dastlabki qoralama. Rashid Jan: konseptuallashtirish, formal tahlil, maslahat va usul.

Asosiy cheklov: Tadqiqot real HVAC boshqaruv tajribasi emas; fizik qurilma, tasdiqlangan bino modeli, real sensor maʼlumoti, real energiya o‘lchovi, aktuator dinamikasi va yopiq kontur boshqaruvi baholashini o‘z ichiga olmaydi.

Manba ichidagi muhim noaniqliklar: Sintetik nishon og‘irliklari, doimiy tasodifiy urug‘ning sonli qiymati va ayrim qayta ishlab chiqish tafsilotlari qayd etilmagan. Hujjatlashtirilgan 5–15–2 hisoblash grafigi bilan konseptual keng IFNN arxitekturasi alohida saqlanishi kerak. ANN bazaviy chizig‘ining yashirin qatlam o‘lchami matn va 19-jadval o‘rtasida izchil emas. Statistik ahamiyatlilik daʼvosi uchun batafsil p-qiymatlar/test statistikasi berilmagan.


Ulashish:

Izohlar ko‘rib chiqilgandan keyin e’lon qilinadi. Izohingiz tasdiqlash jarayoniga yuboriladi va ma’qullangach ko‘rinadi.

Izoh qoldiring

E-pochta manzilingiz chop etilmaydi. Majburiy maydonlar * bilan belgilangan