Developing a model and algorithm for decision support in self-government bodies using machine

Step-1.  As  long  as  the  termination  condition  of  the 

algorithm  is  incorrect,  steps  2  —  9  are  performed.  The 

termination condition is determined by the formula: 

𝐸 =

1

2

(𝑦 − 𝑦′)

2

 

(4) 

Here,  y  is  the  target  value, 

𝑦

′

  is  the  actual  weighted 

output  value.  The  process  is  iterative  and  uses  the 

principle  of  "step-by-step"  training  (on-line  training), 

when  the  weights  of  the  neurons  of  the  network  are 

adjusted after submitting one training example to its input. 

Step  2.  For  each  pair  of  independent  and  dependent  { 

data,  target  value},  steps  3  —  8  are  performed.  In  the 

following  steps,  the  data  is  distributed  from  the  inputs  to 

the output throughout the neural network. 

Step  3.  Each  input  neuron  (x

1

,  x

2

,  x

3

)  sends  the 

resulting  xi  values  to  all  the  neurons  in  the  next  hidden 

layer (h

1

, h

2

). 

selecting 

training 

data 

Using a 

neural 

network 

Evaluatin

g output 

data 

Setting up the 

weights 

---

Step 4. Hidden neurons h

1

, h

2

 sums the weighted input 

values:  net(h

k

)  = 

𝑤

𝑜𝑘

+ ∑

𝑥

𝑖

𝑛

𝑖=1

∗ 𝑤

𝑖𝑗

  applies  the 

activation function: 

𝜑(𝑛𝑒𝑡) =1/(1+𝑒𝑥𝑝

−𝛼∗𝑛𝑒𝑡

)  (5) 

Then  sends  the  result  (in  the  range  0-1)  to  the 

output layer neurons. In our case, the only output neuron. 

Step 5. The output neuron, using formula (3), sums the 

weighted input values, and applies the activation function 

to calculate the output value. 

Then the error is propagated backwards. 

Step 6. The output neuron receives the target value — 

the  output  value  that  is  correct  for  this  input  signal,  and 

calculates  the  error,  as  well  as  calculates  the  amount  by 

which  the  weight  of  the  connection  will  change.  In 

addition,  it  calculates  the  value  of  the  offset  adjustment: 

and sends it to the neurons in the previous layer. 

Step  7.  Each  hidden  neuron  sums  up  the  incoming 

errors  (  from  the  neurons  in  the  subsequent  layer  )  and 

calculates  the  error  value  by  multiplying  the  resulting 

value by the derivative of the activation function, as well 

as  calculates  the  amount  by  which  the  link  weight  will 

change:  In  addition,  it  calculates  the  amount  of  offset 

correction. 

Step 8. Each output neuron changes the weights of its 

connections  to  the  bias  element  and  the  hidden  neurons. 

Each  hidden  neuron  changes  the  weights  of  its 

connections to the offset element and the output neuron 

Step  9.  Checking  the  termination  condition  of  the 

algorithm. 

The result of training the neural network and the graph 

of the above algorithm is shown in Figure 3-4. 

 

Fig. 3. The values of the weight coefficients of the neural network. 

 

Fig. 4. Graph of weighted and target values of expert assessments. 

REFERENCES 

[1]  А.  А.  Барсегян,  М.  С.  Куприянов,  И.  И.  Холод,  Т.  М.Д., 

and  С.  И.  Елизаров,  Анализ  данных  и  процессов:  учеб. 

пособие.  3-е  изд.,  перераб.  и  доп.  —  СПб.:  БХВ-

Петербург,  2009.  —  512  с.:  ил.  +  CD-ROM  —  (Учебная 

литература для вузов). . 

[2]  Барсегян  А.А.,  Куприянов  М.С.,  Степаненко  В.В.,  Холод 

И.И.    Технологии  анализа  данных:  Data  Mining,  Visual 

Mining,  Text  Mining,  OLAP.  2-е  издание.  Санкт–

Петербург, «БХВ-Петербург», 2007. -375 с. . 

[3]  О.К.Хужаев, 

Н.А.Саидрасулов,    Ш.Н.Эгамбердиев, 

“Синфларга  ажратиш  масаласини  ечишда  самарали 

усулни  танлаш  алгоритми.  Ахборот  коммуникациялар: 

тармоқлар,  технологиялар,  ечимлар”.    Ташкент  2019- 

№1(49). –с. 39-44. 

[4]  Искусственные  Нейронные  Сети  и  их  приложения:  учеб. 

пособие / Ф.М. Гафаров, А.Ф. Галимянов. – Казань: Изд-

во Казан. ун-та, 2018. – 121 с.   

[5]  Головина  А.Н.,  “Технология  принятия  и  реализации 

управленческих 

решений 

в 

органах 

местного 

самоуправления. Пути устранения недостатков.,” АЛЛЕЯ 

НАУКИ 

Издательство 

ИП 

Шелистов 

Денис 

Александрович  (Издательский  центр  “Quantum”),  vol.  1, 

no. 17, 2018. 

[6]  K.  J.  Rakhimboev,  M.  A.  Ismailov,  and  O.  U.  Khalmuratov, 

“Parametric  method  for  evaluation  the  state  of  complex 

organizational objects,” IOP Conf. Ser. Mater. Sci. Eng., vol. 

919, no. 5, 2020, doi: 10.1088/1757-899X/919/5/052043. 

[7]  В.  В.  Борисов,  В.  В.  Круглов.,  “Искусственные 

нейронные  сети.  Теория  и  практика  /  2-е  изд.  –  М. : 

Горячая линия–Телеком, 2002.  –  382 с.  –  ISBN: 5-93517- 

031-0.” 

[8]  D.  E.  Rumelhart,  G.  E.  Hinton,  R.  J.  Williams  “Learning 

internal  representations  by  error  propagation.  Parallel 

distributed  processing.  –  Vol.  1.  –  Cambridge,  MA:  MIT 

Press. – pр. 318–362.” 

[9]  А.  О.  Т.  Нишанов  А.Х.,  Хўжаев  О.Қ.,  “Классификация 

масалаларини  ечишда  нейрон  тўри  архитектураси  ва 

ўқитиш  алгоритмларини  танлаш  //Узб.журнал  «ТАТУ 

Хабарлари». – Ташкент, 2012. – №1. – С. 14-18.” 

[10]  Kamilov,  M.  M.,  et  al.  "The  Method  of  Applying  the 

Algorithm  of  Calculating  Grades  for  Finding  Similar 

Diagnostics  in  Medical  Information  Systems." International 

Journal of Innovative Technology and Exploring Engineering, 

vol. 8, no. 6, 2019, pp. 722-724. SCOPUS, www.scopus.com. 

[11]  Urazmatov,  T.  Q.,  Nurmetova,  B.  B.,  &  Kuzibayev,  X.  S. 

(2020).  Analysis  of  big  data  processing  technologies.  Paper 

presented  at  the IOP  Conference  Series:  Materials  Science 

and 

Engineering, , 

862(4) 

doi:10.1088/1757-

899X/862/4/042006 Retrieved from www.scopus.com 

[12]  Bahodir,  M.,  &  Bahrombek,  S.  (2019).  Information,  analysis 

ximmingning four neurons chemical name of the information 

in  intellectual  evidence. International  Journal  of  Innovative 

Technology  and  Exploring  Engineering, 8(11),  3382-3384. 

doi:10.35940/ijitee.J9176.0981119