No abstract

Застосування військових частин та підрозділів Збройних Сил України спільно з військовими формуваннями інших відомств в антитерористичній операції та в операції об’єднаних сил на сході держави вказало на ряд недоліків підготовки складових сектору безпеки й оборони. Підготовки повинна забезпечувати набуття спроможностей як самостійно виконувати завдання за призначенням так і спільно в складі об’єднаних угруповань та  тактичних груп. Необхідність впровадження нових підходів до підготовки сил безпеки й оборони, потребують удосконалення організації об’єднаної підготовки. На основі аналізу організації об’єднаної (міжвідомчої) підготовки, визначити принципові напрями для підвищення ефективності підготовки підрозділів сектору безпеки й оборони держави. Стаття висвітлює результати аналізу організації об’єднаної (міжвідомчої) підготовки в провідних країнах світу і має на меті оприлюднити необхідні напрямків розвитку підготовки складових сектору безпеки й оборони. Дозволить виділити головні напрямки, що в подальшому надасть можливість формувати необхідні рекомендацій з метою покращення функціонування системи підготовки складових сил оборони.

Приблизно з лютого 2020 року у зв'язку з епідемією COVID-19, а з 24 лютого 2022 року також через напад росії на Україну і розв'язання повномасштабної війни, курсанти та викладачі зіткнулися з необхідністю реалізації курсантського самоконтролю при тимчасовій чи постійній відсутності допомоги з боку викладача, при одночасному погіршенні якості викладання з боку викладачів та зниженні якості засвоєння навчального матеріалу курсантами під час реалізації навчального процесу в режимі онлайн. Такий самоконтроль може суттєво допомогти курсанту самостійно та незалежно перевірити себе, підвищить самооцінку та впевненість в своїх силах і підвищить якість знань. Курсанти вивчають, як правило, мінімум одну мову програмування високого рівня та автоматизацію розрахунків в електронних таблицях. Також курсанти різних технічних спеціальностей вивчають різноманітне прикладне математичне програмне забезпечення. Деякі курсанти також вивчають навіть більш специфічне технічне прикладне програмне забезпечення для розробки систем автоматизації. Таким чином, пропонується використати наступні шляхи та відповідні інструменти для реалізації курсантського самоконтролю при розв'язанні різноманітних технічних завдань: мови програмування високого рівня; електронні таблиці; математичне прикладне програмне забезпечення; прикладне програмне забезпечення для розробки систем автоматизації.Отримані результати при вирішенні одного й того ж завдання повинні бути порівняні самим курсантом, а у випадку неспівпадіння результатів рішення повинні бути незалежно проаналізовані заново.Цей підхід із самоконтролю частково реалізовано для курсантів, які вивчають такі навчальні дисципліни, як «Інформаційні технології», «Комп'ютерні технології», «Інформатика та основи програмування», «Адміністрування мереж». Саме остання вимагає відповідних знань, отриманих під час вивчення інших навчальних дисциплін.Запропонований підхід дозволяє курсантам оновити отримані раніше знання, отримати нові знання нового прикладного програмного забезпечення, реалізувати самоконтроль при виконанні різноманітних технічних завдань в різних напрямках вивчення інформаційних технологій та в кінцевому результаті підвищити самооцінку і впевненість в своїх силах.Ключові слова: самоконтроль, освіта онлайн, автоматизовані системи та мережі передавання даних, програмування ПЛК, морська галузь.

The method of estimation and forecasting in intelligent decision support systems is developed. The essence of the proposed method is the ability to analyze the current state of the object under analysis and the possibility of short-term forecasting of the object state. The possibility of objective and complete analysis is achieved through the use of improved fuzzy temporal models of the object state, an improved procedure for forecasting the object state and an improved procedure for training evolving artificial neural networks. The concepts of a fuzzy cognitive model, in contrast to the known fuzzy cognitive models, are connected by subsets of fuzzy influence degrees, arranged in chronological order, taking into account the time lags of the corresponding components of the multidimensional time series. This method is based on fuzzy temporal models and evolving artificial neural networks. The peculiarity of this method is the ability to take into account the type of a priori uncertainty about the state of the analyzed object (full awareness of the object state, partial awareness of the object state and complete uncertainty about the object state). The ability to clarify information about the state of the monitored object is achieved through the use of an advanced training procedure. It consists in training the synaptic weights of the artificial neural network, the type and parameters of the membership function, as well as the architecture of individual elements and the architecture of the artificial neural network as a whole. The object state forecasting procedure allows conducting multidimensional analysis, consideration and indirect influence of all components of a multidimensional time series with different time shifts relative to each other under uncertainty.