В США, Великобритании и Японии происходит напряженная разработка и использование нейрокомпьютерной технологии при производстве военной техники. Впервые программа подобного рода бала запущена в США в начале 90-х годов Лабораторией Линкольна Массачусетского института благодаря большому бюджету военных. Огромное внимание Президента США Дж. Буша в данной сфере позволило на начало 90-х годов добиться значительного прогресса, который выразился в скорейшем росте компаний производящих такого рода средства.

Исходя из оценок американских фирм за 90-е годы мировой рынок военных нейрокомпьютеров увеличился со 100 млн. долларов до 1.5 миллиардов долларов. На данный момент количество фирм, производящих нейрокомпьютеры, близится к тремстам, но все же данная оценка не точна, в следствии засекреченных производства.

Нейрокомпьютеры играют огромную роль в различных областях, прежде всего в космосе, авиации, энергетике, робототехнике, пеленгации, переработке огромных объемов информации, автоматических системах управления и коммуникации, медицине и статистике.

В середине 80-х годов США допускали использование нейрокомпьютеров для контролирования очень мощного лазерного оружия в рамках Стратегической оборонной инициативы. Возникшие идеи позволили изменять кривизну зеркал в телескопах и поддерживать указанный формат в точных системах координат.

Использование нейрокомпьютеров очевидно можно осознать в контролировании космической робототехники, которая используется на космических кораблях системы “Шаттл” – механизированная рука, теле роботы. Благодаря этому ощутимо снижается загрузка диспетчера.

Удачно используются нейросети в проектировании действий антенных устройств, установленных на спутниках. Переработка огромных массивов информации, осуществляется на спутнике, что способствует избежать трансляции помех с орбиты. Вдобавок, нейронные сети могут перерабатывать на орбите изображения, что сильно облегчает операцию картографирования. Сочетание с экспертными системами способствует быстро отзываться на изменения состояния поверхности в реальном времени.

Эффектно выглядит использование нейрокомпьютеров для диагностирования облаков в различных диапазонах и составлением карт ветров.

Определение линейных структур на изображениях – дороги, трубопроводы, линии электропередач и д.р., позволяет автоматически выполнять поиск признаков цивилизации на планетах космических систем.

Прогнозирование неисправностей космических станций, сближений с космическими частицами – еще одна очень важная область, которая определяет защищенность космических станций и вес спутника, выводимого на орбиту.

Система безопасных полетов, которая основана на прогнозе молний на космодроме при запуске, способствует значительно уменьшить интервалы запуска. Данная система активно используется в системе ПРО и системе управления на ТВД.

Очень удобно использование нейросетей при подборе вариантов манёвра в воздушном бою на самолетах будущего, так как воздушное маневрирование включает в себя множество различных ситуации, с которыми линейные вычислительные средства не справляются. Благодаря такой системе, пилот способен выбрать наилучший манёвр из всех возможных. Нейросети обучаются так же, как и пилоты-курсанты – им предлагается огромное число возможных сценариев воздушного маневрирования, из которых нейросети выбирают наиболее подходящий. Опять же нейросети практикуются быстро реагировать на изменения внешних условий, учитывая все текущие данные за бортом.

Нейросети позволяют выполнять очень сложные задачи, связанные с технической диагностикой летательных аппаратов с использованием методов постоянного наблюдения в реальном времени. Дается оценка механических повреждений в полете и на Земле. Почти 100% точности достигается благодаря Методу высокочастотного ультразвукового сканирования. Нейросети составляют прогноз долговечности всех систем, которые используются на самолете и в наземном управлении движением полетами.

Нейрокомпьютеры идентифицируют различные типы самолетов по изображению, вдобавок допускаются смещения, повороты профилей в плоскостях, масштабирование изображений.

Нейросетевые алгоритмы с успехом используются в обучении управлению вертолетом неопытных летчиков. Такое взаимообучение происходит автоматически, человек не принимает содействие – система управления вертолетом динамично заставляет новичка значительно увеличивать степень контроля над полетом для достижения определенного мастерства. В истребительной авиации, нейрокомпьютеры отвечают за самый точный манёвр против цели, корректируются ошибки пилота и учитываются внешние условия.

Самым перспективным направлением является использование бесконтрольных электроподвижных роботов. Они способны работать в любой среде и в условиях не доступных человеку. Прежде всего перспективны направления, связанные с навигационными робототехническими комплексами, которые позволяют оценивать информацию автоматически. Осуществляется бесконтрольная навигация с полным учетом внешних воздействий: скорость среды, собственная скорость, вращение, направление движения. Тем самым, решается особо непростая задача контролирования подводных роботов, в которой оператору приходилось контролировать три направления движения: вдоль фронта, вверх-вниз, вокруг оси. В отличии от оператора, ошибки нейросетей составляют мене 1-2%. Очень интересны наземные роботы погрузчики, работающие в экстремальных условиях и даже на других планетах, небольшие летательные аппараты с бесконтрольным пилотированием.

В современном тактическом вооружении, нейрокомпьютеры способны легко обрабатывать сигнал при очень высоком уровне помех. Поток изображений обрабатывается по двум направлениям: распознавание и выделение движущихся целей на стационарном или движущемся фоне, это открывает безграничные возможности в осуществлении тактических задач. Нейронные сети являются очень эффективным алгоритмом обозначения движущихся целей на фоне, что позволяет открыть путь к полностью бесконтрольному обозначению боевых операций с использованием обычных вооружений. Организация систем совместимых с биологическим зрением человека, позволит увеличить эффективность операций в несколько десятков раз. Огромная возможность восстановления первоначальной картины по последующим данным создаст значительный рынок средств безопасности. На данный момент уже очевидны преимущества нейросетей при обозначении целей на изображении перед человеком в оптическом диапазоне. Нейросети уже используются в системе зрения роботов, которые перемещаются в среде с различными преградами.

Очень интересен рынок транспьютеров, которые производят пространственные картины, они нашли широкое использование в радиолокации, воспроизводя трехмерные модели радиоисточников. Нейросети позволяют с успехом выполнять сложные задачи идентифицирования цели, устраняя помехи и моделируя цели. Выполняются задачи обработки сложной информации в обширной зоне обзора при наличии внушительного количества различных объектов, задачи автосопровождения целей, обнаружения манёвра цели в зоне сильных помех и другие, которые раньше вызывали большую сложность в режиме реального времени и способностей человека-оператора. Самые опытные диспетчеры одновременно могут сопровождать более 25 целей. Для примера можно взять реальную ситуацию, например, в районе аэропорта, количество таких целей может достигать десятков. Объединенная работа нескольких диспетчеров, которые передают цели друг другу, значительно снижает пропускную способность аэропорта по причине человеческого фактора. Нейросети способны легко анализировать различные траектории и составлять прогноз дальнейшего движения при наличии сильных помех. Проектированием систем наблюдения траекторий нескольких целей на основе нейронных сетей заняты фирмы Сингапура и Китая.

С середины 60-х годов нейросети используются в идентификации радиолокационных целей. Процессоры, которые разработаны на нейронных сетях, имеют повышенную помехоустойчивостью, очень быструю сходимость к искомому решению при исследовании различных гипотез. Стало возможно, авто распознавание целей на основе информации от нескольких локаторов, находящихся в разных диапазонах. С каждого канала сигналы поступают на определенную нейросеть, такие сети связаны друг с другом и с обобщающей сетью, которая содержит экспертную систему. Резкость и целостность сигналов не играют значительной роли.

Исследования, которые проводились в Лаборатории электроники и СВЧ оптики Университета штата Пенсильвания в середине 90-х годов были направлены на создание РЛС современного поколения для развития трехмерных голографических изображений аэрокосмических целей с разрешением, очень близкому к оптическому. Данная система позволяет обойтись без дорогостоящих антенных решеток и заметно сократить время обработки сигнала.

Использование нейросетей в БРЛС допускает суперэффективно идентифицировать подстилающую поверхность и тип местности.

Очень активную работу ведет Великобритания, создаются средства РЭБ и электронной войны исходя из нейросетевых алгоритмов. Перспективно использование нейросетей при наведении ракет на источники помех.

В гидроакустике используются сети для обработки сигналов, в активных и пассивных системах. Достигается высокая точность распознавания и классификации сигналов, которая превышает способности дельфинов к эхолокации и стремится к 100%. Использование такой системы в подводных роботах откроет сверхновые возможности в модернизации торпедного вооружения.

Современные военные корабли считаются очень сложными техническими изделиями, проектирование которых порой занимает почти десятилетие. Использование систем виртуальной реальности значительно облегчает задачу генпроетировщиков. Ценность и необходимость в вычислительных ресурсах здесь огромна. Опираясь на области вычислительной техники, такие как: трехмерная графика, система “глаз-рука”, управление манипулятором, анимация, виртуальная реальность является сферой супервычислений. Нейрокомпьютерные системы позволяют легко моделировать проектировочные моменты и создавать среды, для анализирования работоспособности изделий. Существуют системы виртуальной реальности для моделирования подводной, радио и высокотемпературных сред. В космонавтике системы виртуальной реальности используются как вспомогательные при управлении космическим кораблем и наружными манипуляторами.

Нейрокомпьютеры нашли широкое применение в проведении биотехнологических исследований, в биомалекулярной электронике и нанотехнологии, благодаря своим способностям компенсировать нехватку данных, которые поступают от микроскопических систем.

Огромный вклад в систему анализирования тактических и стратегических действий противника, внесли системы, которые имитируют интуицию человека.

В скором времени, системы скрытого обнаружения веществ станут самым ходовым товаром, в первую очередь в противостоянии терроризму. Системы на нейрокомпьютерах позволяют с легкостью выявлять наркотические средства, ядерное и атомное оружие, химическое сырье и т. п., отличаясь нечувствительностью к конфигурации и способам маскировки предметов, которые представляют опасность при полной автоматизации и минимальном техническом обслуживании. Автоматические системы досмотра багажа имеют вероятность обнаружения около 95%, не нарушая при этом основной работы транспортных узлов,

В энергетике нейрокомпьютеры широко используются в оповещении и диагностировании аномальных ситуаций, анализировании внешних данных и помех.

Нейрокомпьютеры с легкость справляются с решением очень сложных задач, благодаря их высоких производительных возможностей, открывают такие особо важные области как: моделирование человека-оператора, шифрование информации, обработке и распознавания текстов, перевод речевой и текстовой информации, коммуникация в системах радиосвязи и экспертные системы. Все это позволяет с легкостью моделировать развитие боевых действий абсолютно любой интенсивности, борьбу с террористами и различные спецоперации.

В корне одной из систем защиты от неутвержденного доступа, которая построена на основе нейрочипа, лежит учет временного интервала между моментами нажатия клавиш, сделанных пользователем на определённой последовательности знаков.

Очень широкое применение имеют нейросетевые алгоритмы генерации рандомных последовательностей и хаоса.

Особенно необходимы нейрокомпьютеры в обнаружении аномалий в линиях передачи данных и устройствах коммутации. В военных коммуникационных системах такие задачи имеют повышенное значение в связи с необходимостью упорядоченного сообщения с очень высоким приоритетом при решительном изменении окружающих условий и двунаправленностью каналов.

Широкие возможности расчетов путей маршрутизации можно использовать при построении проектировании кристаллов процессор и разработке интегральных схем.

Нейрокомпьютеры с большим успехом используются при обработке сейсмических сигналов в военных целях для обозначения координат и мощности ядерных взрывов, которые проводят другие страны. Такая система также используется при дистанционной разведке полезных ископаемых. Точность определения события приближается к 100%.

В самом непродолжительном времени круг использования нейрокомпьютеров многократно увеличится. Прежде всего по линии военных систем, которые требуют высокопроизводительных вычислений. Вдобавок очень интересно их использование при создании моделей политических и общественно-социальных процессов, которые превращают политику в точную науку.

Актуальные тенденции в скором развитии вычислительной техники характеризуется глобальным переходом к оптическим технологиям биоэлектроники, которые основаны на сращивании искусственных элементов с живыми мозговыми клетками, биомолекулярные технологии, позволяющие реализовать самопрограммирование рабочих станций.

Самые основные разработки проходят в научных центрах США, Великобритании, Японии, Германии и Италии. Величина мирового рынка будет значительно увеличиваться каждые 2-3 года, при условии, что не произойдет очень резкий скачок в прикладных разработках, основанных учеными всего мира за последние 15 лет.

Постоянно меняющийся характер сетевых атак требует гибкую защитную систему, которая способна анализировать огромное количество сетевого трафика по методу, который менее структурирован чем тот, что основан на построении определенных правил. Система обнаружения вторжений на основе нейронной сети может потенциально решить многие из проблем, которые имеют место быть в системах, основанных на правилах.

Преимущества систем обнаружения вторжений на основе нейронных сетей

Первое преимущество в использовании нейронной сети в выявлении вторжений — это гибкость, которую предоставляет эта сеть. Нейронная сеть способна анализировать данные из сети, даже если данные неполные или искажены. Кроме того, сеть будет обладать способностью проводить анализ с данными в нелинейной форме. Обе эти характеристики имеют важное значение в сетевой среде, где полученная информация подвержена случайным ошибкам системы. Кроме того, поскольку некоторые атаки на сеть могут быть проведены скоординированным вторжением нескольких злоумышленников, способность обрабатывать данные из нескольких источников в нелинейной форме особенно важна.

Скорость, свойственная нейронным сетям, является еще одним преимуществом этого подхода. Поскольку защита вычислительных ресурсов требует своевременного выявления атак, скорость обработки нейронной сети может обеспечить реагирование на вторжение до того, как будет нанесен непоправимый ущерб системе.

Поскольку результат работы нейронной сети выражается в виде вероятности, нейронная сеть обеспечивает возможность прогнозирования для обнаружения случаев вторжения. Система обнаружения вторжений на основе нейронных сетей определит вероятность того, что конкретное событие или ряд событий, свидетельствуют о нападении на систему. По мере получения опыта, нейронная сеть улучшает способность определять, какие события и где могут произойти в процессе атаки. Эта информация затем может быть использована, чтобы сгенерировать последовательность событий, которые должны произойти, если имеет место быть попытка вторжения. Отслеживая последующие возникновения этих событий, система будет способна улучшить анализ событий и, возможно, провести защитные меры, прежде чем атака будет удачно выполнена.[1]

Тем не менее, наиболее важным преимуществом нейронных сетей в выявлении вторжений является  способность нейронной сети “обучаться” признакам атак и определять случаи, которые нехарактерны для тех, что наблюдались ранее. Нейронная сеть может быть обучена распознавать известные подозрительные события с высокой степенью точности. Это очень ценное умение (злоумышленники часто повторяют «успехи» других) так же позволит получить возможность применять эти знания для выявления фактов о нападении, которые не соответствуют точным характеристикам предыдущих вторжений. Вероятность вторжения в систему может быть предполагаемая и помечена как потенциальная угроза, когда вероятность превышает определенный порог.

Недостатки систем обнаружения вторжений на основе нейронных сетей

Есть две основные причины, почему нейронные сети не применялись в разрешении задачи обнаружения вторжений в прошлом. Первая причина связана с требованиями к обучению нейронной сети. Поскольку способность искусственной нейронной сети к идентификации признаков вторжение полностью зависит от правильного обучения системы, данные для обучения и методы обучения, которые используются, являются критическими. Процедура обучения требует очень большой объем данных, чтобы гарантировать статистически точные  результаты. Обучение нейронной сети для целей обнаружения вторжений может потребовать тысячи последовательностей индивидуальных атак, и это количество нужной информации трудно получить.

Тем не менее, наиболее существенным недостатком применения нейронных сетей для обнаружения вторжений является природа “черного ящика” нейронной сети. В отличие от экспертных систем, которые имеют жестко закодированные правила для анализа событий, нейронные сети адаптируют свой анализ данных в ответ на полученное обучение. Вес связи и передаточные функции различных сетевых узлов, как правило, замораживаются после того, как сеть достигла приемлемого уровня успеха в идентификации событий. В то время как анализ сети достигает достаточной вероятности успеха, основа для этого уровня точности не всегда известна. “Проблема черного ящика” преследует нейронных сетей в ряде приложений. Это постоянная область исследований в нейронных сетях.[2]

Потенциальные реализации

Есть две основные реализации нейронных сетей в системах обнаружения вторжений. Первая предполагает включение их в существующие или модифицированные экспертные системы. В отличие от предыдущих попыток использовать нейронные сети в обнаружения аномалий, используя их в качестве замены для существующих компонентов статистического анализа, этот вариант связан с использованием нейронной сети для фильтрации входящих данных с целью выявления подозрительных событий, которые могут указывать на вторжение и направлять эти события экспертной системе. Эта конфигурация должна улучшить эффективность системы обнаружения за счет уменьшения ложных тревог экспертной системы. Поскольку нейронная сеть определяет вероятность того, что определенное событие является показателем атаки, можно установить порог, при котором событие направляется в экспертную систему для дополнительного анализа. Поскольку экспертная система только получает данные о событиях, которые рассматриваются как подозрительные, чувствительность экспертной системы может быть увеличена, (обычно, чувствительность экспертных систем должна быть низкой, чтобы уменьшить частоту ложных тревог). Эта конфигурация будет полезна для организаций, которые инвестировали в технологии экспертных систем на основе правил, за счет повышения эффективности системы при сохранении инвестиций, которые были сделаны в существующие системах обнаружения вторжений. Недостатком этого подхода будет то, что, в то время, как  нейронная сеть расширила свои возможности для выявления новых атак, экспертную систему необходимо будет обновить для того, что бы она так же распознавала эти угрозы. Если экспертная система не обновлялись, новые атаки, определенные нейронной сетью, в большей степени будут игнорироваться экспертной системой, потому что ее база правил не будет способна распознать новую угрозу.[3]

Второй подход определяет нейронную сеть как автономную систему обнаружения вторжений. В этой конфигурации, нейронная сеть будет получать данные из сетевого потока и анализировать информацию на наличие вторжения. Любые случаи, которые определены как показатель атаки будут направлены администратору безопасности или использованы автоматизированной системой реагирования на вторжения. Этот подход предполагает большую скорость обнаружения по сравнению с предыдущим подходом, поскольку задействован только один слой анализа. Кроме того, эта конфигурация должна улучшить эффективность с течением времени, так как сеть изучает новые признаки атак. В отличие от первого подхода, эта концепция не ограничена аналитическими способностями экспертной системы, и, как следствие, она сможет расширится за пределы базы правил экспертной системы.

Из-за возможности несанкционированного доступа к архивам коммерческих данных,  основной проблемой в компьютерных сетях является безопасность данных. Поэтому руководство компаний  перестает использовать открытые информационные системы. Потребность в своевременном и точном обнаружении атак на компьютер или вычислительные системы увеличилась, так как возросло преобладание распределенных сетевых систем и незащищенных сетей.

Чаще всего современные подходы обнаружения атак пользуются формой анализа основанной на правилах. Набор правил входит в экспертную систему. Поскольку экспертная система очень быстро устаревает, требуется ее постоянное  обновление. Экспертные системы в представлении структуры типа «правило-проверка», к сожалению, недостаточно гибки, что является одним из немаловажных недостатков.  За последние годы было создано достаточное количество подходов обнаружения атак, которые опираются на неэкспертные системы.

Искусственные нейронные сети (artificial neural network)   — математические модели, их программные или аппаратные реализации, которые построены по системе организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.  Данное понятие возникло при попытке изучить протекающие процессы  в мозге, а также смоделировать их.[1] Искусственная нейросеть включает в себя набор элементов,  синхронизированных между собой и изменяющий набор входных данных к набору необходимых выходных данных. Результат трансформации обуславливается параметрами элементов и их весами, а также соответствующими им взаимосвязями. Приспособиться к нужным выходным результатам можно через трансформацию соединений между узлами сети. Экспертные системы предоставляют определенную информацию о соответствии заложенной в базе данных правил рассматриваемой характеристике, в свою очередь нейросеть анализирует информацию и дает возможность оценивания согласования характеристик, которые она умеет распознавать. Правильность и точность выбора, в общем и целом, обусловлена особенностью системы в анализе примеров поставленной задачи, а степень соответствия нейросетевого представления способна набирать 100%.

На сегодняшний день проводится множество исследований по способам применения нейросетей для выявления компьютерных атак. Искусственные нейросети предоставляют варианты решения большого количества проблем, которые охватываются другими современными способами  обнаружения атак.

Данные сети обладают гибкостью, что служит первым преимуществом при обнаружении злоупотреблений. Вторым значимым плюсом нейросетей для выявления злоупотреблений считается их умение «изучать» параметры преднамеренных атак и распознавать элементы, незамеченных ранее в сети.

По ряду причин до некоторого времени нейросети не использовались в задачах обнаружения злоупотреблений. Основной причиной остается требование обучения нейросети. Способность искусственной нейросети распознавать указания на атаку обусловлена точностью обучения системы, поэтому обучающие данные и используемые методы обучения считаются наиболее значимыми. В тоже время, главным отрицательным фактом в использовании нейросетей для детектирования вторжения служит природа «черного ящика» нейросети.[2]

Работа нейронных сетей характеризуется достаточной гибкостью, нежели заранее запрограммированные алгоритмы выявления вторжений, поэтому применение искусственных нейронных сетей в СОВ на данный момент времени считается довольно многообещающим.

Часть нейронных сетей способна обучаться как на основе заранее подготовленных наборов данных, так и во время работы в режиме реального времени, что снижает вероятность ложного срабатывания при распознавании атаки.

Помимо достоинств, системы на базе нейронных сетей обладают и недостатками: слабо обученные нейронные имеют более высокую вероятность ложных срабатываний по сравнению с хорошо настроенными перцептронами.

Системы обнаружения вторжений обладают достаточным набором достоинств в отличие от других методов обнаружения атак, что свидетельствует об их глобальном распространении в ближайшем будущем.

Материалы и методика исследований 

Космический снимок представляет собой зарегистрированное определенным видом сенсоров электромагнитное излучение. В качестве территориального носителя информации выступает пиксель – неделимый наименьший элемент двумерного изображения, характеризующийся яркостью – способностью участка земной поверхности отражать или поглощать свет определенной длины волны.

Наиболее перспективным для решения географических, экологических, технических задач являются многозональные космические снимки высокого разрешения, в пиксельной совокупности которых содержатся отражательные свойства природных и антропогенных объектов.

На сегодняшний день существует целый ряд сервисов (спутников и их сенсоров), представляющих космические снимки с разным разрешением, периодичностью, количеством спектральных каналов. Среди наиболее успешных проектов отмечаем данные ДЗЗ, получаемые со спутников SPOT, IKONOS, QuickBird, Landsat, TERRA (платформа ASTER) и другие.

В качестве ресурса данных ДЗЗ в исследовании нами был выбран комплекс Landsat – старейший проект по получению космофотоснимков. В настоящее время на орбите Земли действуют спутники Landsat-7 (сенсор ETM+) и Landsat-8 (сенсоры OLI и TIRS). Пространственное разрешение основных каналов соответствует 30 м длины стороны пикселя, что позволяет позиционировать их как снимки высокого разрешения. Сравнение спектральных диапазонов приведено в таблице 1.

Однако отдельно взятый канал представляет крайне ограниченную вариацию действий по интерпретации свойств ландшафтно-экологических систем. Специфика применения космофотоснимков заключается в возможности комбинирования каналов, помещая их в красную (R), зеленую (G) и синюю (B) позиции. Таким образом, каждый канал представляет интерес для решения тематических прикладных задач, но синтетическую информацию о ландшафтно-экологических системах можно получить только в рамках комбинирования каналов при комплексном дешифрировании.

Таблица 2 – Спектральные каналы сенсоров ETM+ спутника Landsat-7 и OLI/TIRS спутника Landsat-8 (по данным NASA и геологической службы США [4], методических разработок James W. Quinn [5])

Преподаватели различных образовательных организаций изучали, как применяются цифровые ресурсы в обучении. А.Ш. Аипова исследовала цифровые образовательные ресурсы и адаптивное обучение[1]. Л.В. Буйлова применяла цифровые образовательные ресурсы в обучении студентов техническим дисциплинам[2]. О.П. Осипова и З.С. Ишмуратова использовали цифровые образовательные ресурсы в обучении младших школьников[3]. Цифровые образовательные ресурсы и когнитивные манипуляции в обучении использовали В.В. Чумакова и В.В. Дайнеко[4]. Д.А. Вербин использовал цифровые образовательные ресурсы при обучении студентов[5]. А.Ш. Базарбекова и Н.М. Зайцева исследовали и разработали цифровой образовательный ресурс для учащихся в рамках системы электронного обучения e-learning [6]. Р.И.Баженов, Ю.П.Штепа показали использование ИКТ на занятиях [7-11].

Для создания данного упражнения использовался ресурс http://learningapps.org «Создание мультимедийных интерактивных упражнений». Данный ресурс довольно прост и понятен в использовании и предназначен для создания различных упражнений в виде тестов, приложений в игровой форме и т.д. Также на этом ресурсе можно не только создавать, но и давать решать задания обучающимся образовательных организаций в ходе обучения на уроках (рис. 1).

  Рисунок 1. Страница ресурса выбора упражнений для создания

Данное упражнение создано по шаблону заполнения пропусков в тексте. На первом этапе прописывается название приложения «Нейронные сети» и постановка задачи: «Впишите слова, подходящие по смыслу данной тематики, в пустые поля». Так же можно добавить заголовок, т.е. специально вводные слова, аудио или видео перед пропущенным текстом и есть возможность установить тип задания. Либо пользователь будет выбирать слово из списка либо списывать его самостоятельно. Если пользователь будет вписывать слова, то следует учитывать регистр букв (заглавные или нет) (рис. 2).

 Рисунок 2. Поля ввода названия приложения, постановки задачи и заголовка

В поле заполнения пропусков прописывается текст, который должен быть вставлен. Для обозначения места вставки текста нужно использовать символы -1-, -2- и т.д. Также есть возможность использовать одни и те же номера для полей вставки одинаковых слов в данном тексте. В отдельном поле прописывается вставляемый вместо пропусков текст. В зависимости типа задания следует заполнить каждый пропуск (рис. 3).

 Рисунок 3. Поля ввода всего текста и текста, который нужно вставить вместо пропусков

Далее в поле «Обратная связь» прописывается текст, который появится как вставка, если пользователь правильно решил данное задание. Существует возможность выбора фоновой картинки и записи подсказок для пользователя (рис. 4). Добавленную картинку можно отредактировать и изменить размер. Фоновую картинку можно загрузить тремя способами:

• Используя объемный материал из Википедии;
•  Скопировать в поле ввода ссылку адреса картинки;
• Выбрать картинку со своего компьютера.

 Рисунок 4. Поле записи обратной связи, выбора фоновой картинки и поле создания подсказок для решения

После того, как все поля будут прописаны, следует нажать на кнопку «Предварительный просмотр». Загрузится приложение, в котором сразу выводится поле с заданием (рис. 5).

Рисунок 5. Предварительный просмотр готового упражнения

Для того чтобы выбрать ответ из списка следует нажать на пустое поле вставки слова. Высветится ряд слов, из которых следует выбрать нужное слово, подходящее данной тематике предложения (рис.6)

  Рисунок 6. Фрагмент решения упражнения

Чтобы проверить, правильно ли введен ответ, следует нажать на синюю кнопку с галочкой. Если ответ правильный, то поле со слово станет зеленого цвета, если не правильно, то красным (рис. 7)

 Рисунок 7. Фрагмент упражнения при проверке.

После того, как приложение сохранится, его можно снова переработать, а так же оставить, как личное либо опубликованное приложение. Снизу после приложения создается ссылка, с помощью которой можно зайти на это упражнение с другого компьютера и решить данное задание. Ссылка на данное упражнение: http://learningapps.org/display?v=ph9hoy9mj17

В ходе разработки было создано приложение по шаблону заполнение пропусков в тексте. Упражнение отлично проверяет знания обучающихся и довольно легко создается, а также удобно в использовании. Данное упражнение можно использовать в курсе «Интеллектуальные системы и технологии» по теме «Нейронные сети».

Благодарности.

Выражаю благодарность научному руководителю Р.И.Баженову в помощь при подготовке статьи.