علوم و فناوری فضایی

علوم و فناوری فضایی

پیش­بینی هوشمند موقعیت مداری ماهواره به کمک سری­های زمانی

نویسندگان
چکیده
در این مقاله، هدف ارائة دیدگاه نوینی در مبحث پیش­بینی موقعیت ماهواره است. از آنجا که تمامی روش‌های فعلی مبتنی بر معادلات کپلر هستند، به دلیل ساده­سازی در محاسبات، اغتشاشات مداری، توفا‌ن‌های خورشیدی، گرانش اجرام سماوی و غیره در نظر گرفته نمی­شود. روش پیشنهادی این مقاله، استفاده از روش‌های هوش مصنوعی در پیش­بینی سری­های زمانی، برای پیش­بینی موقعیت ماهواره با استفاده از داده‌های واقعی است. مزیت استفاده از داده­های واقعی، درنظرگرفتن تمامی اغتشاشات مؤثر بر مدار است. برای این منظور استفاده از پارامترهای TLE، به عنوان در دسترس­ترین داده­های واقعی در دستور کار قرار گرفته است. مقایسة نتایج روش پیشنهادی با داده­های واقعی، نشان از دقت بالای روش پیشنهادی دارد. 
کلیدواژه‌ها

  1. Miura, N. Z., Comparison and Design of Simplified General Perturbation Models, (M. Sc. Thesis), California Polytechnic State University, San Luis Obispo,2009.
  2. McNeil, L.M. and Kelso, T.S., Spatial Temporal Information Systems: An Ontological Approach Using STK, Taylor & Francis,2013.
  3. Curtis, H.,Orbital Mechanics for Engineering Students, Elsevier Science, 2009.
  4. Vallado, D.A., Crawford, P., Hujsak R. and Kelso T.S.,Revisiting Spacetrack Report 3,AIAA/AAS Astrodynamics Specialist Conference and Exhibit, USA, 2006.
  5. Jang, J.S.R. and Sun,C.T. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence, Prentice Hall, 1997.
  6. Kelso, T.S., “Validation of SGP4 and IS-GPS-200D Against GPS Precision Ephemerides,”17th AAS/AIAA Space Flight Mechanics Conference, Sedona, AZ, 2007.
  7. Available, [on line]: Kelso, T.S. (web master), com.
  8. Han, J. and Kamber,M., Data Mining:Concepts and Techniques, 2ndEdition, Morgan Kaufmann Publications, 2006.

  • تاریخ دریافت 13 دی 1393
  • تاریخ بازنگری 16 بهمن 1402
  • تاریخ پذیرش 31 فروردین 1395
  • تاریخ اولین انتشار 31 فروردین 1395