پیش‌بینی موقعیت مداری ماهواره با استفاده از داده‌های مشاهداتی و شبکة عصبی

نوع مقاله: مقالة‌ تحقیقی‌ (پژوهشی‌)

نویسندگان

1 دانشگاه صنعتی امیرکبیر - دانشکده هوافضا

2 دانشگاه صنعتی امیرکبیر

چکیده

  در این مقاله هدف ارائة دیدگاه متفاوتی در مبحث پیش‌بینی موقعیت مداری ماهواره است. دیدگاه روش‌های فعلی دیدگاه جزئی‌نگر است که عوامل مؤثر را به‌صورت مجزا به محاسبات اعمال می‌کند. این روش‌ها مبتنی‌بر معادلة حرکت کپلری و مهم‌ترین اغتشاشات وارد به ماهواره می‌باشند. دیدگاه پیشنهادی این مقاله دیدگاه کلی‌نگر است که دیدگاه متفاوت و نوینی در این مبحث به‌شمار می‌آید. این روش با استفاده از داده‌های مشاهداتی و هوش مصنوعی محقق می‌شود که به‌صورت غیر­مستقیم و ضمنی معادلة حرکت کپلری و تمامی اغتشاشات موجود -چه آن‌هایی که قابل مدل‌سازی بوده و چه آن‌هایی که هنوز امکان مدل‌سازی ندارند- در محاسبات اعمال می‌شود. این روش علاوه‌بر داشتن مزیت‌های روش‌های موجود، مزیت‌های دیگری هم دارد. مهم‌ترین مزیت این روش عدم نیاز به محاسبة مدل‌های اغتشاشات مداری است. با استفاده از این روش به نتیجه‌های قابل قبولی رسیده‌ایم به‌طوری‌که در پیش‌بینی چهارده روز برای المان‌های دو خطی، میانگین درصد خطا در حد 1/0 درصد و کمتر بوده است و براین باور هستیم که می‌توان به نتایج بهتری نیز رسید.

کلیدواژه‌ها


عنوان مقاله [English]

Satellite Orbit Prediction Through Observation Data and the Artificial Neural Networks

نویسندگان [English]

  • farshad shamlu 1
  • Abolghasem Naghash 2
1 Amirkabir University of Technology - Aerospace Department
چکیده [English]

In this study, a different approach to the prediction of satellite position is introduced.
All methods are based on the Kepler’s laws of planetary motion and the orbital
perturbations such as the Earth’s oblateness, atmospheric drag, third-body perturbation
and the solar-radiation pressure. All these perturbations are modeled and are included
separately in the equation. However, this paper offers a new view of the prediction which
suggests the use of artificial neural networks and observation data. The advantage of this
method is based on the usage of observation data, so that all disturbances are taken into
account and there is no need to use perturbation models. For this reason, the use of the
TLE as the most reachable actual data is considered. Comparison of the output of this
method with actual data shows the accuracy of the proposed method which is very high.

کلیدواژه‌ها [English]

  • prediction
  • Artificial Neural Networks
  • time series
  • Satellite Position
  • TLE

[1]  McNeil, L.M. and Keslo, T.S., Spatial Temporal Information System, An Ontological Approach Using STK, Taylor & Francis, 2013.

[2]  Bustan, D., Pariz, N. and Hosseini Sani, S.K., “Intelligent Satellite Orbit Prediction Based on Time Series Analysis”, Journal of Space Science and Technology (JSST), Vol. 7, No.3, Autumn 2014, pp. 43-49 (In Persian).

[3]  Curtis, D. Howard; Orbital Mechanics for Engineering Student, Third Edition, Elsevir, 2014.

[4]  Vallado, D., Fundamentals of Astrodynamics and Applications, 3rd Ed., McGraw-Hill Space Technology Series, 2007.

[5]  Vallado, D.A, Crawford, P., Hujsak, R. and Keslo, T. S., “Revisiting Spacetrack Report #3,” Astrodynamics Specialist Conference and Exhibit, AIAA/AAS 2006-6753-Rev2.

[6]  Hoots, F.R., Paul W.S.Jr. and Robert, A.G., “History of Analytical Orbit Modeling in the U. S. Space Surveillance System,” Journal of Guidance ,Control and Dynamics, AIAA, Vol. 27, No. 2, 2004, pp.174– 185.

[7]  Brockwell, P.J. and Davis, R.A., Introduction to Time Series and Forecasting, Springer, 2002.

[8]  Hykins, S., Neural Networks: A Comprehensive Foundation, 2nd ed, Prentice-Hall, 1999.

[9]  Kelso, T. S., “Validation of SGP4 and IS-GPS-200D Against GPS Precision Ephemerides,” 17th AAS/AIAA Space Flight Mechanics Conference, Sedona, AZ, 2007.

[10]  William, H. Boyce, III, “Examination of
NORAD TLE Accuracy using the Iridium Constellations,” Proceedings of the
AAS/AIAA Space Flight Mechanics
Meeting
, 2004.

[11]  Mudoon, R.A., Elkaim, H.G., Rickard, F.I. and Weeden, B., “Improved Orbital Debris Trajectory Estimation Based On Sequential TLE Processing,” Proceedings of the International Astronautical Congress, 2009.