پیش‌بینی بردار حالت مداری ماهواره با استفاده از سری‌های زمانی و شبکه‌های عصبی

در این مقاله، روشی نوین برای پیش بینی موقعیت مداری ماهواره با استفاده از سری های زمانی و شبکه‌های عصبی معرفی شده است. در این روش، بر خلاف روش های معمول پیش بینی مدار، از قوانین کپلر استفاده نشده و از قدرت پیش بینی سری های زمانی در شبکه های عصبی برای پیش بینی موقعیت مداری استفاده شده است. مهمترین مزیت روش پیشنهادی نسبت به روش های موجود، در استفاده از داده های واقعی است. چرا که روش های موجود عموما با ساده سازی روابط و نیز حذف برخی از اغتشاشات معمولاً دارای خطا بوده و استفاده از معادلات بازگشتی نیز به‌طور افزاینده ای این خطا را افزایش می دهد. در دسترس ترین داده واقعی، tle بوده و دقت آنها نیز در پژوهش های مختلف به اثبات رسیده است. لذا در روش پیشنهادی استفاده از این داده ها در دستور کار قرار گرفته است. نتایج شبیه سازی و مقایسه این روش با الگوریتم sgp4 و داده های واقعی، نشان از کارآمدی روش پیشنهادی دارد.

Predicting Orbital State Vector of Satellites Using TimeSeries Neural Networks

Prediction of satellite orbital position is a critical requirement for all satellite ground stations. In this paper, a new viewpoint for predicting orbital position of satellites is presented. In contrast to traditional methods which are based on Kepler’s law, the proposed method, is solely based on past observation of a given satellite. In contrast to traditional algorithms which have neglected some of the orbital perturbations, the most important feature of this method is considering all orbital perturbations by using real data. TLEs (Two Line Element sets) are the most available real data and are used in this research as the main data source. Using the capability of neural networks for time series prediction over available data, results in a fast and accurate orbital position predictor. The comparison between the output of our proposed method, SPG4 (Simplified General Perturbation version 4) propagator and real orbital position of a given satellite, shows the effectiveness of this algorithm.