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

در این مقاله هدف ارائه دیدگاه متفاوتی در مبحث پیش‌بینی موقعیت مداری ماهواره است. دیدگاه روش‌های فعلی دیدگاه جزئی‌نگر است که عوامل موثر را به‌صورت مجزا به محاسبات اعمال می‌کند. این روش‌ها مبتنی‌بر معادله 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 غیر مستقیم و ضمنی معادله 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 محاسبه 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.

Satellite Orbit Prediction Through Observation Data and the Artificial Neural Networks

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 orbitalperturbations such as the Earth’s oblateness, atmospheric drag, thirdbody perturbationand the solarradiation pressure. All these perturbations are modeled and are includedseparately in the equation. However, this paper offers a new view of the prediction whichsuggests the use of artificial neural networks and observation data. The advantage of thismethod is based on the usage of observation data, so that all disturbances are taken intoaccount and there is no need to use perturbation models. For this reason, the use of theTLE as the most reachable actual data is considered. Comparison of the output of thismethod with actual data shows the accuracy of the proposed method which is very high.