Система аналізу та прогнозування орбітальних параметрів супутників із використанням машинного навчання

Скорочена інформація про документ
dc.contributor.advisorМіночкін, Дмитро Анатолійович
dc.contributor.authorБражник, Богдан Олександрович
dc.date.accessioned2026-02-09T14:26:13Z
dc.date.available2026-02-09T14:26:13Z
dc.date.issued2025
dc.description.abstractОбсяг роботи: 86 сторінок, включаючи 8 рисунків, 19 таблиць, 2 додатки, використано 15 джерел за переліком посилань. Сучасна космічна галузь потребує високоточних рішень для моніторингу та прогнозування орбітальних параметрів супутників, що забезпечують безпеку навколоземного простору та ефективність телекомунікаційних систем. Використання машинного навчання дозволяє адаптуватися до змін у траєкторії руху супутників, підвищуючи точність короткострокових прогнозів. Дослідження відповідає пріоритетам цифровізації космічної інфраструктури, передбаченим міжнародними програмами. Розкриття сутності та стану розв’язання проблеми. Наукова проблема прогнозування орбітальних параметрів супутників залишається актуальною через обмеження класичних моделей, таких як SGP4, у довгостроковому прогнозуванні. Дослідження зосереджене на створенні інтелектуальної системи, що поєднує класичні аналітичні моделі з алгоритмами машинного навчання для побудови адаптивних прогнозів на основі TLE-даних. Мета: Розробити систему для аналізу та прогнозування орбітальних параметрів супутників із використанням машинного навчання та засобів візуалізації. Завдання: 1. Аналіз існуючих моделей прогнозування орбіт супутників. 2. Розробка архітектури інтелектуальної системи прогнозування. 3. Реалізація модулів збору, обробки та нормалізації TLE-даних. 4. Побудова та навчання LSTM-моделі для прогнозування орбітальних параметрів. 5. Створення веб-застосунку з підтримкою 3D-візуалізації траєкторій. 6. Порівняння точності ML-прогнозу з класичною моделлю SGP4. 7. Формулювання рекомендацій щодо вдосконалення системи. Об’єкт дослідження: Орбітальний рух штучних супутників Землі. Предмет дослідження: Методи прогнозування та візуалізації орбітальних параметрів на основі TLE-даних із використанням машинного навчання. Методи дослідження: Застосовано методи аналізу часових рядів, комп’ютерного моделювання, машинного навчання (LSTM), порівняльного аналізу, візуалізації даних. Наукова новизна одержаних результатів: 1. Розроблено архітектуру системи прогнозування орбітальних параметрів із використанням ML. 2. Реалізовано LSTM-модель, що забезпечує підвищену точність короткострокового прогнозу. 3. Створено веб-застосунок з інтерактивною 3D-візуалізацією траєкторій супутників. Практичне значення одержаних результатів: Розроблена система дозволяє підвищити точність прогнозування орбітальних параметрів, знизити ризики зіткнень у космосі та забезпечити наочне представлення траєкторій супутників. Вона може бути інтегрована в платформи моніторингу космічної інфраструктури та використана в освітніх, наукових і прикладних проєктах.
dc.description.abstractotherVolume of work: 86 pages, including 8 figures, 19 tables, 2 appendices, and 15 references. The modern space industry requires highly accurate solutions for monitoring and predicting satellite orbital parameters to ensure the safety of near-Earth space and the efficiency of telecommunication systems. The use of machine learning enables adaptation to changes in satellite trajectories, improving the accuracy of short-term forecasts. This research aligns with the priorities of space infrastructure digitalization outlined in international programs. Problem statement and current state of research. The scientific problem of predicting satellite orbital parameters remains relevant due to the limitations of classical models such as SGP4 in long-term forecasting. The study focuses on the development of an intelligent system that combines classical analytical models with machine learning algorithms to build adaptive predictions based on TLE data. Objective: To develop a system for analyzing and predicting satellite orbital parameters using machine learning and visualization tools. Tasks: - Analyze existing models of satellite orbit prediction. - Develop the architecture of an intelligent prediction system. - Implement modules for collecting, processing, and normalizing TLE data. - Build and train an LSTM model for predicting orbital parameters. - Create a web application with support for 3D trajectory visualization. - Compare the accuracy of ML-based predictions with the classical SGP4 model. - Formulate recommendations for system improvement. Object of research: Orbital motion of artificial Earth satellites. Subject of research: Methods of predicting and visualizing orbital parameters based on TLE data using machine learning. Research methods: Time series analysis, computer modeling, machine learning (LSTM), comparative analysis, and data visualization. Scientific novelty of the results: - Developed an architecture for an orbital parameter prediction system using ML. - Implemented an LSTM model that provides improved short-term prediction accuracy. - Created a web application with interactive 3D visualization of satellite trajectories. Practical significance of the results: The developed system improves the accuracy of orbital parameter prediction, reduces the risk of collisions in space, and provides clear visualization of satellite trajectories. It can be integrated into space infrastructure monitoring platforms and applied in educational, scientific, and practical projects.
dc.format.extent85 с.
dc.identifier.citationБражник, Б. О. Система аналізу та прогнозування орбітальних параметрів супутників із використанням машинного навчання : магістерська дис. : 172 Електронні комунікації та радіотехніка / Бражник Богдан Олександрович. – Київ, 2025. – 85 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78702
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectсупутники
dc.subjectорбіта
dc.subjectпрогнозування
dc.subjectмашинне навчання
dc.subjectLSTM
dc.subjectTLE
dc.subjectSGP4
dc.subjectвізуалізація
dc.subjectsatellites
dc.subjectorbit
dc.subjectprediction
dc.subjectmachine learning
dc.subjectvisualization
dc.titleСистема аналізу та прогнозування орбітальних параметрів супутників із використанням машинного навчання
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Brazhnyk_magistr.pdf
Розмір:
2.38 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ТК)
Магістерські роботи