УДК: 
DOI: 
10.22389/0016-7126-2024-1007-5-11-23
1 Нейман Ю.М.
2 Сугаипова Л.С.
Год: 
№: 
1007
Страницы: 
11-23

Роскадастр, ППК

1, 
2, 
Аннотация:
В статье рассмотрены возможности использования искусственных нейронных сетей (нейросетей) для аппроксимации и экстраполяции орбит спутников ГНСС. Численные эксперименты выполнены с помощью радиально-базисных нейросетей, поскольку они сравнительно быстро обучаются и удобны при работе с небольшим объемом данных. Результаты показали, что радиально-базисные нейросети успешно справляются как с интерполяцией, так и с прогнозированием (экстраполяцией) орбит спутников на короткие промежутки времени и имеют заметные преимущества по сравнению с традиционно используемыми полиномиальными методами как по достигаемой точности, так и по скорости вычислений. В частности, имеется возможность использования единой нейросети для интерполяции (экстраполяции) всех компонент местоположения, тогда как при стандартном подходе требуется отдельный многочлен для каждой координаты спутника
Исследование выполнено в рамках Федерального проекта «Поддержание, развитие и использование системы ГЛОНАСС» Государственной программы Российской Федерации «Космическая деятельность России» на 2021–2030 гг., регистрационный номер ЕГИСУ № 1210806000081-5

Список литературы: 
1.   Пустошилов А. С., Ушаков Ю. Ю., Царев С. П. Двухточечная свободная нелинейная интерполяция координат и скоростей навигационных спутников по SP3-данным // Успехи современной радиоэлектроники. – 2018. – № 12. – С. 151–155.
2.   Пустошилов А. С., Царев С. П. Высокоточное восстановление орбит спутников ГНСС методом обучения по расширенным SP3-данным // Успехи современной радиоэлектроники. – 2017. – № 12. – С. 48–52.
3.   Feng Y., Zheng Y. (2005) Efficient interpolations to GPS orbits for precise wide area applications // GPS Solutions. 9 (4), pp. 273–282. DOI: 10.1007/s10291-005-0133-y.
4.   Gou J., Rösch C., Shehaj E., Chen K., Shahvandi M. K., Soja B., Rothacher M. (2023) Modeling the differences between ultra-rapid and final orbit products of GPS satellites using Machine-Learning Approaches // Remote Sensing. 15 (23): 5585, DOI: 10.3390/rs15235585.
5.   Horemuz M., Andersson J. V. (2006) Polynomial interpolation of GPS satellite coordinates // GPS Solutions. 10 (1), pp. 67–72. DOI: 10.1007/s10291-005-0018-0.
6.   Preseren P. –., Stopar B. (2009) GPS orbit approximation using radial basis function networks // Computers and Geosciences. 35 (7), pp. 1389–1396. DOI: 10.1016/j.cageo.2008.02.038.
7.   Schenewerk M. (2003) A brief of basic GPS orbit interpolation strategies // GPS Solutions. 6 (4), pp. 265–267. DOI: 10.1007/s10291-002-0036-0.
8.   Yousif H., El-Rabbany A. (2007) Assessment of several interpolation methods for precise GPS orbit // The Journal of Navigation. 60 (3), pp. 443–455. DOI: 10.1017/S0373463307004250.
Образец цитирования:
Нейман Ю.М., 
Сугаипова Л.С., 
Аппроксимация орбит спутников ГНСС с помощью искусственных нейронных сетей // Геодезия и картография. – 2024. – № 5. – С. 11-23. DOI: 10.22389/0016-7126-2024-1007-5-11-23
СТАТЬЯ
Поступила в редакцию: 08.02.2024
Принята к публикации: 31.05.2024
Опубликована: 20.06.2024

Содержание номера

2024 май DOI:
10.22389/0016-7126-2024-1007-5