0
0

دانلود تحقیق پیش بینی موقعیت مداری ماهواره با استفاده از سری های زمانی و شبکه های عصبی

675 بازدید

در این گزارش، به معرفی یک دیدگاه نوین در پیشبینی موقعیت مداری ماهواره پرداخته شده است. در این دیدگاه، به منظور پیشبینی موقعیت مداری آینده ماهواره، برخلاف روش­های معمول که در اکثر نرم­افزارهای موجود استفاده می­شوند، از قوانین کپلر بصورت مستقیم استفاده نشده است و بجای آن، از موقعیت­های مداری واقعی پیشین ماهواره بهره گرفته شده است… ادامه این مطلب مفید و ارزشمند را در تحقیق پیش بینی موقعیت مداری ماهواره با استفاده از سری های زمانی و شبکه های عصبی دنبال نمایید. این فایل شامل 47 صفحه و در قالب word ارائه شده است.

تحقیق پیش بینی موقعیت مداری ماهواره با استفاده از سری های زمانی و شبکه های عصبی

 

 

 

مشخصات فایل پیش بینی موقعیت مداری ماهواره با استفاده از سری های زمانی و شبکه های عصبی

عنوان: پیش بینی موقعیت مداری ماهواره با استفاده از سری های زمانی و شبکه های عصبی
فرمت فایل : word (قابل ویرایش)
تعداد صفحات : 47
حجم فایل : 1,49 مگابایت

بخشی از  تحقیق پیش بینی موقعیت مداری ماهواره با استفاده از سری های زمانی و شبکه های عصبی را در ادامه مشاهده خواهید نمود.

مقدمه

پیش­بینی موقعیت مداری ماهواره یکی از ضروری ترین نیازهای هر ایستگاه زمینی است. محاسباتی مانند زمان طلوع و غروب ماهواره در ایستگاه زمینی دریافت، محاسبه زمان و چگونگی پوشش مناطق مورد نظر توسط یک ماهواره خاص، پیش­بینی تقرب [1] و… وابسته به دقت بالای پیش­بینی موقعیت مداری آینده ماهواره دارد. تاکنون تلاش­های زیادی در خصوص پیش­بینی دقیق موقعیت ماهواره صورت گرفته است. مرجع [2] لیست تقریبا جامعی از این روش­ها ارایه کرده است. از مهمترین این روش­ها می­توان به روش­های عمومی مانند SGP4  برای ماهواره­های با پریود مداری کمتر از 225 دقیقه و SDP4 برای ماهواره­های با پریود مداری بیش از 225 دقیقه [3] و روش­های اختصاصی مانند HPOP  [4] و مانند آن اشاره کرد. وجه تمایز عمده این روش­ها در الگوریتم­های محاسباتی و میزان در نظر گرفتن انواع اغتشاشات مداری و استفاده از مدل­هایی با جزئیات متفاوت می­باشد. این موارد باعث تفاوت در خروجی محاسبات و در نتیجه تفاوت دقت در روش­های مختلف شده است. بدیهی است که استفاده از جزئیات بیشتر در پیاده سازی الگوریتم­ها باعث افزایش دقت محاسبات شده و در نتیجه خروجی الگوریتم به داده­های واقعی نزدیکتر خواهد بود…

پارامترهای مداری

حرکت هر جسم در فضا مطابق سه قانون فیزیکی خاصی صورت می­گیرد. این قوانین توسط شخصی به کپلر کشف و به احترام او به قوانین کپلر نامگذاری شد. در این بخش، پس از اشاره مختصیر به قوانین کپلر، پارامترهای مداری و روش­های بیان موقعیت مداری یک جسم در فضا مرور خواهد شد.

قوانین کپلر

پیش از کشف قوانین سه گانه حرکت توسط نیوتن و در قرن 17 میلادی، یوهانس کپلر، ستاره شناس آلمانی، بر اساس رصدهای دقیق اخترشناس دیگری بنام تیکو براهه، قوانین سه گانه حرکت اجسام در فضا را کشف کرد. این قوانین پایه و اساس قوانین مکانیک کلاسیک برای توضیح حرکات سیارات می­باشد [25]…

 

 

فهرست مطالب تحقیق پیش بینی موقعیت مداری ماهواره با استفاده از سری های زمانی و شبکه های عصبی, در ادامه قابل مشاهده می باشد.

 

  • چکیده
  • علائم و اختصارات
  • 1.مقدمه
  • 2.پارامترهای-مداری
  • 2.1.        قوانین کپلر
  • 2.1.1.    قانون اول کپلر
  • 2.1.2.    قانون دوم کپلر
  • 2.1.3     قانون سوم کپلر
  • 2.2.        روشهای بیان موقعیت مداری
  • 2.2.1.    المانهای دوخطی
  • 2.2.2.    بردار حالت
  1. 3. نتیجه­گیری و پیشنهادهایی­برای ادامه-کار
  • 3.1.        SGP4
  1. 4. روش­پیشنهادی
  • 4.1.        شبکه عصبی پیشبینی کننده سری زمانی
  • 4.2.        پیشبینی موقعیت مداری ماهواره
  • 4.3.        پیش پردازش دادهها
  • 4.4.        آموزش شبکه
  • 4.5.        ساختار شبکه­های عصبی
  • 4.6.        شبیه­سازی
  • 4.6.1.    پیشبینی کوتاه مدت
  • 4.6.2.    پیشبینی بلند مدت
  • 5.نتیجه­گیری و پیشنهادهایی­برای ادامه­کار
  1. مراجع

 

 

 

در صورت تمایل شما می توانید تحقیق پیش بینی موقعیت مداری ماهواره با استفاده از سری های زمانی و شبکه های عصبی را به قیمت 12900 تومان از سایت فراپروژه دانلود نمایید. اگر در هر کدام از مراحل خرید یا دانلود با سوال یا ابهامی مواجه شدید می توانید از طریق آدرس contact-us@faraproje.ir و یا ارسال پیامک به شماره: ۰۹۳۹۷۳۶۶۱۴۶ با ما در تماس باشید. با اطمینان از وب سایت فراپروژه خرید کنید، زیرا پشتیبانی سایت همیشه همراه شماست.

آیا این مطلب را می پسندید؟
http://faraproje.ir/?p=2685
اشتراک گذاری:
فراپروژه
مطالب بیشتر
برچسب ها:

نظرات

0 نظر در مورد دانلود تحقیق پیش بینی موقعیت مداری ماهواره با استفاده از سری های زمانی و شبکه های عصبی

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

هیچ دیدگاهی نوشته نشده است.