А.В. Ксендзук1, А.В. Семин2, М.К. Мелкумян3

1,2 МИРЭА – Российский технологический университет (Москва, Россия)
3 Публичное акционерное общество «Межгосударственная акционерная корпорация «Вымпел» (Москва, Россия)
1–3 sinritzen@yandex.ru

Постановка проблемы. Исследуется эффективность применения нейросетевых моделей для прогнозирования координат космических аппаратов на основе данных в формате TLE (Two-Line Element Set). Основное внимание уделяется сравнению точности прогноза траектории космических аппаратов с фактическими данными, где для оценки качества используется метрика расстояния между истинной и предсказанной траекториями аппарата. Рассматриваются два подхода – нейросетевое прогнозирование и прогнозирование с помощью модели SGP-4 с учётом специфики орбитальных данных.

Цель. Разработка и оценка методов прогнозирования координат космических аппаратов с использованием нейросетевой модели.

Результаты. Выявлены основные ограничения традиционных методов прогнозирования, таких как модель SGP4. Разработаны и протестированы нейросетевые модели, показывающие улучшенные результаты по сравнению с классическими методами. Показана способность рекуррентных нейронных сетей адаптироваться к изменениям в параметрах орбит и возмущений, что позволяет повышать точность среднесрочных и долгосрочных прогнозов.

Практическая значимость. Разработанные методы могут быть использованы для более точного прогнозирования координат КА, что важно для безопасности космических миссий. Исследование способствуют внедрению передовых технологий машинного обучения в область навигационных систем и космонавтики, что может привести к созданию новых стандартов в прогнозировании и мониторинге космических объектов.

Ксендзук А.В., Семин А.В., Мелкумян М.К. Прогноз координат космических аппаратов с использованием нейросетей // Успехи современной радиоэлектроники. 2025. T. 79. № 5. С. 101–109. DOI: https://doi.org/10.18127/j20700784-202505-12

1. ПАО «МАК «Вымпел»: официальный сайт. URL: https://macvympel.ru/projects/skkp/ (дата обращения 05.09.2024).
2. AO «ЦНИИмаш»: официальный сайт. URL: https://tsniimash.ru/science/scientific-and-technical-centers/flight-control-center-fcc/security-in-space/index.php?sphrase_id=30569 (дата обращения 05.09.2024).
3. Шилин В., Олейников И. Область контроля – околоземное пространство. Проблемы и перспективы развития системы контроля космического пространства // Воздушно-космическая оборона. URL: http://www.vko.ru/koncepcii/oblast-kontrolya-okolozemnoe-prostranstvo (дата обращения 05.09.2024).
4. Hochreiter S., & Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. 9(8). 1735–1780. Основы и применение LSTM для обработки временных рядов.
5. LeCun Y., Bengio Y., & Hinton G. Deep Learning // Nature. 2015. 521(7553). 436–444. Обзор современных достижений в области глубокого обучения.
6. Vallado D.A. Fundamentals of Astrodynamics and Applications: Space Technology Library. 2001. Классическое руководство, описывающее основы орбитальной механики и модель SGP4.
7. Goh K., & Khan M. Satellite Tracking Using Neural Networks: A Review // Journal of Aerospace Information Systems. 2022. 19(3). 211–229. Обзор применения нейронных сетей для отслеживания спутников.
8. Wang T., & Kuan D. Neural Networks for Spacecraft Orbit Determination and Prediction // Journal of Spacecraft and Rockets. 2019. 56(4). 958–967. Применение нейросетей для определения и прогнозирования орбит космических аппаратов.
9. PostgreSQL: официальный сайт. URL:  https://www.postgresql.org/docs/current/ (дата обращения: 05.09.2024).
10. Cubukcu, Umur & Erdogan, Ozgun & Pathak, Sumedh & Sannakkayala, Sudhakar & Slot, Marco. (2021). Citus: Distributed PostgreSQL for Data-Intensive Applications. 2490-2502. 10.1145/3448016.3457551.
11. Иванов Ю.П. Комплексирование информационно-измерительных устройств летательных аппаратов: Учеб. пособие для вузов / Под ред. В.А. Боднера. Л.: Машиностроение. 1984. 207 с.