메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학위논문
저자정보

김지훈 (연세대학교, 연세대학교 대학원)

지도교수
박상영
발행연도
2022
저작권
연세대학교 논문은 저작권에 의해 보호받습니다.

이용수65

표지
AI에게 요청하기
추천
검색

이 논문의 연구 히스토리 (2)

2022

기계학습을 통한 저궤도 위성의 궤도 예측
김지훈 천문우주학과 2022.01 학위논문

2021

기계학습을 통한 저궤도 위성의 궤도 예측
김지훈 ,  박상영 한국항공우주학회 학술발표회 초록집 2021.11 학술대회자료

초록· 키워드

오류제보하기
본 연구는 저궤도 위성에 대한 궤도를 예측하기 위하여 기계학습 방법을 개발하였다. 개발된 기계학습 방법은 수정분점 궤도 요소(modified equinoctial element)를 포함한 궤도 요소를 학습 요소로 사용하는 새로운 방식을 포함한다. 먼저 위성들의 궤도 정보가 포함된 TLE(Two-Line Element) 데이터를 받아 SGP4(Simplified General Perturbations 4)를 통해 시계열(일정 시간 간격으로 배치된 데이터들의 수열) 궤도 데이터를 생성하였다. 라그랑주 행성 방정식에 대한 분석을 토대로 수정분점 궤도 요소를 포함하는 학습 요소(a,i,f,g,Ω,L)를 설정하였다. 시계열 예측에 맞게 데이터의 형태를 바꾸고, 원활한 기계학습을 위한 전처리 과정을 거쳤다. 그 후 각 학습 요소들의 변화에 따라 LSTM (Long-Short Term Memory) 레이어를 포함하거나 최소 제곱법(least squares)으로 선형 회귀를 하는 학습 모델을 설정하였다. 시행착오법(trial and error)을 통해 정성적으로는 하이퍼 매개 변수(hyper-parameter)들을 바꾸며 손실값(loss) 그래프와 조기 종료(early stopping)를 통해 적합(good fit) 결과를 얻었으며, 정량적으로는 허용 오차를 설정해 평균 제곱근 편차(RMSE, Root Mean Square Error)가 최소가 되는 결과를 얻었다. 이러한 알고리즘으로 훈련된 소프트웨어를 사용하여 세 가지 저궤도 위성의 약 8일 간의 궤도 예측 결과를 얻었으며, 모두 8.2km 오차 이내로 예측되었다. 이 결과는TLE 데이터의 정밀도(약 10km) 내에서 미래의 위성 상태를 예측할 수 있다는 점에 의의가 있으며, 본 연구에서 개발된 알고리즘은 갱신 주기가 긴 TLE 데이터를 대신할 수 있는 방법으로 활용될 수 있다.

목차

그림 차례 iv
표 차례 ix
국문 요약 xi
제 1 장 서론 1
1.1 연구의 배경 1
1.1.1 관련 연구 1 - 간접 예측 2
1.1.2 관련 연구 2 ? 직접 예측 5
1.2 연구의 목적 8
1.3 연구의 내용 및 방법 8
1.4 논문의 개요 9
제 2 장 배경 이론 10
2.1 기계학습(Machine learning) 10
2.2 인공 신경망(Artificial neural network) 10
2.2.1 순방향 신경망(Feed-forward neural network) 11
2.2.2 순환 신경망(Recurrent neural network) 12
2.2.3 과소적합(Underfitting)과 과대적합(Overfitting) 14
2.3 궤도 요소(Orbital element) 18
2.3.1 궤도 요소의 종류 ? 좌표계 18
2.3.2 궤도 요소의 종류 ? 평균(mean)과 접촉(osculating) 21
2.4 저궤도(LEO) 위성의 궤도 요소 분석 22
2.5 시계열 예측(Time series estimation) 28
제 3 장 데이터 생성 29
3.1 TLE(Two-Line Element) 29
3.2 궤도 전파 - SGP4(Simplified General Perturbations 4) 33
제 4 장 기계학습 적용 36
4.1 기계학습 방법 36
4.2 학습 데이터 선정 및 재구성 36
4.3 데이터 전처리(Pre-processing) 과정 37
4.3.1 데이터 크기 조정(Data size modification) 37
4.3.2 데이터 분리(Data splitting) 38
4.3.3 데이터 분할(Data decomposition) 38
4.3.4 데이터 스케일링(Data scaling) 39
4.4 분할 결과 46
4.4.1 ENVISAT 46
4.4.2 HST 50
4.4.3 YAOGAN 20B 54
4.5 데이터 학습 과정 58
4.6 미래 예측 과정 61
4.7 결과 평가 과정 61
제 5 장 궤도 예측 결과 63
5.1 학습 결과 63
5.2 예측 결과 ? 학습 요소 66
5.2.1 ENVISAT 68
5.2.2 HST 70
5.2.3 YAOGAN 20B 72
5.3 예측 결과 ? 일반 궤도 요소 74
5.3.1 ENVISAT 75
5.3.2 HST 77
5.3.3 YAOGAN 20B 79
5.4 예측 결과 ? 위치와 속도 (지구 중심, 위성 중심) 81
5.4.1 ENVISAT 83
5.4.2 HST 87
5.4.3 YAOGAN 20B 91
5.5 예측 결과 ? TLE 비교 95
5.5.1 ENVISAT 96
5.5.2 HST 100
5.5.3 YAOGAN 20B 104
5.6 결과 분석 108
5.6.1 오차 결과 108
5.6.2 타 논문 결과 비교 108
제 6 장 결론 110
6.1 정리 110
6.2 결과 분석 및 추가 연구 111
참고문헌 112
ABSTRACT 116

최근 본 자료

전체보기

댓글(0)

0