×

Вы используете устаревший браузер Internet Explorer. Некоторые функции сайта им не поддерживаются.

Рекомендуем установить один из следующих браузеров: Firefox, Opera или Chrome.

Контактная информация

+7-863-218-40-00 доб.200-80
ivdon3@bk.ru

  • Метод отслеживания звездной карты датчиком без звездной библиотеки на основе алгоритма цепочки угловых расстояний

    • Аннотация
    • pdf

    В данной статье предлагается метод отслеживания звездного датчика без звездной библиотеки на основе алгоритма цепочки угловых расстояний, направленный на решение проблемы, заключающейся в том, что традиционные звездные датчики полагаются на фиксированную звездную библиотеку и должны быть настроены на работу с несколькими устройствами в режиме отслеживания. Этот метод обеспечивает сопоставление звездной карты путем динамической генерации цепочек угловых расстояний, избегая зависимости от глобальной библиотеки звезд. Эксперименты показывают, что время распознавания алгоритма в режиме отслеживания сокращается до миллисекунд, а максимальная ошибка определения позы не превышает 0,035°, что подтверждает его эффективность и надежность. Исследование обеспечивает ключевую техническую поддержку для разработки недорогих и легких звездных датчиков, которые подходят для таких сценариев, как исследование дальнего космоса и околоземных спутниковых скоплений.

    Ключевые слова: алгоритм цепочки угловых расстояний, звездный датчик без звездной библиотеки, распознавание звездной карты, режим отслеживания, ориентация, динамическое сопоставление, исследование дальнего космоса

    1.3.1 - Физика космоса, астрономия , 2.3.1 - Системный анализ, управление и обработка информации

  • Машинное обучение прогнозных моделей на несбалансировнных данных по опасным астероидам

    • Аннотация
    • pdf

    Анализируется набор данных по потенциально опасным для Земли астероидам. С помощью моделей машинного обучения астероиды из базы классифицируются на опасные и неопасные. Используются методы логистической регрессии, k-ближайших соседей; дерева решений и другие. С помощью перекрестной проверки находится наилучший метод, затем определяются его оптимальные гиперпараметры. Качество работы модели-классификатора оценивается по метрикам полноты и ее стандартного отклонения, а также с помощью матрицы ошибок и средней абсолютной ошибки в процентах. Приведены результаты анализа и моделирования в Python, демонстрирующие высокую точность прогнозирования полученной модели.

    Ключевые слова: машинное обучение, прогнозная модель, анализ данных, несбалансированные данные, логистическая регрессия, метод k-ближайших соседей, дерево решений, случайный лес, метод опорных векторов, перекрестная проверка

    1.2.2 - Математическое моделирование, численные методы и комплексы программ , 1.3.1 - Физика космоса, астрономия