در این پژوهش ، استفاده از شبکه های
هوش مصنوعی برای تخمین پارامترهای مداری
ماهواره ها با بهره گیری از مشاهدات زاویه ای مورد بررسی قرار گرفته است . روش های کلاسیک تعیین مدار به مشاهدات طولانی مدت یا اطلاعات دقیق مکانی نیاز دارند که در بسیاری از ایستگاه های زمینی موجود نیست . هدف این پژوهش ، ارائه راهکاری برای تخمین پارامترهای مداری با استفاده از مشاهدات زاویه سمت و ارتفاع و بدون نیاز به اطلاعات مکانی اضافی است . برای این منظور، یک مجموعه داده شامل مدارهای حرکتی بیش از ۱۰۰۰
ماهواره در مدار کوتاه زمین تهیه شده و مشاهدات کمان بلند و کمان کوتاه برای هر
ماهواره شبیه سازی شده است . سپس ، با استفاده از تکنیک های پیش پردازش داده ها، ویژگی های آماری مانند نرخ تغییرات زاویه ای و توابع مثلثاتی برای آموزش مدل
هوش مصنوعی استخراج شده اند. شبکه Catboost مورد استفاده توانسته است با دقت بالای ۹۵ درصد زاویه میل ، نیم قطر اطول و خروج از مرکزیت مدار را تخمین بزند. نتایج نشان می دهند که استفاده از این ویژگی های جدید بهبود قابل توجهی در عملکرد مدل های
هوش مصنوعی ایجاد می کند و فرآیند آموزش را بهینه سازی می کند.