.png){kind=icon}
返回
BiLSTM-Driven Error Compensation for High-Precision Orbit Prediction with Two-Line Elements
.png){kind=icon}
OA
AI
DOI：10.34133/space.0592.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着近地轨道空间物体的快速增加，精确的轨道预测（OP）对于卫星安全与空间环境管理变得至关重要。传统的基于物理的OP方法，尤其是依赖公开可用两行轨道根数（TLE）数据的方法，常因复杂的轨道摄动而难以保证精度。然而，长期、大规模的TLE数据集的出现使得分析潜在的轨道误差模式成为可能。本研究提出了一种仅基于TLE数据的高精度OP误差补偿方法。采用双向长短期记忆（BiLSTM）神经网络来建模时变轨道误差趋势，并校正基于TLE/简化的广义摄动模型4的预测。对340个近地轨道物体的实验表明，BiLSTM框架有效捕捉了时间误差模式，实现了平均精度提升82%，且在所有目标上的补偿有效性超过94%。为评估模型的鲁棒性，考察了训练样本大小和采样间隔的影响，发现适当的数据配置显著影响补偿性能。与其他深度学习模型（循环神经网络、门控循环单元、长短期记忆网络和卷积神经网络）的比较分析进一步证实了BiLSTM在拟合和校正方面的优越能力。本研究突显了BiLSTM网络在提升基于TLE的OP精度与可靠性的潜力，为改善空间态势感知提供了有价值的途径。
期刊
S
IF:
6.8
论文数:
272
被引数:
797
机构
引用论文
.png){kind=icon}
分享收藏Gas-surface interactions modelling influence on satellite aerodynamics and thermosphere mass density气体-表面相互作用模拟对卫星空气动力学和热层质量密度的影响OAAI
OAAI分享收藏分享收藏
查看更多内容