Magyar
Toggle navigation
Tudóstér
Magyar
Tudóstér
Keresés
Egyszerű keresés
Összetett keresés
CCL keresés
Egyszerű keresés
Összetett keresés
CCL keresés
Böngészés
Saját polc tartalma
(
0
)
Korábbi keresések
CCL parancs
CCL
Összesen 1 találat.
#/oldal:
12
36
60
120
Rövid
Hosszú
MARC
Részletezés:
Rendezés:
Szerző növekvő
Szerző csökkenő
Cím növekvő
Cím csökkenő
Dátum növekvő
Dátum csökkenő
1.
001-es BibID:
BIBFORM092439
035-os BibID:
(WoS)000631194900001 (Scopus)85102656412
Első szerző:
Aldabbas, Ashraf Khaled Abd Elkareem (informatikus)
Cím:
Deep Learning-Based Approach for Detecting Trajectory Modifications of Cassini-Huygens Spacecraft / Ashraf Aldabbas, Zoltan Gal, Khawaja Moyeezullah Ghori, Muhammad Imran, Muhammad Shoaib
Dátum:
2021
ISSN:
2169-3536
Megjegyzések:
There were necessary trajectory modifications of Cassini spacecraft during its last 14 years movement cycle of the interplanetary research project. In the scale 1.3 hour of signal propagation time and 1.4-billion-kilometer size of Earth-Cassini channel, complex event detection in the orbit modifications requires special investigation and analysis of the collected big data. The technologies for space exploration warrant a high standard of nuanced and detailed research. The Cassini mission has accumulated quite huge volumes of science records. This generated a curiosity derives mainly from a need to use machine learning to analyze deep space missions. For energy saving considerations, the communication between the Earth and Cassini was executed in non-periodic mode. This paper provides a sophisticated in-depth learning approach for detecting Cassini spacecraft trajectory modifications in post-processing mode. The proposed model utilizes the ability of Long Short Term Memory (LSTM) neural networks for drawing out useful data and learning the time series inner data pattern, along with the forcefulness of LSTM layers for distinguishing dependencies among the long-short term. Our research study exploited the statistical rates, Matthews correlation coefficient, and F1 score to evaluate our models. We carried out multiple tests and evaluated the provided approach against several advanced models. The preparatory analysis showed that exploiting the LSTM layer provides a notable boost in rising the detection process performance. The proposed model achieved a number of 232 trajectory modification detections with 99.98% accuracy among the last 13.35 years of the Cassini spacecraft life.
Tárgyszavak:
Műszaki tudományok
Informatikai tudományok
idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Cassini-Huygens interplanetary project
complex event
sensory data
big data
neural network
pattern processing
knowledge representation
Megjelenés:
IEEE Access. - 9 (2021), p. 39111-39125. -
További szerzők:
Gál Zoltán (1966-) (informatikus)
Ghori, Khawaja Moyeezullah (1982-) (informatikus)
Imran, Muhammad (1981-) (informatikus)
Shoaib Muhammad (1971-) (mérnök, informatikus)
Pályázati támogatás:
FIKP-20428-3/2018/FEKUTSTRAT
FIKP
Internet cím:
Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:
Rekordok letöltése
1
Corvina könyvtári katalógus v8.2.27
© 2023
Monguz kft.
Minden jog fenntartva.