📄Работа №185696
Тема: ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ РЕШЕНИЯ ЗАДАЧ АСТЕРОИДНОЙ ДИНАМИКИ
Тип работы
Дипломные работы, ВКР
Предмет
информационные системы
Объем:
41 листов
Год:
2021
Просмотров:
52
4800
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Реферат
ВВЕДЕНИЕ 3
Глава 1. Орбитальный резонанс 5
1.1 Понятие орбитального резонанса 5
1.2 Геометрия резонанса 5
1.3 Резонансный аргумент 10
Глава 2. Машинное обучение 12
2.1 Общее понятие машинного обучения 12
2.2 Основные виды машинного обучения 12
2.3 Описание используемых методов машинного обучения 13
2.3.1 Искусственные нейронные сети 13
2.3.2 Автокодировщики 15
2.3.3 K-means 16
2.3.4 HDBSCAN 17
Глава 3. Программно-алгоритмическое обеспечение 20
3.1 Описание программно-алгоритмического обеспечения 20
3.2 Произведенные модификации 21
Глава 4. Результаты 24
4.1 Уменьшение размерности 24
4.2 Кластеризация 29
4.3 Классификация 33
ЗАКЛЮЧЕНИЕ 36
ЛИТЕРАТУРА 37
ВВЕДЕНИЕ 3
Глава 1. Орбитальный резонанс 5
1.1 Понятие орбитального резонанса 5
1.2 Геометрия резонанса 5
1.3 Резонансный аргумент 10
Глава 2. Машинное обучение 12
2.1 Общее понятие машинного обучения 12
2.2 Основные виды машинного обучения 12
2.3 Описание используемых методов машинного обучения 13
2.3.1 Искусственные нейронные сети 13
2.3.2 Автокодировщики 15
2.3.3 K-means 16
2.3.4 HDBSCAN 17
Глава 3. Программно-алгоритмическое обеспечение 20
3.1 Описание программно-алгоритмического обеспечения 20
3.2 Произведенные модификации 21
Глава 4. Результаты 24
4.1 Уменьшение размерности 24
4.2 Кластеризация 29
4.3 Классификация 33
ЗАКЛЮЧЕНИЕ 36
ЛИТЕРАТУРА 37
📖 Введение
Научный интерес к исследованию астероидной динамики, в частности динамики астероидов, сближающихся с Землей (АСЗ), обусловлен рядом причин, одной из которых является опасность их столкновения с Землей. На сегодняшний день выявление потенциально опасных для Земли астероидов и исследование эволюции их орбит является важной и актуальной задачей, поскольку на крайне высоких скоростях падение даже небольшого небесного тела может привести как к региональной, так и к глобальной катастрофе.
Необходимо также отметить, что в изучении динамики АСЗ большую роль играет исследование орбитальных резонансов с планетами, так как они оказывают значительное влияние на движение исследуемых объектов. Способствуя поддержанию геометрической конфигурации «астероид-планета», устойчивый резонанс является своего рода механизмом для защиты астероида от сближения с соответствующей планетой, в то время как неустойчивый резонанс приводит к регулярным сближениям и к хаотичности движения. Таким образом, неустойчивые орбитальные резонансы могут вызывать тесные и многократные сближения АСЗ с большими планетами, что в свою очередь приводит к существенным изменениям параметров орбит астероидов и увеличивает вероятность столкновений с планетами [1].
Одной из основных проблем классификации орбит астероидов по типу резонансных соотношений является необходимость обработки большого объема данных, что в настоящее время осуществляется вручную. Данный процесс является очень трудоемким для человека и требует больших затрат времени, в связи с чем остро стоит задача автоматизации ручного труда путем использования методов численного моделирования и машинного анализа данных. Ранее использование методов машинного обучения для решения аналогичной задачи применялось только в отношении динамики искусственных спутников Земли [2].
Цель настоящей бакалаврской работы заключается в том, чтобы адаптировать программно-алгоритмическое обеспечение, предназначенное для разделения резонансного и нерезонансного движения спутников, к решению задач астероидной динамики.
Для достижения поставленной цели в бакалаврской работе решаются следующие задачи:
1) знакомство с литературой по динамике резонансных астероидов;
2) знакомство с программно-алгоритмическим обеспечением, позволяющим разделять резонансное и нерезонансное движение спутников;
3) адаптация программно-алгоритмического обеспечения к решению задач астероидной динамики;
4) подбор параметров модели для эффективного разделения резонансного и нерезонансного движения астероидов;
5) применение различных методов машинного обучения для решения задач астероидной динамики.
Необходимо также отметить, что в изучении динамики АСЗ большую роль играет исследование орбитальных резонансов с планетами, так как они оказывают значительное влияние на движение исследуемых объектов. Способствуя поддержанию геометрической конфигурации «астероид-планета», устойчивый резонанс является своего рода механизмом для защиты астероида от сближения с соответствующей планетой, в то время как неустойчивый резонанс приводит к регулярным сближениям и к хаотичности движения. Таким образом, неустойчивые орбитальные резонансы могут вызывать тесные и многократные сближения АСЗ с большими планетами, что в свою очередь приводит к существенным изменениям параметров орбит астероидов и увеличивает вероятность столкновений с планетами [1].
Одной из основных проблем классификации орбит астероидов по типу резонансных соотношений является необходимость обработки большого объема данных, что в настоящее время осуществляется вручную. Данный процесс является очень трудоемким для человека и требует больших затрат времени, в связи с чем остро стоит задача автоматизации ручного труда путем использования методов численного моделирования и машинного анализа данных. Ранее использование методов машинного обучения для решения аналогичной задачи применялось только в отношении динамики искусственных спутников Земли [2].
Цель настоящей бакалаврской работы заключается в том, чтобы адаптировать программно-алгоритмическое обеспечение, предназначенное для разделения резонансного и нерезонансного движения спутников, к решению задач астероидной динамики.
Для достижения поставленной цели в бакалаврской работе решаются следующие задачи:
1) знакомство с литературой по динамике резонансных астероидов;
2) знакомство с программно-алгоритмическим обеспечением, позволяющим разделять резонансное и нерезонансное движение спутников;
3) адаптация программно-алгоритмического обеспечения к решению задач астероидной динамики;
4) подбор параметров модели для эффективного разделения резонансного и нерезонансного движения астероидов;
5) применение различных методов машинного обучения для решения задач астероидной динамики.
✅ Заключение
В данной бакалаврской работе выполнена адаптация программно-алгоритмического обеспечения, предназначенного для разделения резонансного и нерезонансного движения спутников, к решению задач астероидной динамики. Проведено несколько экспериментов с использованием автокодировщика, направленных на уменьшение размерности временных рядов критических аргументов астероидов. Эксперимент с размерностью равной 24 показал наименьшую ошибку при сравнении исходного и восстановленного рядов. Кроме того, проведена кластеризация временных рядов методами k-means и HDBSCAN для различных их параметров. HDBSCAN продемонстрировал лучшие результаты, поэтому на основе определенных им кластеров проводилась разметка скрытых представлений временных рядов для последующего обучения ИНС-классификатора. Обученная ИНС-классификатор определяет класс объекта посредством присвоения ему числа в диапазоне от 0 до 1, которое отражает вероятность наличия устойчивого резонанса. На данный момент возможна только зрительная оценка корректности работы классификатора, которая осуществляется просмотром графиков временных рядов. По итогам такой оценки сделан вывод, что большая часть временных рядов классифицирована удачно, однако в некоторых случаях наблюдается неточность классификации. В основном классификатор ошибается в случае предельной либрации и в смешанном случае, когда предельная либрация переходит в циркуляцию.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.