كنترل نگرش تطبيقي فضاپيما بدون اندازه گيري سرعت با استفاده از شبكه عصبي

Adaptive attitude control of spacecraft without velocity measurement using neural network

محاسبه ميزان كنترل نگرش تطبيقي فضاپيما و راه هاي پيشبيني روند كنترل تطبيقي فضاپيما ، يكي از چالشهاي جدي براي فعالان اين حوزه است. تاكنون روش هاي گوناگوني براي پاسخگويي به اين مسئله ارائه شده كه از آن جمله استفاده از هوش مصنوعي و الگوريتم هاي مبتني بر آن است. در اين پژوهش از داده هاي تجربي مربوط به كنترل نگرش تطبيقي فضاپيما در راستاي توسعه يك مدل نوين مبتني بر شبكه عصبي استفاده شده است تا بدين وسيله ميزان كنترل نگرش تطبيقي فضاپيما پيشبيني شود. در اين راستا، به دليل ظرفيت بالاي شبكه عصبي از نوع يادگيري عميق از اين ساختار با استفاده از داده هاي واقعي به عنوان ورودي، بهره گرفته شده است. در نهايت، به منظور بررسي كارايي مدل حاصل از شبكه عصبي، نتايج با نمونه واقعي مورد مقايسه قرار گرفته اند . براساس نتايج بدست آمده از اعتبارسنجي شبكه عصبي پيشنهادي به وسيله مقايسه آن با داده هاي تجربي، پيشبيني كنترل تطبيقي ، بررسي روند ميزان كنترل تطبيقي و تحليل چگونگي كنترل نگرش تطبيقي فضاپيما به نحو مطلوبي صورت گرفته است. پيشبيني روند افزايش بازده نگرش تطبيقي با درصد خطاي پايين (بازه 0/69-1) براي رگرسيون در قياس با نمونه تجربي، بيانگر انطباق كافي مدل پيشنهادي با مدل واقعي و كارايي شبكه است .

Calculating the amount of adaptive attitude control of spacecraft and ways of predicting the process of adaptive control of spacecraft is one of the serious challenges for activists in this field. So far, various methods have been presented to answer this problem, including the use of artificial intelligence and algorithms based on it. In this research, the experimental data related to the adaptive attitude control of the spacecraft have been used to develop a new model based on the neural network to predict the amount of the adaptive attitude control of the spacecraft. In this regard, due to the high capacity of deep learning neural networks [1], this structure has been used using real data as input. Finally, to check the efficiency of the neural network model, the results have been compared with the real sample. Based on the results obtained from the validation of the proposed neural network by comparing it with experimental data, prediction of adaptive control, investigation of the trend of adaptive control, and analysis of how to control the adaptive attitude of the spacecraft have been done favorably. The prediction of the increase in efficiency of the adaptive attitude with a low error percentage (range 1-0.96) for regression in comparison with the experimental sample, indicates the sufficient compliance of the proposed model with the real model and the efficiency of the network.