Μελέτη της επίδρασης διαφόρων παραμέτρων για την πρόβλεψη της ιονοσφαιρικής δραστηριότητας κάνοντας χρήση μοντέλων μηχανικής μάθησης και μετρήσεις Gnss

Σακελλαρίου, Δημήτριος; Sakellariou, Dimitrios

dc.contributor.author	Σακελλαρίου, Δημήτριος	el
dc.contributor.author	Sakellariou, Dimitrios	en
dc.date.accessioned	2022-09-01T09:49:20Z
dc.date.available	2022-09-01T09:49:20Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55576
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23274
dc.rights	Default License
dc.subject	Παγκόσμιο δορυφορικό σύστημα πλοήγησης	el
dc.subject	Ιονοσφαιρική καθυστέρηση	el
dc.subject	Επαναλαμβανόμενο νευρωνικό δίκτυο	el
dc.subject	Νευρώνες μακράς-βραχείας διάρκειας μνήμης	el
dc.subject	Συνολικός αριθμός ηλεκτρονίων ιονόσφαιρας	el
dc.subject	Gnss	en
dc.subject	Ionospheric delay	en
dc.subject	Rnn	en
dc.subject	Lstm	en
dc.subject	Tec	en
dc.title	Μελέτη της επίδρασης διαφόρων παραμέτρων για την πρόβλεψη της ιονοσφαιρικής δραστηριότητας κάνοντας χρήση μοντέλων μηχανικής μάθησης και μετρήσεις Gnss	el
dc.title	Study of the effect of various parameters for the prediction of ionospheric activity using machine learning models and Gnss measurements	en
heal.type	bachelorThesis
heal.classification	Γεωπληροφορική	el
heal.classification	Geoinformatics	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-03-09
heal.abstract	Η αναγκαιότητα πρόβλεψης της ιονοσφαιρικής δραστηριότητας αποτελεί μείζον θέμα για τις μετρήσεις προσδιορισμού θέσης . Η καθυστέρηση της ιονόσφαιρας είναι ανάλογη με το συνολικό αριθμό ηλεκτρονίων της ιονόσφαιρας (TEC) κατά μήκος της διαδρομής διάδοσης, και αντιστρόφως ανάλογη του τετραγώνου της συχνότητας f του φορέα (L1 ή L2) . Οι τιμές TEC (Total Electron Content) είναι απαραίτητες για τη διόρθωση της διάθλασης της ιονόσφαιρας και είναι ζωτικής σημασίας για τα συστήματα δορυφορικής πλοήγησης, προκειμένου να διασφαλιστεί η υψηλή απόδοση των δορυφορικών συστημάτων στον εντοπισμό θέσης. Με το παρόν, προτείνουμε μια προσέγγιση βασισμένη στη βαθιά μάθηση για μοντελοποίηση ιονόσφαιρας. Αυτή η μέθοδος εκμεταλλεύεται τα πλεονεκτήματα των επαναλαμβανόμενων νευρωνικών δικτύων μακροπρόθεσμης βραχυπρόθεσμης μνήμης (RNN-LSTM) για την πρόβλεψη των τιμών κατακόρυφης συνολικής περιεκτικότητας ηλεκτρονίων (VTEC) και λοξής (πλάγιας) συνολικής περιεκτικότητας ηλεκτρονίων (STEC), με δεδομένα εισόδου συνδυασμό γεωμαγνητικών και ηλιακών παραμέτρων επιρροής της ιονόσφαιρας. Ο σκοπός της προτεινόμενης μεθόδου είναι να συγκρίνει και να αξιολογήσει την εκτίμηση ιονοσφαιρκής καθυστέρησης με διαφορετικό κάθε φορά συνδυασμό δεδομένων εισόδου (παραμέτρους). Αυτό θα οδηγήσει στην κατανόηση και στην διαλογή των σημαντικότερων παραμέτρων (με το μεγαλύτερο βάρος) με σκοπό τον προσδιορισμό της ιονόσφαιρας. Για τον προσδιορισμό της καλύτερης μεθοδολογίας χρησιμοποιήθηκαν οι συναρτήσεις απώλειας Μέσου Τετράγωνικού Σφάλματος (ΜSE) και Μέσου Απόλυτου Σφάλματος (ΜΑΕ).	el
heal.abstract	The need to predict ionospheric activity is a major issue for positioning measurements. The ionosphere delay is proportional to the number of ionosphere electrons (TEC) along the propagation path, and inversely proportional to the square of the carrier frequency f (L1 or L2). TEC values are necessary for the correction of ionosphere refraction and are vital for satellite navigation systems in order to ensure the high performance of satellite systems at the location. We now propose an in-depth learning-based approach to ionosphere modeling. This method takes advantage of repetitive long-term short-term memory (RNN-LSTM) neural networks for predicting vertical total electron content (VTEC) and STEC values, with a combination of geomagnetic and solar erythrocytes. The purpose of the proposed method is to compare and evaluate the ionospheric delay estimation with a different combination of input data (parameters). This will lead to the understanding and sorting of the most important parameters (with the greatest weight) in order to determine the ionosphere. The Squared Mean Error (MSE) and Absolute Mean (MAE) loss functions were used to determine the best methodology.	en
heal.advisorName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Τσακίρη, Μαρία	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	304 σ.	el
heal.fullTextAvailability	false