近日,由我院硕士生黄文斌和唐瑞作为第一和二作者撰写的论文——"An XGBoost-Based Method for Improved Orbit Prediction with an Orbit-Separate Modeling Strategy",经过近十个月的审稿,被航空航天工程领域国际顶级期刊《IEEE Transactions on Aerospace and Electronic Systems》(TAES)正式录用。该论文通过引入集成学习模型XGBoost,并采用分离轨道建模策略应对不同卫星轨道的物理模型和摄动力差异,克服了传统扩展卡尔曼滤波方法在预测阶段因观测数据不可获得而受限的问题,在真实星链轨道数据集上取得了良好的实验效果。这是我院师生采用人工智能方法进行卫星轨道预测的一次成功尝试。该研究与美国Oakland大学合作完成,我院副教授张锋老师是该文的通讯作者。
图:集成学习赋能的扩展卡尔曼滤波的卫星轨道预测过程
TAES创刊已逾70年,是航空航天工程领域国际顶级期刊,享有盛誉。是JCR该领域一区期刊,并被列入自动化学会(CAA)、中国科协的相关专业领域A类期刊指导目录。
论文信息:
Title:An XGBoost-Based Method for Improved Orbit Prediction with an Orbit-Separate Modeling Strategy
Authors: Wenbin Huang, Rui Tang, Guangzhi Qu, Feng Zhang*
Source: IEEE Transactions on Aerospace and Electronic Systems
DOI: DOI: 10.1109/TAES.2024.3383430
通讯员:孙琨
审核:曾德泽
校对:石剑峰