Publicación:
Predicción de órbitas basado en inteligencia artificial para el rastreo y control de satélites

Vista sencilla de ítem
dc.contributor.advisorEspíndola Díaz, Jorge Enrique
dc.contributor.authorPedraza González, Tania Lorena
dc.date.accessioned2025-05-25T05:01:46Z
dc.date.available2025-05-25T05:01:46Z
dc.date.issued2024
dc.descriptionEl rastreo y control de satélites es un proceso crucial en la operación de satélite y puede llevarse a cabo solo si se cuenta datos posicionales precisos del satélite. Este informe propone la implementación de técnicas de inteligencia artificial para realizar la predicción de órbitas satelitales de manera precisa y eficaz. Para lograrlo se desarrollaron una serie de modelos con Redes Neuronales Recurrentes, los cuales a través de una interfaz de usuario desarrollada en Python permiten visualizar la trayectoria orbital. Los modelos a través del procesamiento de datos históricos sobre la posición satelital y con la configuración de la fecha a predecir, permite conocer el instante de tiempo y los parámetros de configuración de las antenas de la estación terrena, que le permitirán establecer una conexión con el satélite. Los modelos de Red Neuronal Recurrente bajo la arquitectura GRU muestran que la implementación de técnicas de inteligencia artificial ofrece predicciones bastante precisas y sientan una base sólida en futuras investigaciones en el sector espacial.Esp
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero en sistemas y computación
dc.formatpdf
dc.format.extent58 Hojas : Ilustraciones
dc.format.mimetypeapplication/pdf
dc.identifier.bibliographicCitation“United nations register of objects launched into outer space”, Unoosa.org. [En línea]. Disponible en: https://www.unoosa.org/oosa/en/spaceobjectregister/national-registries/index.html.
dc.identifier.bibliographicCitation“Search OSOidx”, Unoosa.org. [En línea]. Disponible en: https://www.unoosa.org/oosa/osoindex/search-ng.jspx?lf_id=.
dc.identifier.bibliographicCitation“Keras”, TensorFlow. [En línea]. Disponible en: https://www.tensorflow.org/guide/keras?hl=es-419.
dc.identifier.bibliographicCitation“Kepler’s Laws”, Gsu.edu. [En línea]. Disponible en: http://hyperphysics.phy-astr.gsu.edu/hbasees/kepler.html.
dc.identifier.bibliographicCitation“mecánica celeste”, Sea-astronomia.es. [En línea]. Disponible en: https://www.sea-astronomia.es/glosario/mecanica-celeste
dc.identifier.bibliographicCitation“órbita”, Sea-astronomia.es. [En línea]. Disponible en: https://www.sea-astronomia.es/glosario/orbita..
dc.identifier.urihttps://repositorio.uptc.edu.co/handle/001/17604
dc.language.isospa
dc.publisherUniversidad Pedagogica Tecnologíca de Colombia
dc.publisher.facultyFacultad de Ingeniería
dc.publisher.placeTunja
dc.publisher.programIngeniería de sistemas y computación
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.subject.unescoProtección de datos
dc.subject.unescoInteligencia artificial
dc.subject.unescoSatélite artificial
dc.titlePredicción de órbitas basado en inteligencia artificial para el rastreo y control de satélites
dc.typehttp://purl.org/redcol/resource_type/TPMP
dc.type.coarhttp://purl.org/coar/resource_type/c_46ec
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.type.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85
dspace.entity.typePublication

Archivos

Bloque original

Mostrando 1 - 2 de 2
Miniatura
Nombre:
Predicción de órbitas basado en inteligencia artificial para el rastreo y control de satélites_PedrazaTania.pdf
Tamaño:
3.86 MB
Formato:
Adobe Portable Document Format
Descargar
Miniatura
Nombre:
Autorización de Publicación.pdf
Tamaño:
670.58 KB
Formato:
Adobe Portable Document Format
Descargar

Colecciones

GDG. Trabajos de Grado y Tesis