ИСТИНА

На сегодняшний день методы машинного обучения являются распространенным инструментом для анализа данных различной природы, поиска закономерностей в них, прогнозирования эволюции параметров этих данных во времени и т.д. Предметом исследования настоящей работы являются наборы орбитальных элементов (TLE, two-line elements set) околоземных космических объектов, предоставляемые для открытого использования ресурсом celestrak.com. Целью работы является попытка кластеризации наборов орбитальных элементов в соответствии с реальными данными о группировках космических аппаратов, а также классификация объектов, соответствующих вновь полученным наборам данных. В работе сравниваются точности классификации с использованием моделей машинного обучения из библиотек python sklearn, catboost для мультиклассификации и с использованием нейронных сетей из библиотеки tensorflow. Исследуется возможность кластеризации спутников по их орбитальным параметрам в группировки и оценивается качество полученной кластеризации по имеющимся параметрам спутника. Исследуется вопрос о корелляции параметров TLE с принадлежностью спутника группировке.