prikaz prve stranice dokumenta Razvoj prognostičkog modela GPS ionosferskog kašnjenja s komponentama geomagnetskog polja kao prediktorima, metodama strojnog učenja
  Preuzmi
PDF 2.19 MB
diplomski rad
Razvoj prognostičkog modela GPS ionosferskog kašnjenja s komponentama geomagnetskog polja kao prediktorima, metodama strojnog učenja
2024. urn:nbn:hr:190:028346
Petranović, Mihael
Sveučilište u Rijeci
Tehnički fakultet
Zavod za računarstvo

Citirajte ovaj rad

Petranović, M. (2024). Razvoj prognostičkog modela GPS ionosferskog kašnjenja s komponentama geomagnetskog polja kao prediktorima, metodama strojnog učenja (Diplomski rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:028346

Petranović, Mihael. "Razvoj prognostičkog modela GPS ionosferskog kašnjenja s komponentama geomagnetskog polja kao prediktorima, metodama strojnog učenja." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2024. https://urn.nsk.hr/urn:nbn:hr:190:028346

Petranović, Mihael. "Razvoj prognostičkog modela GPS ionosferskog kašnjenja s komponentama geomagnetskog polja kao prediktorima, metodama strojnog učenja." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2024. https://urn.nsk.hr/urn:nbn:hr:190:028346

Petranović, M. (2024). 'Razvoj prognostičkog modela GPS ionosferskog kašnjenja s komponentama geomagnetskog polja kao prediktorima, metodama strojnog učenja', Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 28.12.2024., https://urn.nsk.hr/urn:nbn:hr:190:028346

Petranović M. Razvoj prognostičkog modela GPS ionosferskog kašnjenja s komponentama geomagnetskog polja kao prediktorima, metodama strojnog učenja [Diplomski rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2024 [pristupljeno 28.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:028346

M. Petranović, "Razvoj prognostičkog modela GPS ionosferskog kašnjenja s komponentama geomagnetskog polja kao prediktorima, metodama strojnog učenja", Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:028346

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:028346
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovRazvoj prognostičkog modela GPS ionosferskog kašnjenja s komponentama geomagnetskog polja kao prediktorima, metodama strojnog učenja
Naslov (engleski)Development of a machine learning-based predictive model of GPS ionospheric delay with geomagnetic field components as predictors
AutorMihael Petranović
MentorRenato Filjar https://orcid.org/0000-0002-7040-9931 (mentor)
Član povjerenstvaRenato Filjar https://orcid.org/0000-0002-7040-9931 (predsjednik povjerenstva)
Član povjerenstvaKristijan Lenac (član povjerenstva)
Član povjerenstvaMiroslav Joler (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
Tehnički fakultet
(Zavod za računarstvo)
Rijeka
Datum i država obrane2024-09, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Programsko inženjerstvo
Sažetak
Ionosfersko kašnjenje jedan je od najvećih utjecajnih čimbenika na kašnjenje satelitskih signala globalnih navigacijskih satelitskih sustava (GNSS), a mjeri se brojem ukupnog sadržaja elektrona (TEC). Unutar diplomskog rada pretpostavljena je mogućnost izrade prognostičkih modela GPS ionosferskog kašnjenja s komponentama geomagnetskog polja kao prediktorima, metodama strojnog učenja, s ciljem smanjivanja prvotno spomenutog utjecaja na satelitske signale. Ukratko je opisan fenomen ionosferskog kašnjenja, zajedno s primjerima dosadašnjeg istraživanja vezanim uz razvoj korektivnih modela vrijednosti TEC-a, poput stacionarnog Klobucharevog modela te pristup izrade prilagodljivom modelu tehnikama strojnog učenja. Definirana je metodologija rada, od dobivanja, analize i dodatne obrade korištenih ulaznih podataka do postavljanja kriterija na temelju kojih su razvijeni modeli vrednovani. Detaljno je razrađen postupak razvoja modela, navedene su prednosti i mane svakog modela u danom kontekstu te su na kraju međusobno uspoređeni. Rezultat diplomskog rada šest je razvijenih modela namijenjenih predviđanju vrijednosti TEC-a: model linearne regresije, stabla odluke, gradijentnog pojačavanja, slučajne šume, stroja potpornih vektora i neuronskih mreža.
Sažetak (engleski)
Ionospheric delay, measured by the Total Electron Content (TEC) number, is one of the largest influencing factors for the delay of satellite signals used by Global Navigation Satellite Systems (GNSS). Within this master's thesis, the possibility of developing a machine learning-based predictive model of GPS ionospheric delay with geomagnetic field components as predictors is hypothesized, which aims to reduce the aforementioned influence on satellite signals. The phenomenon of ionospheric delay is briefly described, together with examples of previous research related to the development of corrective models for the TEC value, such as the stationary Klobuchar model and the approach to creating an adaptive model using machine learning techniques. Work methodology is defined from the acquisition, analysis and additional processing of the used input data to the setting of criteria based on which the developed models are evaluated. The model development procedure is detailed, with the advantages and methods of each model in a given context listed, and at the end, models are compared with each other. The result of the thesis is six developed models intended for predicting the value of TEC: linear regression, decision tree, gradient boosting, random forest, support vector machine and neural network.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:190:028346
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag. ing. comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Imenovanje 4.0 međunarodna (CC BY 4.0)
Datum i vrijeme pohrane2024-09-12 10:09:17