Machine Learning and Data Mining in Aerospace Technology

این کتاب مفاهیم، ​​الگوریتم‌ها و تکنیک‌های اصلی یادگیری ماشین و داده‌کاوی برای فناوری هوافضا را بررسی می‌کند. ماهواره‌ها «چشم‌های عقاب» هستند که به ما امکان می‌دهند مناطق عظیمی از زمین را به طور همزمان مشاهده کنیم و می‌توانند اطلاعات بیشتری را با سرعت بیشتری نسبت به ابزارهای روی زمین جمع‌آوری کنند. در نتیجه، توسعه سیستم‌های پایش سلامت هوشمند برای ماهواره‌های مصنوعی – که می‌تواند وضعیت فعلی ماهواره‌ها را تعیین کند و خرابی آن‌ها را بر اساس داده‌های تله‌متری پیش‌بینی کند – یکی از مهم‌ترین موضوعات فعلی در مهندسی هوافضا است.
این کتاب به سه دسته تقسیم شده است. بخش‌هایی که اولین آنها مشکلات اصلی در پایش سلامت ماهواره‌های مصنوعی، از جمله تشخیص ناهنجاری مبتنی بر تانسور برای داده‌های تله‌متری ماهواره‌ای و یادگیری ماشینی در پایش ماهواره‌ای، و همچنین طراحی، پیاده‌سازی و اعتبارسنجی شبیه‌سازهای ماهواره‌ای را مورد بحث قرار می‌دهد. بخش دوم به تجزیه و تحلیل داده های تله متری و مشکلات استخراج می پردازد، در حالی که قسمت آخر بر مسائل امنیتی در داده های تله متری تمرکز دارد.

This book explores the main concepts, algorithms, and techniques of Machine Learning and data mining for aerospace technology. Satellites are the ‘eagle eyes’ that allow us to view massive areas of the Earth simultaneously, and can gather more data, more quickly, than tools on the ground. Consequently, the development of intelligent health monitoring systems for artificial satellites – which can determine satellites’ current status and predict their failure based on telemetry data – is one of the most important current issues in aerospace engineering.
This book is divided into three parts, the first of which discusses central problems in the health monitoring of artificial satellites, including tensor-based anomaly detection for satellite telemetry data and machine learning in satellite monitoring, as well as the design, implementation, and validation of satellite simulators. The second part addresses telemetry data analytics and mining problems, while the last part focuses on security issues in telemetry data.