prikaz prve stranice dokumenta Razvoj prognostičkog modela GPS ionosferskog kašnjenja s komponentama geomagnetskog polja kao prediktorima, metodama strojnog učenja
  Download
PDF 2.19 MB
master's thesis
Razvoj prognostičkog modela GPS ionosferskog kašnjenja s komponentama geomagnetskog polja kao prediktorima, metodama strojnog učenja
Rijeka: University of Rijeka, Faculty of Engineering, 2024. urn:nbn:hr:190:028346
Petranović, Mihael
University of Rijeka
Faculty of Engineering
Department of Computer Engineering

Institutional repository: Repository of the University of Rijeka, Faculty of Engineering

Cite this document

Petranović, M. (2024). Razvoj prognostičkog modela GPS ionosferskog kašnjenja s komponentama geomagnetskog polja kao prediktorima, metodama strojnog učenja (Master's thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from 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." Master's thesis, University of Rijeka, Faculty of Engineering, 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." Master's thesis, University of Rijeka, Faculty of Engineering, 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', Master's thesis, University of Rijeka, Faculty of Engineering, accessed 24 December 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 [Master's thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2024 [cited 2024 December 24] Available at: 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", Master's thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:190:028346

Metadata
TitleRazvoj prognostičkog modela GPS ionosferskog kašnjenja s komponentama geomagnetskog polja kao prediktorima, metodama strojnog učenja
Title (english)Development of a machine learning-based predictive model of GPS ionospheric delay with geomagnetic field components as predictors
AuthorMihael Petranović
MentorRenato Filjar https://orcid.org/0000-0002-7040-9931 (mentor)
Committee memberRenato Filjar https://orcid.org/0000-0002-7040-9931 (predsjednik povjerenstva)
Committee memberKristijan Lenac (član povjerenstva)
Committee memberMiroslav Joler (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
(Department of Computer Engineering)
Rijeka
Defense date and country2024-09, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Program Engineering
Abstract
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.
Abstract (english)
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.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:028346
Study programmeTitle: Computer Engineering
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence Attribution 4.0 International (CC BY 4.0) icon
Created on2024-09-12 10:09:17