КІШІ АСПАН ДЕНЕЛЕРІ ТУРАЛЫ NASA ДЕРЕКҚОРЫ НЕГІЗІНДЕ АСТЕРОИДТАРДЫҢ ДИАМЕТРІН БОЛЖАУ ҮШІН ӘРТҮРЛІ МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІН САЛЫСТЫРУ ЖӘНЕ ТАЛДАУ

NASA кіші аспан денелерінің дерекқорын Jet Propulsion Laboratory ұсынады және ол астероидтар мен кометалар туралы жиналған ақпаратты, оларды бақылау және анықтау үшін қол жетімді параметрлерді, соның ішінде физикалық параметрлерді, сондай-ақ олардың жіктелуі, бақылау саны мен ұзақтығы туралы деректерді қамтиды. Бұл аспан денелерінің басым көпшілігінің қасиеттері толық сипатталмаған, бұл олардың мінез-құлқын және ғарыштағы басқа объектілермен, соның ішінде қолдан жасалған заттармен өзара әрекеттесуін болжауды қиындатады. Бұл зерттеу астероидтарды зерттеу мәселелерінің белгілі бір бөлігін NASA дерекқорынан алынған ақпарат пен бастапқы көзден өңделген деректерді пайдалана отырып, машиналық оқыту әдістерінің нәтижелері негізінде астероидтардың диаметрінің болжамын табу арқылы шешуді ұсынады. Бұл жұмыста осындай болжау модельдерін жүзеге асыру үшін ең жиі қолданылатын KNN, linear regression, random forest, decision tree және gradient boosting сияқты алгоритмдер таңдалды. Пайдаланылған машиналық оқыту алгоритмдері диаметрді болжау дәлдігінің, жұмыс жылдамдығының және орташа квадраттық қателік көрсеткіштерінің нәтижелері бойынша бағаланды. Зерттеу астероидтардың берілген көрсеткішін болжаудың ең оңтайлы тәсілін таңдауға көмектеседі, модельдің ең жақсы көрсеткіштеріне қол жеткізу үшін деректерді алдын ала өңдеу процесін сипаттайды және осы аспан денелерінің қасиеттері арасындағы корреляцияны талдайды.

1. Alexandropoulos S.A., Kotsiantis S. and Vrahatis M. (2019) The Knowledge Engineering Review, 34, pp.1–33. https://doi.org/10.1017/S026988891800036X.

2. Altman E. (1968) The Journal of Finance, pp. 589–609.

3. Badescu. Asteroids: Prospective Energy and Material Resources. Springer Berlin, Heidelberg, 689 p.

4. Carruba V., Aljbaae S., Domingos R.C., Huaman M. and Barletta W. (2022) Celestial Mechanics and Dynamical Astronomy, 134, p. 36. https://doi.org/10.1007/s10569-022-10088-2.

5. Carruba V., Aljbaae S., Domingos R.C., Lucchini A. and Furlaneto P. (2020) Monthly Notices of the Royal Astronomical Society, 496(1), pp. 540–54. https://doi.org/10.1093/mnras/staa1463.

6. Chao H., Yue-hua M., Hai-bin Z. and Xiao-ping L. (2017) Chinese Astronomy and Astrophysics, 41(4), pp. 549– 557. https://doi.org/10.1016/j.chinastron.2017.11.006.

7. Chapman C. and Morrison D. (1994) Nature, 367, pp. 33–40. https://doi.org/10.1038/367033a0.

8. Dodge, The Concise Encyclopedia of Statistics, Springer, New York, 2008, 616 p.

9. Donnison J.R. and Sugden R.A. (1984) Monthly Notices of the Royal Astronomical Society, 210(3), pp. 673–682. https://doi.org/10.1093/mnras/210.3.673.

10. Emmanuel T., Maupong T. and Mpoeleng. (2021) Journal of Big Data, 8, 140 p. https://doi.org/10.1186/s40537021-00516-9.

11. Jet Propulsion Laboratory of California Institute of Technology, Small-Body Database Query. Retrieved May 3, 2023, from https://ssd.jpl.nasa.gov/tools/sbdb_query.html.

12. Kirch. Encyclopedia of Public Health, Springer, Dordrecht, 2008, 1600 p.

13. Kobayashi N., Oyamada Y., Mochizuki Y. and Ishikawa H., 14th IAPR International Conference on Machine Vision Applications (MVA) (Tokyo, 18-22 May 2015), p. 551–554.

14. Kotz S. and Johnson N. L. (1992) Breakthroughs in Statistics: Methodology and Distribution, Springer New York, NY, 600 p.

15. Lovric, International Encyclopedia of Statistical Science (Springer Berlin, Heidelberg), 79 p.

16. Sanchez P., Colombo C., Vasile M. and G. Radice. (2009) Journal of Guidance, Control and Dynamics, 32, pp. 121–142. https://doi.org/10.2514/1.36774.

17. Shang H., Wu X., Qiao D. and Huang X. (2018) Aerospace Science and Technology, 79, pp. 570–579. https://doi.org/10.1016/j.ast.2018.06.002.

18. Smirnov E.A. and Markov A.B. (2017) Monthly Notices of the Royal Astronomical Society, 469(2), pp. 2024–2031.https://doi.org/10.1093/mnras/stx999.

19. Steinbach M., Kumar V. and Tan P.-N. (2006) Introduction to Data Mining, Addison Wesley, Pearson, 165 p.

20. Wang, Y. (2023). Highlights in Science, Engineering and Technology, 39, pp. 201–208. https://doi.org/10.54097/hset.v39i.6527.