dc.creatorSoligo, Pablo
dc.creatorMerkel, Germán
dc.creatorIcraclic, Jorge
dc.date2021-10
dc.date2021
dc.date2022-02-03T18:34:39Z
dc.date.accessioned2023-07-15T05:23:43Z
dc.date.available2023-07-15T05:23:43Z
dc.identifierhttp://sedici.unlp.edu.ar/handle/10915/130454
dc.identifierisbn:978-987-633-574-4
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/7473196
dc.descriptionEn este trabajo exploramos la posibilidad de encontrar anomalías automáticamente en telemetría satelital real. Comparamos dos técnicas de aprendizaje automático diferentes como alternativa al control de límites clásico. Intentamos evitar, en la medida de lo posible, la intervención de un experto, detectando anomalías que no se pueden encontrar con los métodos clásicos o que se desconocen de antemano. La mezcla gaussiana y Rolling Means se aplican en la telemetría del subsistema de potencia de un satélite órbita baja. Algunos valores de telemetría se modificaron artificialmente para generar un apagado en un panel solar para intentar lograr una detección temprana por contexto o por comparación. Finalmente, se presentan los resultados y la conclusión.
dc.descriptionWorkshop: WISS - Innovación en Sistemas de Software
dc.descriptionRed de Universidades con Carreras en Informática
dc.formatapplication/pdf
dc.format594-603
dc.languagees
dc.rightshttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rightsCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.subjectCiencias Informáticas
dc.subjectSatellites
dc.subjectGround Segment
dc.subjectPlatform
dc.subjectTelemetry
dc.subjectMachine learning
dc.subjectData mining
dc.subjectAnomaly detection
dc.titleDetección de anomalías en segmento terreno satelital aplicando modelo de mezcla gaussiana y rolling means al subsistema de potencia
dc.typeObjeto de conferencia
dc.typeObjeto de conferencia


Este ítem pertenece a la siguiente institución