Optimizing satellite link throughput using machine learning

Artykuł ten bada wykorzystanie uczenia maszynowego do optymalizacji komunikacji satelitarnej, gdzie tradycyjne informacje zwrotne są ograniczone. Integracja wcześniej obliczonych planów sesji z modelami Random Forest i sekwencyjnymi, szkolonymi na danych symulacyjnych, ma na celu skuteczne radzenie sobie z dynamicznymi wyzwaniami komunikacyjnymi. Wstępne wyniki wskazują na obiecujący potencjał w zakresie zwiększenia efektywności i niezawodności komunikacji satelitarnej.

---

This paper explores using machine learning to optimize satellite communications where traditional feedback is limited. Integrating pre-calculated session plans with Random Forest and Sequential models, trained on simulated data, these models aim to handle dynamic communication challenges effectively. Preliminary results suggest promising potential for enhancing satellite communication efficiency and reliability.

---

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).