بهبود موقعیت یابی ناوبری تلفیقی با استفاده از شبکه عصبی چندلایه غیرخطی و فیلتر کالمن مقاوم در هنگام قطعی GPS
Publish place: Journal of Aeronautical Engineering، Vol: 21، Issue: 2
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 268
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JOAET-21-2_005
تاریخ نمایه سازی: 29 آذر 1401
Abstract:
تعیین موقعیت و جهت یابی دقیق از اصلی ترین نیازها جهت ناوبری وسایل نقلیه نظامی می باشد. روش های مختلفی برای تعیین موقعیت وسیله وجود دارد. سیستم ناوبری اینرسی (INS) یکی از روش های تعیین موقعیت و وضعیت وسیله نقلیه است که مستقل از فرستنده و لوازم جانبی خارجی کار می کند. به دلیل وجود نویز، بایاس و عوامل تاثیرگذار دیگر، خطای این سامانه در طول زمان همواره افزایشی می باشد، لذا برای دستیابی به دقت بالاتر در ناوبری های طولانی مدت، حداقل به یک سامانه کمک ناوبری نیاز است. از این رو، اصلاح خطا به کمک تلفیق داده های INS و سامانه موقعیت یابی جهانی (GPS) با استفاده از فیلتر کالمن توسعه یافته مقاوم (REKF) در این مقاله مورد بررسی قرار گرفته است. در هنگام ورود وسایل نقلیه به مناطق دشمن که دارای مسدودکننده سیگنال هستند، سیگنال GPS نیز قطع شده، مشاهدات فیلتر به روزرسانی نشده و در نتیجه، موقعیت نهایی خطای افزایشی خواهد داشت. لذا در این سناریو بجای فیلتر کالمن از شبکه عصبی آموزش دیده شده جهت پیش بینی موقعیت در هنگام قطعی GPS استفاده شده است. به منظور پیاده سازی و تست الگوریتم، سخت افزاری با پردازنده و سنسورهای مدنظر طراحی و داده ها را به صورت آنلاین ذخیره و الگوریتم تلفیق داده های GPS/INS مبتی بر فیلتر کالمن و شبکه عصبی بر آن اعمال شده است. نتایج نشان می دهد خطای موقعیت با استفاده از شبکه عصبی تا حدود ۷۰ درصد در هر سه راستا بهبود داشته است.
Keywords:
Authors
علیرضا ملکی جوان
دانشکده مهندسی برق-دانشگاه علوم و فنون هوایی شهید ستاری- تهران- ایران
مهدی اصلی نژاد
دانشکده مهندسی برق-دانشگاه علوم و فنون هوایی شهید ستاری- تهران- ایران
پویا عباسی
دانشکده مهندسی برق-دانشگاه علوم و فنون هوایی شهید ستاری- تهران- ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :