اخبار و اعلانات

 آمار

تعداد نشریات38
تعداد شماره‌ها1,240
تعداد مقالات8,994
تعداد مشاهده مقاله7,844,856
تعداد دریافت فایل اصل مقاله4,706,481
محمدحسینی, سعید, صیفی, مرتضی. (1398). کاهش نرخ رشد خطا در یک سامانه ناوبری تلفیقی ارزان قیمت با استفاده از شبکه های عصبی. پدافند الکترونیکی و سایبری, 15(3), 17-32.
سعید محمدحسینی; مرتضی صیفی. "کاهش نرخ رشد خطا در یک سامانه ناوبری تلفیقی ارزان قیمت با استفاده از شبکه های عصبی". پدافند الکترونیکی و سایبری, 15, 3, 1398, 17-32.
محمدحسینی, سعید, صیفی, مرتضی. (1398). 'کاهش نرخ رشد خطا در یک سامانه ناوبری تلفیقی ارزان قیمت با استفاده از شبکه های عصبی', پدافند الکترونیکی و سایبری, 15(3), pp. 17-32.
محمدحسینی, سعید, صیفی, مرتضی. کاهش نرخ رشد خطا در یک سامانه ناوبری تلفیقی ارزان قیمت با استفاده از شبکه های عصبی. پدافند الکترونیکی و سایبری, 1398; 15(3): 17-32.

کاهش نرخ رشد خطا در یک سامانه ناوبری تلفیقی ارزان قیمت با استفاده از شبکه های عصبی

مکانیک هوافضا
مقاله 2، دوره 15، شماره 3 - شماره پیاپی 57، آذر 1398، صفحه 17-32    اصل مقاله (1.3 M)
نوع مقاله: گرایش دینامیک، ارتعاشات و کنترل
نویسندگان
سعید محمدحسینی* ؛ مرتضی صیفی
دانشگاه صنعتی مالک اشتر
تاریخ دریافت: 23 دی 1396،  تاریخ پذیرش: 01 تیر 1397 
چکیده
سامانه­های ناوبری اینرسی تلفیقی، به­منظور استفاده هم­زمان از مزایای ناوبری اینرسی و یک سامانه کمک ناوبری نظیر سامانه موقعیت­یابی جهانی توسعه داده می­شود. در­ صورت قطع سیگنال ناوبری کمکی در حین عملکرد چنین سامانه تلفیقی، راه حل معمول استفاده از اطلاعات ناوبری اینرسی در ادامه مسیر خواهد بود. اما در مواردی که حسگرهای سامانه ناوبری اینرسی به­دلیل مقرون به­صرفه بودن دارای دقت بالا نباشد، خطای ناوبری به­صورت تصاعدی با زمان و با نرخ بالا رشد خواهد کرد. جهت رفع این مشکل در اغلب مقالات ارائه­شده از شبکه­های عصبی و یا ماشین­بردار پشتیبان جهت یادگیری خطای ناوبری در زمان دریافت سیگنال کمک ناوبری بهره گرفته شده و سپس در زمان قطع این سیگنال از شبکه عصبی به­عنوان تخمین­گر خطای ناوبری استفاده شده­ است به­طوری­ که با افزودن مستقیم خروجی شبکه به نتیجه ناوبری اینرسی سعی در جبران خطای ناوبری اینرسی داشته­اند. در این مقاله هدف ارائه روشی به­منظور کاهش نرخ رشد خطای ناوبری اینرسی در زمان قطع سیگنال سامانه موقعیت­یابی جهانی می­باشد. به این منظور از شبکه­های عصبی با ساختار و ورودی­های مناسب جهت یادگیری خطای مسیر در زمان دریافت سیگنال کمک ناوبری استفاده شده است تا در زمان قطع سیگنال، از خروجی آن به­عنوان جایگزین المان کمک ناوبری برای تأمین ورودی مورد نیاز فیلتر کالمن جهت تخمین خطای ناوبری در حضور نویز پروسه استفاده شود. شبیه­سازی این الگوریتم که بر روی سه مسیر مختلف با 6 درجه آزادی انجام گرفته، نشان می­دهد روش ارائه­شده مستقل از مسیر پرواز وسیله بوده و منجر به کاهش موثرتر نرخ رشد خطای ناوبری در مقایسه با روش­های موجود، در زمان قطع سیگنال کمک ناوبری می­شود.
کلیدواژه‌ها
ناوبری اینرسی؛ ناوبری تلفیقی؛ فیلتر کالمن؛ شبکه عصبی مصنوعی
عنوان مقاله [English]
Error Rate Reduction of a Low-Cost Integrated Navigation System Using Neural Networks
نویسندگان [English]
saeed mohammad hoseini؛ morteza seifi
malek ashtar
چکیده [English]
Recently integrated navigation systems are developed to use the advantages of both inertial navigation and global positioning system. In such integrated navigation systems when the GPS signal is missed, the system works based on inertial navigation data. In this condition the navigation error increases progressive, especially when the INS sensors have low accuracy. To overcome this problem in most of the previous researches neural networks or support vector machines are applied to learn the navigation errors when the auxiliary navigation signal exists. As soon as the auxiliary navigation signal is lost the output of trained NN’s are summed with the output of inertial navigation system to remove the navigation errors directly. In this paper a method is proposed to decrease the navigation error rate in presence of process and measurement noise. Actually here multilayer perceptron neural networks are trained to learn the navigation errors when the auxiliary navigation signal is received, then the output of neural networks are applied to a Kalman filter which estimates the navigation errors. Simulation is carried out on three different 6Dof paths. The results show that the proposed method is independent of flight path and has more effective performance in compare with mentioned methods.
کلیدواژه‌ها [English]
Inertial navigation, Integrated navigation system, Kalman filter, Neural networks
مراجع
  1. Elhami, M., Sadat, M. “Simulation and Optimization of Guidance and Integrated Navigation System in Small Planes”, J. Mech. and Aerospace, Vol. 12, No. 1, 1395.##
  2. Mousavi, M. and Zandi, M. “Improvement of Navigation System Accuracy Based on GPS/GLONASS Using Kalman Filter”, J. Sea Techniques, Vol. 2, No. 2, 1394.##
  3. Khodaparast, A., Golshani, S. and Sadeghi, V. “Accuracy Increment of Position Estimation based on Integration of Inertial Navigation System and GPS for a Flight Vehicle”, Proc. Second Conf. Applicable Researchs in Electronic and Mechatronic, Tehran, Iran, 1993.##
  4. Nasrollahi, S. and Ghahremani, N. “ Accuracy Increment of Navigation System Base on Integration of Inertial Navigationm Vehicle”, Proc. Electrical Eng. Conf., Tehran, Iran, 1389.##
  5. Ahmadpour, A., Alavi, M. and Rahimi, R. “Improvement of GPS and INS Navigation Systems based on Extended Kalman Filter”, Proc. Int. Conf. Applicable Research on Electrical, Mechanical and Mechatronic Engineering, Tehran, Iran, 1394.##
  6. Gorgi, M. and Farrokhi, M. “Integration of Iertial Navigation and GPS using Artificial Neural Networks”, Proc. Conf. Iranian Aerospace Society, Tehran, IRAN, 1386.##
  7. Sadeghi, M. and Ebadollahi, S. “Error Modelling and Correction of INS System by GPS Signal  Using MLP Neural Network”, Proc. 2nd Conf. Avionic, Tehran, IRAN, 1393.##
  8. Bin, W., Jian, W., Jianping, W. and Baigen, C. “Study on Adaptive GPS/INS Integrated Navigation System”, Intelligent Transportation Systems, Vol. 2, pp. 1016-1021,  2003.##
  9. Kaygisiz, B.H., Erkmen, A.M. and Erkmen, I. “GPS /INS Enhancement Using Neural Networks for Autonomous Ground Vehicle Applications”, International Conference on Intelligent Robots and Systems, Vol. 3, pp. 3763-3768,  2003.##
  10. Hiliuta, A., Landry, R., and Gagnon, F. “Fuzzy Corrections in a GPS/INS Hybrid Navigation System”, IEEE Transactions on Aerospace and Electronic Systems, Vol. 40, No. 2, pp. 591-600, 2004.##
  11. Sharaf, R. and Noureldin, A. “Sensor Integration for Satellite-Based Vehicular Navigation Using Neural Networks”, IEEE Transactions on Neural Networks, Vol. 18, No. 2, pp. 589-594, 2007.##
  12. Chiang, K.W., and Huang, Y.W. “An Intelligent Navigator for Seamless INS/ GPS Integrated Land Vehicle Navigation Applications”, Applied Soft  Computing, Vol. 8, No. 1, pp. 722-733, 2008.##
  13. Bhatt, D., Aggarwal, P., Devabhaktuni, V. and Bhattacharya, P. “A Source Difference Artificial Neural Network for Enhanced Positioning Accuracy”, Measurment Science and Technology Journal, Vol. 23, No. 10, pp. 491-502, 2012.
  14. Adusumilli, S., Bhatt, D. and Wong, H. “A Low-Cost INS/ GPS Integration Methodology Based on Random Forest Regression”, Expert System with Application, Vol. 40, No. 11, pp. 4653-4659, 2013.##
  15. Bhatt, D., Aggarwal, P., Devabhaktuni, V. and Bhattacharya, P. “A Novel Hybrid Fusion Algorithm to Bridge the Period of GPS Outages Using Low Cost INS”, Expert System with Application, Vol. 41, No. 5, pp. 2166-2173, 2014.
  16. Titterton, D.H. and Weston, J.L. “Strapdown Inertial Navigation Technology”, 2nd Edition, The Institution of Electrical Engineers, 2004.
  17. Noureldin, A., Karamat, T.B. and Georgy, J.  “Fundamentals of Inertial Navigation, Satellite-Based Positioning and Their Integration”, Springer, United States, 2013.
  18. Wikipedia, “Great-circle Distance”, https://en.wikipedia.org/wiki/Great-circle_distance, last modified on 11 June 2015.
  19. Simon, D. “Optimal State Estimation Kalman, H∞, and Nonlinear Approaches”, Wiley, New Jersey, United States, 2006.
آمار
تعداد مشاهده مقاله: 730
تعداد دریافت فایل اصل مقاله: 545