آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,208 |
| تعداد مقالات | 8,730 |
| تعداد مشاهده مقاله | 7,242,528 |
| تعداد دریافت فایل اصل مقاله | 4,230,077 |
بهبود ناوبری INS/GPS در زمان قطعی GPS با استفاده از هوش مصنوعی | ||
| پدافند الکترونیکی و سایبری | ||
| دوره 9، شماره 2 - شماره پیاپی 34، تیر 1400، صفحه 143-157 اصل مقاله (1.89 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| امیر ابراهیمی1؛ مریم صادقی1؛ محسن نژادشاهبداغی1؛ سید محمدرضا موسوی میرکلایی* 2؛ الهه سادات عبدالکریمی1 | ||
| 1دانشکده مهندسی برق، دانشگاه علم و صنعت ایران | ||
| 2دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، نارمک، تهران 13114-16846، ایران | ||
| تاریخ دریافت: 10 مهر 1399، تاریخ بازنگری: 14 دی 1399، تاریخ پذیرش: 22 دی 1399 | ||
| چکیده | ||
| با توجه به اهمیت دقت ناوبری در کاربردهایی با سرعت بالا، اغلب سامانه ناوبری اینرسی (INS) را با یکی از سامانه‌های ناوبری ماهواره‌ای تلفیق می‌کنند. در یکی از انواع این روش‌ها که در آن INS با GPS تلفیق می‌شود، مسئله‌ی قطعی GPS یک چالش مهم و غیرقابل‌اجتناب است. مضاف بر قطعی GPS، استفاده از حسگرهای ارزان‌قیمت میکرو الکترومکانیکی (MEMS) در INS، که دارای کیفیت پایین بوده و خروجی نویزی دارند، دقت ناوبری خالص INS را به‌شدت کاهش داده و با طولانی شدن قطعی GPS، آن را به واگرایی می‌کشاند. در این مقاله با استفاده از هوش مصنوعی، ناوبری INS/GPS را در زمان قطعی GPS بهبود داده‌ایم. بدین‌صورت که بلوک هوشمند، خروجی INS را در زمان t-1 و t-2 دریافت می‌کند، لذا ورودی آن شامل اطلاعات مکانی و زمانی INS می‌باشد. خروجی بلوک هوشمند نیز مبیّن خروجی GPS در زمان t است. در طول مدتی که GPS در دسترس است، بلوک هوشمند در فاز آموزش است. در این فاز، خروجی بلوک هوشمند با مقدار مطلوب، که همان خروجی GPS می‌باشد، مقایسه می‌شود. در زمان قطعی GPS، عملاً بلوک هوشمند خروجی INS را به سمت خروجی GPS میل می‌دهد. به‌منظور سنجش این رویکرد و نیز مقایسه دقت تخمین تعدادی از سامانه‌های هوشمند متفاوت، در پنج روش مختلف، از شبکه‌های عصبی MLP، RBF، SVR، موجک و نیز سامانه استنتاج فازی-عصبی تطبیقی به‌عنوان بلوک هوشمند استفاده کرده‌ایم. همچنین داده-هایی که در این مقاله برای سنجش روش‌های بیان‌شده، استفاده شده است، از یک محیط واقعی توسط یک مینی هواپیما جمع‌آوری شده است. نتایج به‌دست‌آمده برای هر پنج روش، نشان‌دهنده‌ی آن است که ناوبری تحت این رویکرد در زمان قطعی GPS، نسبت به ناوبری خالص INS به‌صورت چشم‌گیری بهبودیافته است. در میان پنج بلوک هوشمند نیز، شبکه عصبی موجک توانسته است حدوداً بیش از 30 درصد نسبت به دیگر روش‌ها دقت داشته باشد. | ||
| کلیدواژه‌ها | ||
| ناوبری؛ GPS؛ قطعی؛ INS؛ هوش مصنوعی؛ شبکه عصبی؛ ANFIS | ||
| عنوان مقاله [English] | ||
| Improving INS/GPS Integration with Artificial Intelligence during GPS Outage | ||
| نویسندگان [English] | ||
| A. Ebrahimi1؛ M. Sadeghi1؛ M. Nezhadshahbodaghi1؛ M. R. Mosavi2؛ E. S. Abdolkarimi1 | ||
| 1School of Electrical Engineering, Iran University of Science and Technology, Narmak, Tehran 16846-13114, Iran | ||
| 2School of Electrical Engineering, Iran University of Science and Technology, Narmak, Tehran 16846-13114, Iran | ||
| چکیده [English] | ||
| The importance of navigation precision in high dynamic environments has led to integrating the Inertial Navigation System (INS) with satellite navigation systems. In one of those integration methods that INS is integrated with GPS, GPS outage is an unavoidable challenge. Moreover, due to significant noisy signal existing in low-cost MEMS sensors, navigation precision severely decreases, and the INS error will diverge in the long term. This paper improves the INS/GPS navigation system using Artificial Intelligence (AI) during GPS outage. In this approach, the INS outputs at t and t-1 are injected to the AI module as the positioning and timing information. While GPS is available, the AI module is trained, and its output is compared with the GPS output. The AI module indeed intents to drive the INS output to the GPS output during GPS outage. To evaluate this approach and compare with some different intelligence systems, we have utilized Neural Networks (NNs) as an AI module in five different NNs: multilayer perceptron (MLP(, radial basis function )RBF(, support vector regression (SVR(, Wavelet, and adaptive neuro-fuzzy inference system (ANFIS). The required dataset to compare all five mentioned methods is gathered in a real environment by a mini-airplane. The results of all five methods represent that the proposed methods have superior performance compared to other traditional methods; so that the wavelet NN outperforms others by approximately 30%. | ||
| کلیدواژه‌ها [English] | ||
| Navigation, GPS, Outage, INS, Artificial Intelligence, Neural Network | ||
| مراجع | ||
|
[1] E. Rezaifard and P. Abbasi, “Inertial Navigation System Calibration using GPS Based on Extended Kalman Filter,” Proceedings of the Iranian Conference on Electrical Engineering (ICEE), pp. 778-782, 2017.##
[2] R. Ercek, P. Doncker, and F. Grenez, “Study of Pseudo-range Error due to Non-Line-of-Sight-Multipath in Urban Canyons,” Proceedings of ION GNSS, pp. 1083-1094, 2005.##
[3] Q. Xu, X. Li, and C. Chan, “Enhancing Localization Accuracy of MEMS-INS/GPS/In-Vehicle Sensors Integration during GPS Outages,” IEEE Transactions on Instrumentation and Measurement, vol. 67, no. 8, pp. 1966-1978, 2018.##
[4] L. Chen and J. Fang, “A Hybrid Prediction Method for Bridging GPS Outages in High-precision POS Application,” Journal of Navigation, vol. 63, no. 1, pp. 417-430, 2011.##
[5] Y. Zhang, “A Fusion Methodology to Bridge GPS Outages for INS/GPS Integrated Navigation System,” IEEE Access, vol. 7, no. 12, pp. 61296-61306, 2019.##
[6] D. Li, X. Jia, and J. Zhao, “A Novel Hybrid Fusion Algorithm for Low-Cost GPS/INS Integrated Navigation System During GPS Outages,” IEEE Access, vol. 8, no. 5, pp. 53984-53996, 2020.##
[7] D. Li, X. Jia, and J. Zhao, “A Novel Hybrid Fusion Algorithm for Low-Cost GPS/INS Integrated Navigation System During GPS Outages,” IEEE Access, vol. 8, no. 12, pp. 53984-53996, 2020.##
[8] H. Cao and J. Li, “Dual-Mass MEMS Gyroscope Structure, Design, and Electrostatic Compensation,” MEMS Sensors - Design and Application, vol. 24, no. 2, pp. 677-688, 2018.##
[9] H. Cao, Y. Zhang, C. Shen, Y. Liu, and X. Wang, “Temperature Energy Influence Compensation for MEMS Vibration Gyroscope Based on RBF NN-GA-KF Method,” Shock and Vibration, vol. 20, no. 5, pp. 1-10, 2018.##
[10] Y. Zhang, C. Shen, J. Tang, and J. Liu, “Hybrid Algorithm Based on MDF-CKF and RF for GPS/INS System During GPS Outages,” IEEE Access, vol. 6, no. 4, pp. 35343-35354, 2018.##
[11] R. Sharaf, A. Noureldin, A. Osman, and N. El-Sheimy, “Online INS/GPS Integration with a Radial Basis Function Neural Network,” IEEE Aerospace and Electronic Systems Magazine, vol. 20, no. 3, pp. 8-14, 2005.##
[12] W. Abdel-Hamid, A. Noureldin, and N. El-Sheimy, “Adaptive Fuzzy Prediction of Low-Cost Inertial-Based Positioning Errors,” IEEE Transactions on Fuzzy Systems, vol. 15, no. 3, pp. 519-529, 2007.##
[13] A. Noureldin, A. El-Shafie, and M. Bayoumi, “GPS/INS Integration Utilizing Dynamic Neural Networks for Vehicular Navigation,” Information Fusion, vol. 12, no. 1, pp. 48-57, 2011.##
[14] Z. Xu, Y. Li, C. Rizos, and X. Xu, “Novel Hybrid of LS-SVM and Kalman Filter for GPS/INS Integration,” Journal of Navigation, vol. 63, no. 2, pp. 289-299, 2010.##
[15] Y. Xu, X. Chen, and Q. Li, “INS/WSN-Integrated Navigation Utilizing LS-SVM and H∞ Filtering,” Mathematical Problems in Engineering, vol. 74, pp. 1-19, 2012.##
[16] D. L. Hudson and M. E. Cohen, “Neural Networks and Artificial Intelligence for Biomedical Engineering,” New York: Institute of Electrical and Electronics Engineers, Second Edition, 2000.##
[17] K. L. Du and M. N. S. Swamy, “Neural Networks and Statistical Learning,” London: Springer London, First Edition, 2019.##
[18] L. Semeniuk and A. Noureldin, “Bridging GPS Outages Using Neural Network Estimates of INS Position and Velocity Errors,” Measurement Science and Technology, vol. 17, no. 10, pp. 2783-2798, 2006.##
[19] J. K. Jeon and M. S. Rahman, “Fuzzy and Neural Network Models for Geotechnical Problems,” Raleigh, NC: North Carolina Dept. of Transportation Research and Analysis Group, Second Edition, 2008.##
[20] C. N. Ko and C. M. Lee, “Short-Term Load Forecasting Using SVR (Support Vector Regression)-Based Radial Basis Function Neural Network with Dual Extended Kalman Filter,” Energy, vol. 49, no. 7, pp. 413-422, 2013.##
[21] M. Santhosh, C. Venkaiah, and D. V. Kumar, “Ensemble Empirical Mode Decomposition Based Adaptive Wavelet Neural Network Method for Wind Speed Prediction,” Energy Conversion and Management, vol. 168, no. 9, pp. 482-493, 2018.##
[22] E. S. Abdolkarimi, G. Abaei, and M. R. Mosavi, “A Wavelet-Extreme Learning Machine for Low-Cost INS/GPS Navigation System in High-Speed Applications,” GPS Solutions, vol. 22, no. 1, pp. 1-13, 2017.##
[23] M. Rafiei, T. Niknam, J. Aghaei, M. Shafie-Khah, and J. P. S. Catalao, “Probabilistic Load Forecasting Using an Improved Wavelet Neural Network Trained by Generalized Extreme Learning Machine,” IEEE Transactions on Smart Grid, vol. 9, no. 6, pp. 6961-6971, 2018.##
[24] E. S. Abdolkarimi, “GPS/IMU Integration Using Artificial Intelligence,” Master Thesis, Iran University Science and Technology (IUST), 2014. (In Persian)##
[25] D. Titterton and J. L. Weston, “Strapdown Inertial Navigation Technology,” The Institution of Electrical Engineers, Second Edition, 2004.##
[26] M. R. Mosavi and M. Khishe, “Use of Functional Neural Networks of Radial Bridges Based on Gravitational Search Algorithm with General Guide to Classify Sonar Data,” Journal of Electronical & Cyber Defence, vol. 4, no. 2, pp. 39-52, 2017. (In Persian)
[27] M. Malleswaran, V. Vaidehi, and M. Jebarsi, “Neural Networks Review for Performance Enhancement in GPS/INS Integration,” IEEE Conference on Recent Trends in Information Technology, pp. 34-39, 2012.## | ||
|
آمار تعداد مشاهده مقاله: 1,279 تعداد دریافت فایل اصل مقاله: 736 |
||