بررسی الگوریتمیک معماری های مبتنی بر یادگیری ماشین شبکه های نرم افزار محور و رایانش ابر لبه در کنترل هوشمند قطار با استفاده از ناوبری ماهواره ای

در این مقاله معماری های الگوریتمیک کنترل هوشمند قطار مبتنی بر یادگیری ماشین توزیع شده، شبکه های نرم افزار محور (SDN) و رایانش ابر لبه با استفاده از ناوبری ماهواره ای بررسی می شود. با ظهور شبکه های نسل ششم (۶G) و اینترنت اشیاء ماهواره ای امکان دستیابی به پوشش جهانی، تاخیر زیر ۱ میلی ثانیه و قابلیت اطمینان ۹۹/۹۹۹۹۹ فراهم شده است. با این حال چالش هایی مانند توپولوژی پویای ماهواره های LEO، جابجایی داپلر، محوشدگی سیگنال در تونل ها و حملات سایبری (پارازیت و فریب) دقت و امنیت موقعیت یابی را تهدید می کنند. این مقاله به بررسی الگوریتم های یادگیری فدرال برای کاهش تاخیر و حفظ حریم خصوصی، معماری SDSN برای مدیریت متمرکز، توپولوژی و روش های تلفیق عمیق GNSS/INS مبتنی بر شبکه های عصبی عمیق و بهینه سازی چندهدفه AN-NSGA-II می پردازد. نتایج کمی نشان می دهد که روش پیشنهادی خطای موقعیت افقی را در محیط برش کوهی از ۲/۰۳ متر به ۸۲ متر کاهش می دهد، نرخ نگهداشت قفل GNSS را در شرایط پارازیت از %۷۸ به ۹۶ افزایش می دهد و هزینه محاسباتی را با انتخاب ویژگی تا ۴۰٪ کاهش می دهد. همچنین مصالحه بین دقت و امنیت با استفاده از جبهه پارتوی AN-NSGA II قابل مدیریت است.

کلیدواژه ها:

شبکه های نرم افزار محور ، کنترل هوشمند ، قطار ، بهینه سازی چندهدفه ، ناوبری