بهبود دقت سامانه ی تلفیقی INS/Image با استفاده از شبکه عصبی تابع پله ای شعاعی

امروزه از مزیت های سامانه های تلفیقی مکان یابی در کاربردهای مختلف از جمله صنعت حمل و نقل و ناوگان ریلی بسیار استفاده میشود. مدیران حمل و نقل ریلی به کمک سیستم های ناوبری مانند GPS و INS می توانند اطلاعات مورد نیاز خود را در زمینه نحوه و زمان اجرای ماموریت ها و ایمنی و سلامت تیم های تحت پوشش خود در دسترس داشته باشند. سامانه ی GPS/INS دارای عیوب زیادی مانند انواع خطاهای حسگر INS و قطعی های سامانه ی GPS می باشد. به همین دلیل رویکرد جدید در این سامانه ها، استفاده از تلفیق INS/Image است. در این سیستم تا حدودی از مشکلات سامانه ی GPS/INS از جمله قطعی های سیگنال GPS پوشانده شده است. اما سیستمINS/Image ، همچنان از دو مشکل مهم رنج می برد که یکی استفاده از INS به عنوان سامانه ی کمکی برای ناوبری بر اساس تصویر است و دیگری استفاده از فیلتر کالمن برای عملیات پیش بینی می باشد. دلیل مشکل استفاده از INS به عنوان سامانه ی کمکی، خطای جمع شونده ی آن است که باعث کاهش عملکرد ناوبری خواهد شد. همچنین فیلترکالمن نیز به خاطر مشخص نبودن مقدار واقعی ماتریس های نویز اندازه گیری و فرآیند، نتایج پیش بینی بهینه ای نخواهد داشت. در این مقاله، یک روش پیش بینی مبتنی بر شبکه عصبی RBF پیشنهاد خواهد شد که از الگوریتم k-means برای آموزش این شبکه عصبی استفاده می شود. می توان به جای استفاده از فیلتر کالمن وINS که برای پیش بینی استفاده می شوند، عمل پیش بینی را براساس داده های خود تصویر انجام داد. نتایج شبیه سازی نشان می دهد که دقت پیش بینی در این روش نسبت به فیلتر کالمن و همچنین دیگر شبکه های عصبی مانند MLP، در داده های آموزش و همچنین داده های آزمون به ترتیب 34,5 و 29,3 درصد بهبود خواهد داشت.

کلیدواژه ها:

INS/Image ، شبکه های عصبی ، GPS