بهبود دقت سامانه ي تلفيقي ‌INS/Image‌ با استفاده از شبكه عصبي تابع پله اي شعاعي ‌

امروزه از مزيت هاي سامانه هاي تلفيقي مكان يابي در كاربردهاي مختلف از جمله صنعت حمل و نقل و ناوگان ريلي بسيار استفاده مي‏شود. مديران حمل و نقل ريلي به كمك سيستم هاي ناوبري مانند GPS و INS مي توانند اطلاعات مورد نياز خود را در زمينه نحوه و زمان اجراي ماموريت ها و ايمني و سلامت تيم هاي تحت پوشش خود در دسترس داشته باشند. سامانه ي ‏GPS/INS[1]‏ داراي عيوب زيادي مانند انواع خطاهاي حسگر ‏INS‏ و قطعي هاي سامانه ي ‏GPS‏ مي باشد. به همين دليل ‏رويكرد جديد در اين سامانه ها، استفاده از تلفيق INS/Image ‏است. در اين سيستم تا حدودي از مشكلات سامانه ي ‏GPS/INS‏ از جمله قطعي هاي سيگنال ‏GPS‏ پوشانده شده است.‏ اما سيستمINS/Image ، همچنان از دو مشكل مهم رنج مي برد كه يكي استفاده از INS به عنوان سامانه ي كمكي براي ناوبري بر اساس تصوير است و ديگري استفاده از فيلتر كالمن براي عمليات پيش بيني مي باشد. دليل مشكل استفاده از INS به عنوان سامانه ي كمكي، خطاي جمع شونده ي آن است كه باعث كاهش عملكرد ناوبري خواهد شد. همچنين فيلتركالمن نيز به خاطر مشخص نبودن مقدار واقعي ماتريس هاي نويز اندازه گيري و فرآيند، نتايج پيش بيني بهينه اي نخواهد داشت. در اين مقاله، يك روش پيش بيني مبتني بر شبكه عصبي RBF[2] پيشنهاد خواهد شد كه از الگوريتم k-means براي آموزش اين شبكه عصبي استفاده مي شود. مي توان به جاي استفاده از فيلتر كالمن وINS  كه براي پيش بيني استفاده مي شوند، عمل پيش بيني را براساس داده هاي خود تصوير انجام داد. نتايج شبيه سازي نشان مي دهد كه دقت پيش بيني در اين روش نسبت به فيلتر كالمن و همچنين ديگر شبكه هاي عصبي مانند [3]MLP، در داده هاي آموزش و همچنين داده هاي آزمون به ترتيب 34.5 و 29.3 درصد بهبود خواهد داشت.   [1]Global Positioning System/Inertial Navigation System [2]Radial Basis Function [3]Multilayer Perceptron