|

Компенсация погрешностей интегрированной навигационной системы с использованием искусственных нейронных сетей

Авторы: Аль Битар H., Гаврилов А.И. Опубликовано: 05.06.2020
Опубликовано в выпуске: #2(131)/2020  
DOI: 10.18698/0236-3933-2020-2-4-26

 
Раздел: Информатика, вычислительная техника и управление | Рубрика: Системный анализ, управление и обработка информации  
Ключевые слова: инерциальные навигационные системы, спутниковые навигационные системы, нейронные сети, сигма-точечный фильтр Калмана

Предложен новый метод повышения точности интегрированной навигационной системы по координатам и скоростям при отключениях сигнала спутниковой навигационной системы. Выполнено моделирование погрешности интегрированной навигационной системы при отсутствии сигнала спутниковой системы с использованием искусственных нейронных сетей. Приведена методика выбора входов искусственных нейронных сетей на основе критерия взаимной информации (MI) и оценки лагового пространства. В качестве искусственных нейронных сетей использована нелинейная авторегрессионная нейронная сеть с внешними входами. Проведена оценка эффективности предлагаемого метода компенсации погрешностей интегрированной навигационной системы при отсутствии сигнала спутниковой навигационной системы

Литература

[1] Grewal M.S., Weill L.R., Andrews A.P. Global positioning systems, inertial navigation, and integration. New York, Wiley, 2007.

[2] Hofmann-Wellenhof B., Lichtenegger H., Wasle E. GNSS --- global navigation satellite systems. Springer, 2007.

[3] Crassidis J.L., Junkins J.L. Optimal estimation of dynamic systems. New York, CRC press, 2011.

[4] Аль Битар Н., Гаврилов А.И. Интеграция бесплатформенной инерциальной и спутниковой навигационных систем на основе слабосвязанной схемы комплексирования с использованием расширенного фильтра Калмана. Инженерный журнал: наука и инновации, 2019, № 4. DOI: http://dx.doi.org/10.18698/2308-6033-2019-4-1870

[5] Аль Битар Н., Гаврилов А.И. Сравнительный анализ алгоритмов комплексирования в слабосвязанной инерциально-спутниковой системе на основе обработки реальных данных. Гироскопия и навигация, 2019, т. 27, № 3, с. 31--52. DOI: http://dx.doi.org/10.17285/0869-7035.0001

[6] Wan E.A., Van Der Merwe R. The unscented Kalman filter for nonlinear estimation. Proc. IEEE AS-SPCC, 2000, pp. 153--158. DOI: https://doi.org/10.1109/ASSPCC.2000.882463

[7] Потапов А.С. Технологии искусственного интеллекта. СПб., СПбГУ ИТМО, 2010.

[8] Noureldin A., Osman A., El-Sheimy N. A neuro-wavelet method for multi-sensor system integration for vehicular navigation. Meas. Sc. Technol., 2003, vol. 15, no. 2, pp. 404--412. DOI: https://doi.org/10.1088/0957-0233/15/2/013

[9] Rojas R. Neural networks. A systematic introduction. Springer, 2013.

[10] Taha M.R., Noureldin A., El-Sheimy N. Improving INS/GPS positioning accuracy during GPS outages using fuzzy logic. Proc. 16th ION GPS/GNSS. Portland, 2003, pp. 499--508.

[11] Jang J.S. ANFIS: adaptive-network-based fuzzy inference system. IEEE Trans. Syst., Man, Cybern., 1993, vol. 23, no. 3, pp. 665--685. DOI: https://doi.org/10.1109/21.256541

[12] Noureldin A., Karamat T.B., Eberts M.D., et al. Performance enhancement of MEMS-based INS/GPS integration for low-cost navigation applications. IEEE Trans. Veh. Technol., 2009, vol. 58, no. 3, pp. 1077--1096. DOI: https://doi.org/10.1109/TVT.2008.926076

[13] Wang X., Chen J.X., Ni W. A hybrid prediction method and its application in the distributed low-cost INS/GPS integrated navigation system. 18th Int. Conf. Information Fusion. Washington, DC, 2015, pp. 1205--1212.

[14] Chen X., Shen C., Zhang W.B., et al. Novel hybrid of strong tracking Kalman filter and wavelet neural network for GPS/INS during GPS outages. Measurement, 2013, vol. 46, no. 10, pp. 3847--3854. DOI: https://doi.org/10.1016/j.measurement.2013.07.016

[15] Zhang J., Walter J.J., Miao Y., et al. Wavelet neural networks for function learning. IEEE Trans. Signal Process., 1995, vol. 43, no. 6, pp. 1485--1497. DOI: https://doi.org/10.1109/78.388860

[16] Brown G. A new perspective for information theoretic feature selection. Proc. 12th AISTATS. Vol. 5. Clearwater Beach, Florida, 2009, pp. 49--56.

[17] He X., Asada H. A new method for identifying orders of input-output models for nonlinear dynamic systems. American Control Conf., 1993, pp. 2520--2523. DOI: https://doi.org/10.23919/ACC.1993.4793346

[18] Xie H., Tang H., Liao Y.H. Time series prediction based on NARX neural networks: an advanced approach. Int. Conf. Machine Learning and Cybernetics, 2009, vol. 3, pp. 1275--1279. DOI: https://doi.org/10.1109/ICMLC.2009.5212326

[19] Jekeli C. Inertial navigation systems with geodetic applications. Walter de Gruyter, 2012.

[20] Емельянцев Г.И., Степанов А.П. Интегрированные инерциально-спутниковые системы ориентации и навигации. СПб., Концерн "ЦНИИ "Электроприбор", 2016.

[21] Матвеев В.В. Инерциальные навигационные системы. Тула, Изд-во ТулГУ, 2012.

[22] More J.J. The Levenberg --- Marquardt algorithm: implementation and theory. In: Numerical Analysis. Springer, 1978, pp. 105--116.

[23] Karsoliya S. Approximating number of hidden layer neurons in multiple hidden layer BPNN architecture. IJETT, 2012, vol. 3, no. 6, pp. 714--717.

[24] Stathakis D. How many hidden layers and nodes? Int. J. Remote Sens., 2009, vol. 30, no. 8, pp. 2133--2147. DOI: https://doi.org/10.1080/01431160802549278