نویسندگان

• محمدحسین رفان ¹
• عادل دمشقی ¹
• مهرنوش کمرزرین ²

¹ دانشکدة مهندسی برق و کامپیوتر، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران

² دانشکدة مهندسی برق و کامپیوتر، دانشگاه شهید بهشتی، تهران، ایران

چکیده

سامانة مکان­یاب تفاضلی برای تعیین موقعیت دقیق نیازمند پیشگویی تصحیحات تفاضلی برای زمان­های آینده است. این سامانه از دو ایستگاه ثابت و متحرک تشکیل شده است. اگر ماهواره­های دو ایستگاه دقیقاً یکسان باشد، منابع خطا در دو ایستگاه تقریباً نزدیک به هم خواهد بود، در این حالت فاکتورهای مختصات مکان مرجع برای جبران خطای مکان­یابی ایستگاه کاربر به عنوان فاکتورهای تصحیح‌شده قابل استفاده است. در این مقاله، از الگوریتم­های شبکه عصبی تکاملی، ماشین­ بردار پشتیبان، خودرگرسیو میانگین متحرک و شبکة عصبی بازگشتی برای پیشگویی تصحیحات استفاده شده است، به‌منظور آزمایش الگوریتم­ها از نمونه‌برداری ایستا و متحرک داده­های موقعیت یک گیرنده ارزان قیمت استفاده شد و تصحیحات خطای مختصات مکان مرجع با یک گام رو به جلو پیشگویی شده و در نقطه­ای دیگر اعمال شد. مدل پیشگویی شبکة عصبی تکاملی نسبت به سایر مدل­ها دقت بیشتری داشته و خطای RMSآن 12/0 متر است. آزمایش‌های انجام شده نشان داد، خطای RMSمکان­یابی در حالت ایستا تا 5/0 متر و متحرک تا 61/0 متر کاهش می­یابد.

کلیدواژه‌ها

• الگوریتم ژنتیک
• مکان‌یابی تفاضلی
• شبکه عصبی مصنوعی
• ماشین بردار پشتیبان
• خودرگرسیو میانگین متحرک
• خطای مختصات مکان مرجع

عنوان مقاله [English]

Improving DGPS Accuracy Using Predictions of Reference Position Components Error Factors

نویسندگان [English]

• Mohammad Hossein Refan ¹
• Adel Dameshghi ¹
• Mehrnoosh Kamarzarrin ²

¹ Faculty of Electrical and Computer Engineering, Tarbiat Dabir Shahid Rajaee University,Tehran Iran

² Faculty of Electrical and Computer Engineering, Shahid Beheshti University, Tehran, Iran

چکیده [English]

For precise locating, Differentials Global Positioning System requires prediction of differential corrections for the future times. The system is comprised of both fixed and mobile stations. If the satellites of the two stations are exactly the same, the sources of errors will be close to each other at the two stations; in this case, reference position components factors can be used as corrective factors  for offsetting user station positioning error. In this paper, Genetic and Artificial Neural Network hybrid algorithms (Evolutionary Neural Network), Support Vector Machines, Autoregressive Moving Average and Recurrent Neural Network have been used for corrections. In order to test the algorithms, static sampling of the position data of an inexpensive receiver was used and the predicted reference position components error corrections were applied elsewhere. The tests performed as post-process showed that the positioning RMS error decreases up to 0.5 m. The evolutionary neural network prediction model is more accurate than other models and its RMS error is 0.12 m.

کلیدواژه‌ها [English]

• Differentials global positioning system
• Genetic algorithm
• Support Vector Machine
• Artificial Neural Network
• Autoregressive –moving
• average model