یک روش ترکیبی هوشمند جدید مبتنی بر فیلتر کالمن و شبکه عصبی رگرسیون تعمیم یافته برای تلفیق سیستم ناوبری اینرسی ارزان قیمت و سیستم ناوبری ماهواره ای جهانی

با توجه به عدم کارآیی مناسب روش های مبتنی بر فیلتر کالمن برای تلفیق داده های ناوبری INS/GNSS در زمان قطع شدن سیگنال های GNSS، استفاده از تکنیک های هوش مصنوعی در معماری تلفیق مرسوم شده است. از این رو در این مقاله ضمن ارایه ی یک معماری ترکیبی موثر، از شبکه عصبی رگرسیون تعمیم یافته (GRNN) برای پیش بینی مشاهدات مورد نیاز فیلتر کالمن در شرایط قطع شدن طولانی مدت GNSS استفاده شده است. در مدل پیشنهادی، برای آموزش شبکه عصبی، سرعت ها و موقعیت های INS به عنوان ورودی ها و سرعت ها و موقعیت های GNSS به عنوان خروجی های شبکه در نظر گرفته شده اند. این رویکرد در عین کاربردی و عملیاتی بودن، سبب کاهش چشمگیر بار محاسباتی و افزایش دقت و سرعت تخمین شده است. نتایج شبیه سازی ها نشان می دهند که به دلیل ساختار ساده و در عین حال مقاوم معماری تلفیق پیشنهادی، و البته انتخاب شبکه عصبی کارآمد با قابلیت کشف ارتباط موثر میان ورودی ها و خروجی ها و به تبع آن اصلاح مناسب خطاهای مربوط به سرعت ها و موقعیت های INS، می توان از روش ارایه شده برای ناوبری پیوسته، خوداتکا، با قابلیت اطمینان و دقت بالا در کاربردهای زمان واقعی استفاده نمود.