بهبود دقت و پایداری RTDGPS با استفاده از مدل ترکیبی RNN و PSO

نویسندگان

1 دانشگاه تربیت دبیر شهید رجایی - دانشکده مهندسی برق و کامپیوتر

2 دانشگاه شهید بهشتی - دانشکده مهندسی برق و کامپیوتر

چکیده

پایداری سامانه RTDGPS در سرویس‌دهی به کاربران حائز اهمیت است. این سامانه از دو ایستگاه مرجع و کاربر تشکیل شده است. قطع سیگنال ایستگاه مرجع موجب کاهش پایداری سامانه می‌شود. قطع سیگنال GPS موجب عدم تولید پروتکل مخصوص سامانه در ایستگاه مرجع می‌شود، در نتیجه فاکتورهای تصحیحاتی موجود در این پروتکل از طریق واسط ارتباطی به گیرنده کاربر نمی‌رسد. در این حالت سامانه از حالت موقعیت‌یابی DGPS وارد حالت GPS می‌گردد و دقت آن کاهش می‌یابد. در این مقاله برای جبران فقدان سیگنال از مدل پیش‌گویی شبکه عصبی بازگشتی استفاده شده است. آموزش این شبکه با استفاده از مدل بهینه‌سازی گروهی ذرات انجام شده است. شبه‌فاصله تصحیحاتی هر ماهواره ورودی مدل پیش‌گویی است. آزمون PSO-RNN با استفاده از اطلاعات واقعی PRC نشان داد که خطای RMS مدل 18/0 متر است. ایستگاه مرجع و کاربر این سامانه با استفاده از یک گیرنده ارزان‌قیمت پیاده‌سازی شد. عملیات ایستگاه مرجع به‌وسیله نرم‌افزار طراحی‌شده، انجام می‌شود. با استفاده از آزمون‌های عملی دقت مکان‌یابی ایستگاه کاربر سامانه با افزودن مدل PSO-RNN به ایستگاه مرجع، 4/0 متر به‌دست آمد. این مقدار نشان‌دهنده بهبود بیش از 50 درصدی دقت مکان‌یابی سامانه RTDGPS به‌سبب افزودن مدل پیش‌گویی است.

کلیدواژه‌ها


   [1]      عادل دمشقی، طراحی و پیاده‌سازی سامانه مکان‌یاب تفاضلی بلادرنگ با استفاده از مدل‌های پیش‌گویی بر روی گیرنده‌های ارزان‌قیمت، درجه کارشناسی ارشد، دانشگاه تربیت دبیر شهید رجایی، تهران، 1392.
   [2]      محمدحسین رفان، سامانه‌های موقعیت‌یاب ماهواره‌ای و کاربردها، تهران، انتشارات دانشگاه تربیت دبیر شهید رجایی، 1389.
   [3]      M.H. Refan, and A. Dameshghi, “Comparing error predictions of GPS position components using, ARMANN, RNN, and ENN in order to use in DGPS,” 20th Telecommunications Forum, Belgrade, pp. 815-818, 2012.
   [4]      M.H. Refan, and A. Dameshghi, “RTDGPS implementation by online prediction of GPS position components error using GA-ANN model,” Journal of Electrical and Computer Engineering Innovations, vol. 1, no. 1, pp. 43-50, 2013.
   [5]      M.H. Refan, A. Dameshghi, and M. Kamarzarrin, “Real time pseudo-range correction predicting by a hybrid GASVM model in order to improve RTDGPS accuracy,” Iranian Journal of Electrical and Electronic Enginering, vol. 9, no. 4, pp. 215-223, 2013.
   [6]      M.H. Refan, A. Dameshghi, and M. Kamarzarrin, “Improving RTDGPS accuracy using hybrid PSOSVM prediction model,” Aerospace Science and Technology, vol. 37, pp. 55–69, 2014.
   [7]      M.R. Mosavi, K. Mohammadi, and M.H. Refan, “A new approach for improving of GPS positioning accuracy by using an adaptive neurofuzzy system, before and after S/A is turned off,” International Journal of Engineering Science, Iran University of Science and Technology, vol. 15, no. 3, pp. 95-108, 2004.
   [8]      H. Bock, R. Dach, Y. Yoon, and O. Montenbruck, “GPS clock correction estimation for near real-time orbit determination applications,” Aerospace Science and Technology, vol. 13, no. 7, pp. 415–422, 2009.
   [9]      K. Kawamura, and T. Tanaka, “Study on the improvement of measurement accuracy in GPS,” SICE-ICASE International Joint Conference, Busan, pp. 1372-1375, 2006.
[10]      M. Mohasseb, A. Rabbany, O. Alim, and R. Rashad, “DGPS correction prediction using artificial neural networks,” The Journal of Navigation, vol. 60, no. 2, pp. 291-301, 2007.
[11]      J. Zhang, K. Zhang, R. Grenfell, and R. Deakin, “GPS satellite velocity and acceleration determination using the broadcast ephemeris,” The Journal of Navigation, vol. 59, no. 4, pp. 293–305, 2006.
[12]      M.R. Mosavi, “Comparing DGPS corrections prediction using neural network, fuzzy neural network, and kalman filter,” Journal of GPS Solutions, vol. 10, no. 3, pp. 97-107, 2006.
[13]      M.R. Mosavi, “A wavelet based neural network for DGPS corrections prediction,” WSEAS Transactions on Systems, vol. 3, no. 4, pp. 3070-3075, 2004.
[14]      M.R. Mosavi, “Estimation of pseudo-range DGPS corrections using neural networks trained by evolutionary algorithms,” Journal of Review of Electrical Engineering, vol. 5, no. 2, pp. 2715-272, 2010.
[15]      D. Jwo, T. Lee, and Y.W. Tseng, “ARMA neural Networks for predicting DGPS pseudo range correction,” The journal of navigation, vol. 57, no. 6, pp. 275–28, 2004.
[16]      Y. Geng, “Online DGPS correction prediction using recurrent neural networks with unscented kalman filter,” International Global Navigation Satellite Systems Society IGNSS Symposium, Sydney, 2007.
[17]      B. Park, J. Kim, and C. Kee, “RRC unnecessary for DGPS messages,” IEEE Transactions on Aerospace and Electronic Systems, vol. 42, no. 1, pp. 1149-1160, 2006.
[18]      A. Indriyatmoko, T.Y.J. Kang, G.I. Lee, Y.B. Jee, and J. Kim, “Artificial neural network for predicting DGPS carrier phase and pseudo-range correction,” Journal of GPS Solutions, vol. 12, no. 2, pp. 237-247, 2008.
[19]      RTCM Special Committee, RTCM Recommended Standards for Differential Global Navigation Satellite Systems (GNSS), service version 2.2, no. 104, 1998.
[20]      C.T. Chiang, and J.S. Hsu, “Improvement in DGPS Accuracy Using Recurrent S_CMAC_GBF,” World Academy of Science, Engineering and Technology, vol. 55, pp. 422-427, 2009.
[21]      M.R. Mosavi, and H. Nabavi, “Improving DGPS Accuracy using Neural Network Modeling,” Australian Journal of Basic and Applied Sciences, vol. 5, no. 2, pp. 848-856, 2011.
[22]      M. Bod´en, A guide to recurrent neural networks and backpropagation, The Dallas Project, SICS Technical Report, Available online at: http://citeseerx.ist.psu.edu/-viewdoc/summary?doi=10.1. 1.16.6652/, 2002.
[23]      X. Cai, N. Zhang, G. Vena, and D.C. Wunsch, “Time series prediction with recurrent neural networks trained by a hybrid PSO-EA algorithm,” Journal of Neurocomputing, vol. 70, no. 3, pp. 2342-2353, 2007.
[24]      A.  Graves, and J. Schmidhuber, “Offline handwriting recognition with multi-dimensional recurrent neural networks,” 22nd Annual Conference on Neural Information Processing Systems, Vancouver, 2008.
[25]      C.L. Giles, S. Lawrence, and A.C. Tsoi, “Noisy time series prediction using a recurrent neural network and grammatical inference,” Machine Learning, vol. 44, no. 6, pp. 161–183, 2001.
[26]      J. Pettersson, and M. Wahde, “Generating balancing behavior using recurrent neural networks and biologically inspired computation methods,” IEEE Transactions of Evolutionary Computation, vol. 23, no. 4, pp. 136-148, 2006.
[27]      R.J. Williams, and D. Zipser, “A learning algorithm for continually running fully recurrent neural networks,” Neural Computation, vol. 1, no. 3, pp. 270–280, 1998.
[28]      L.S. Wei, Y.K. Ching, C.S. Chieh, and L.Z. Jung, “Particle swarm optimization for parameter determination and feature selection of support vector machines,” Expert Systems with Applications, vol. 35, no. 2, pp. 1817-1824, 2008.
[29]      W. Yongli, N. Dongxiao, and M. Xiaoyong, “Optimizing of SVM with hybrid PSO and genetic algorithm in power load forecasting,” Journal of Networks, vol. 5, no. 4, pp. 1192-1198, 2010.
[30]      F. Ardjani, and K. Sadouni, “Optimization of SVM multiclass by particle swarm (PSO-SVM),” International Journal of Modern Education and Computer Science, vol. 2, no. 1, pp. 32-38, 2010.
[31]      M12M User's Guide, i-Lotus GPS Products, Available online at: http://www.ilotus.com.sg/m12m_navigation_-oncore/.
[32]      Sena Technologie, ZigBee Serial Adapter ProBee-ZS10 User Guide, Available online at: http://www.sena.com/-products/industrial_zigbee/zs10.php/.
[33]      Protocol Specification, U-blox 6 Receiver Description, Available online at: http://www.u-blox.com/en/gps-modu- les.html/.