این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۶، شماره ۴، صفحات ۰-۰
عنوان فارسی انتخاب زیر مجموعه بهینه ماهواره‌ها با استفاده از مدل ترکیبی SVMPSO به منظور افزایش دقت مکان‌یابی GPS
چکیده فارسی مقاله هندسه ماهواره‌ها، نشان‌دهنده مکان‌های هندسی ماهواره‌های GPS است، فاکتوری که ارتباط هندسی صورت فلکی ماهواره‌های GPS را با همدیگر نشان می‌دهد، GDOP است. همه گیرنده‌ها از الگوریتم‌هایی برای انتخاب ماهواره‌ها استفاده می‌کنند، در این مقاله هدف استفاده از راهکار دسته‌بندی و تخمین فاکتور GDOP برای انتخاب زیر مجموعه بهینه ماهواره‌ها است. برای این منظور از مدل ترکیبی SVMPSO استفاده شده است. این مدل بر خلاف روش ماتریس معکوس که به دلیل تاخیرهای محاسباتی اعلام موقعیت بلادرنگ را دچار نقصان می‌کرد، با دقت، سرعت و قابلیت اطمینان بالا فاکتور GDOP را محاسبه می‌کند. مدل SVM یکی از مدل‌های قوی برای دسته‌بندی و تخمین است، نقش PSO بهینه‌سازی پارامترهای اساسی SVM است. این روش عملکرد SVM را در دقت و سرعت بهبود می‌دهد. مدل SVMPSO برای دسته‌بندی ماهواره‌های دیده شده با گیرنده‌ ارزان قیمت GPS پیاده‌سازی شد. 4 نقشه متفاوت برای محاسبه فاکتور GDOP وجود دارد. شبیه‌سازی هر 4 نقشه در این مقاله منعکس و با یکدیگر مقایسه گردید. پیاده‌سازی مدل و نتایج شبیه‌سازی خطای تخمین مدل SVMPSO را کمتر از 16/0 و دقت دسته‌بندی آن را بیش از 99 درصد نشان دادند. روش ارائه شده با روش‌های GA، NN و SVM که اخیرا برای محاسبه GDOP استفاده شده‌اند، مقایسه گردید.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Best Subset Selection of GPS Satellites Using Hybrid PSOSVM Algorithm to Increase Positioning Accuracy
چکیده انگلیسی مقاله satellites as seen by the receiver(s), plays a very important role in the total positioning accuracy. Geometric Dilution of Precision (GDOP) is an indicator showing how well the constellation of GPS satellites is organized geometrically. The approach is based on approximation or classification of the GDOP factors utilizing the hybrid Particle Swarm Optimization (PSO) and Support Vector Machine (SVM) method. Without matrix inversion required, this method is capable of evaluating all subsets of satellites and hence reduces the computational burden. This would enable the use of a high-integrity navigation solution without the delay required for many matrix inversions. This method which are using the first time for classification of GDOP, were compared Neural Network (NN), Genetic Algorithm (GA), and SVM that recently been used for this purpose. The experiments show that the approximation total RMS errors of PSOSVM are less than 0.166m and total performance classification of PSOSVM is 99.9%.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمد حسین رفان | mohammad hossein
دانشگاه تربیت دبیر شهید رجائی
سازمان اصلی تایید شده: دانشگاه تربیت دبیر شهید رجایی (Shahid rajaee teacher training university)

عادل دمشقی |
دانشگاه تربیت دبیر شهید رجائی
سازمان اصلی تایید شده: دانشگاه تربیت دبیر شهید رجایی (Shahid rajaee teacher training university)

مهرنوش کمر زرین |
دانشگاه شهید بهشتی
سازمان اصلی تایید شده: دانشگاه شهید بهشتی (Shahid beheshti university)

نشانی اینترنتی http://isee.ui.ac.ir/article_15437_d0058201c41be823ca3c8b916e54e911.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1306/article-1306-343723.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات