حل دقيق معادلات موقعيت در گيرنده هاي GPS با استفاده از شبكه هاي عصبي

Position Accurate Estimation in GPS Receivers using Neural Networks

مروزه از مزيت‌هاي GPS در صنايع مختلف از جمله صنعت هوافضا و نقشه‌برداري بسيار استفاده مي‌شود. براي محاسبه موقعيت با استفاده از داده‌هاي دريافتي در گيرنده GPS، روش‌هاي مختلفي ارائه شده است كه هر كدام به نوعي سعي در افزايش دقت تعيين موقعيت دارند. شبكه‌هاي عصبي مصنوعي روشي تقريبا جديد براي تقريب توابع و پيش‌بيني حالت آينده سيستم‌هاي مختلف مي‌باشند. اين شبكه‌ها براي حالتي كه بين ورودي و خروجي سيستم روابط غيرخطي برقرار است، به خوبي به نتايج قابل قبول منتج مي‌شوند و از اين‌رو در بسياري از حوزه‌هاي علمي مورد استفاده قرار مي‌گيرند. در اين مقاله روشي مبتني بر شبكه‌هاي عصبي براي حل دقيق معادلات موقعيت در گيرنده‌هاي GPS پيشنهاد شده و عملكرد آن‌ها با يكديگر و همچنين با روش مرسوم حداقل مربعات خطا مقايسه مي‌گردد. با استفاده از نتايج بدست آمده روشن است كه دقت و سرعت روش پيشنهادي از روش‌هاي موجود بيشتر است. همچنين اين روش در بيشتر حالات و از جمله حالاتي كه روش حداقل مربعات خطا جوابي بدست نمي‌دهد نيز به جواب قابل قبولي منتج مي‌شود.

The Global Positioning System (GPS) is a space-based satellite navigation system that provides location and time information in all weather, anywhere on or near the Earth, where there is an unobstructed line of sight to four or more GPS satellites. The GPS program provides critical capabilities to military, civil and commercial users around the world. Traditionally GPS navigation equations can be solved using iterated methods, difference linearization, and extended Kalman filter. All these techniques attempt to linearize the equations and then solve them by traditional means such as Least Squares (LS) solvers. The linearization introduces a small error in the equations as the higher order terms are neglected from the equations to be solved. Neural Networks (NNs) are used to approximate non-linear functions using a training set composed of past data to learn NN weights from data. In this paper, an approach to solving the GPS pseudo-range carrier phase measurements equations using multi-layer perceptron NNs is proposed. The experimental results obtained from a Coarse Acquisition (C/A)-code single-frequency GPS receiver are provided to confirm the efficacy of the proposed method to provide a high level of positioning accuracy. The results of comparison by LS method show NN approach has less RMS error, less calculation volume and more precision. Also, simulations demonstrate that NN has stable behavior even under bad geometry conditions.