بهبود دقت سامانه مكان ياب تفاضلي با استفاده از پيشگويي فاكتورهاي خطاي مختصات مكان مرجع

Improving DGPS Accuracy Using Predictions of Reference Position Components Error Factors

سامانه مكان ياب تفاضلي براي تعيين موقعيت دقيق نيازمند پيشگويي تصحيحات تفاضلي براي زمان هاي آينده است. اين سامانه از دو ايستگاه ثابت و متحرك تشكيل شده است. اگر ماهواره هاي دو ايستگاه دقيقاً يكسان باشد، منابع خطا در دو ايستگاه تقريباً نزديك به هم خواهد بود، در اين حالت فاكتورهاي مختصات مكان مرجع براي جبران خطاي مكان يابي ايستگاه كاربر به عنوان فاكتورهاي تصحيح‌شده قابل استفاده است. در اين مقاله، از الگوريتم هاي شبكه عصبي تكاملي، ماشين بردار پشتيبان، خودرگرسيو ميانگين متحرك و شبكه عصبي بازگشتي براي پيشگويي تصحيحات استفاده شده است، به‌منظور آزمايش الگوريتم ها از نمونه‌برداري ايستا و متحرك داده هاي موقعيت يك گيرنده ارزان قيمت استفاده شد و تصحيحات خطاي مختصات مكان مرجع با يك گام رو به جلو پيشگويي شده و در نقطه اي ديگر اعمال شد. مدل پيشگويي شبكه عصبي تكاملي نسبت به ساير مدل ها دقت بيشتري داشته و خطاي RMS آن 12/0 متر است. آزمايش‌هاي انجام شده نشان داد، خطاي RMS مكان يابي در حالت ايستا تا 5/0 متر و متحرك تا 61/0 متر كاهش مي يابد.

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.