Online INS/GPS integration with a radial basis function neural network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Most of the present navigation systems rely on Kalman filtering to fuse data from global positioning system (GPS) and the inertial navigation system (INS). In general, INS/GPS integration provides reliable navigation solutions by overcoming each of their shortcomings, including signal blockage for GPS and growth of position errors with time for INS. Present Kalman filtering INS/GPS integration techniques have some inadequacies related to the stochastic error models of inertial sensors, immunity to noise, and observability. This paper aims to introduce a multi-sensor system integration approach for fusing data from INS and GPS utilizing artificial neural networks (ANN). A multi-layer perceptron ANN has been recently suggested to fuse data from INS and differential GPS (DGPS). Although being able to improve the positioning accuracy, the complexity associated with both the architecture of multi-layer perceptron networks and its online training algorithms limit the real-time capabilities of this technique. This article, therefore, suggests the use of an alternative ANN architecture. This architecture is based on radial basis function (RBF) neural networks, which generally have simpler architecture and faster training procedures than multi-layer perceptron networks. The INS and GPS data are first processed using wavelet multi-resolution analysis (WRMA) before being applied to the RBF network. The WMRA is used to compare the INS and GPS position outputs at different resolution levels. The RBF-ANN module is then trained to predict the INS position errors and provide accurate positioning of the moving platform. Field-test results have demonstrated that substantial improvement in INS/GPS positioning accuracy could be obtained by applying the combined WRMA and RBF-ANN modules.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle