Automization of an INS/GPS intecrated system using genetic optimization
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 integrated inertial navigation systems (INS) and global positioning systems (GPS) have been implemented using the Kalman filtering technique with its drawbacks related to the need for predefined INS error model, immunity to noise effects and observability. Most recently, an INS/GPS integration method using a hybrid-adaptive-neuro-fuzzy integration system (ANFIS) has been proposed by the authors. The advantage of the ANFIS over other classical filtering algorithms is its ability to deal with noise in the input data in dynamic environments. During the availability of GPS signal, the ANFlS is trained to map the error between the GPS and the INS. The ANFIS will then be employed to predict the error of the INS position components during GPS signal blockage. As ANFIS will be used in real time applications, the change in the system parameters (e.g. the number of membership functions, the step size, arid step increase and decrease rates) to achieve the minimum training error during cach time period is automated. This paper introduces a genetic optimization algorithm that is used to update the ANFlS parameters with the INS/GPS error function used as the objective function to be minimized. Challenges encountered in the integration process are discussed and the proposed architecture is tested in a land vehicle navigation. GPS signal outage of a time period of 120 seconds was simulated during 1420 seconds of land vehicle navigation. The experimental results demonstrated the advantages of the genetically optimized ANFlS For lNS/GPS Integration.
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 | 0,000 |
| 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