登普斯特謝弗神經網絡算法在車輛導航中的應用

登普斯特謝弗神經網絡算法在車輛導航中的應用

提出了一種高效的登普斯特謝弗神經網絡（DSNN）算法，通過整合登普斯特證據理論和人工神經網絡，有效地融合GPS和輔助慣性導航系統（INS）數據在車載導航中應用。該DSNN算法利用低成本的慣性測量單元進行車輛的精確定位。DSNN算法為了限制GPS未中斷時的慣性測量單元故障，有效地結合了登普斯特證據理論和人工神經網絡。登普斯特理論被認為是概率論的推廣，當忽略接近零的狀態時，登普斯特模型被簡化為標準的貝葉斯理論。人工神經網絡作為一個概念性的智能導航儀，可生成、儲存和積累導航知識。DSNN算法降低了由低成本的慣性測量單元產生的車輛定位誤差，有效地融合了GPS輸出和沒有GPS信號發生中斷INS單元。該算法根據現有數據提供一個可靠的決策，以預測哪種傳感器（INS或GPS）更可靠，從而提供最準確的綜合導航解決方案。一旦GPS中斷，DSNN算法用一個經訓練的神經網絡來預測解決方案。

所提出的DSNN算法優于常規神經網絡模型。未來的研究工作是更多地利用人工神經網絡模型以進一步減少導航誤差。

刊名：Information Sciences（英）

刊期：2013年第253期

作者：Priyanka Aggarwal et al

編譯：孫堅