کاظم شکوهی مهر - دانشجوی دکتری، دانشکده مهندسی برق و کامپیوتر - دانشگاه بیرجند - بیرجند - ایران
محسن فرشاد - دانشیار، دانشکده مهندسی برق و کامپیوتر - دانشگاه بیرجند - بیرجند - ایران
رمضان هاونگی - استادیار، دانشکده مهندسی برق و کامپیوتر - دانشگاه بیرجند - بیرجند - ایران
ناصر مهرشاد - دانشیار، دانشکده مهندسی برق و کامپیوتر - دانشگاه بیرجند - بیرجند - ایران

امروزه رویکرد تلفیق داده‌های سامانۀ ناوبری اینرسی ارزان قیمت و ماهواره‌ای به‌منظور بالابردن دقت و قابلیت اطمینان مرسوم شده است. خوداتکایی، نرخ بالای تعیین داده‌ها، ارائۀ داده‌های دورانی و البته محدودیت کاهش دقت با گذشت زمان در سامانه‌های ناوبری اینرسی و همچنین، نرخ پایین داده‌ها، ارائه‌نشدن داده‌های دورانی و انسداد یا اختلال در دریافت داده‌های GNSS، توفیق روزافزون این رویکرد را سبب شده است. همچنین، روش‌های تلفیقی مبتنی بر فیلتر کالمن، با محدودیت‌هایی نظیر وابستگی به مدل، ضرورت در اختیار داشتن دانش پیشین، خطی‌سازی و از همه مهم‌تر کاهش کارآیی در زمان قطع‌شدن سیگنال‌های GNSS مواجه‌اند. هدف این مقاله، معرفی یک روش تلفیقی هوشمند برخط، با قابلیت اطمینان بالاست؛ به‌گونه‌ای‌که در شرایط قطع‌شدن یا اختلال در سیگنال‌های GNSS نیز کارآیی خود را حفظ کند. نتایج شبیه‌سازی‌‌ها با شبکة ‌عصبی GMDH و مقایسۀ آن با روش مرسوم فیلتر کالمن و شبکه‌های‌ عصبی MLP و RBF نشان می‌دهند شبکۀ‌ GMDH می‌تواند به‌دلیل سرعت و قابلیت بالا در تخمین و تصحیح خطای INS (ناشی از ساختار ساده‌ و حذف نرون‌های غیرفعال با انتخاب روشی مؤثر برای آموزش)، در عملیات ناوبری به‌صورت برخط و برای شرایط اجتناب‌ناپذیر در دسترس نبودن داده‌های GNSS استفاده شود.

تلفیق داده‌ها, سیستم اینرسی, سیستم ناوبری ماهواره‌ای جهانی, شبکة عصبی GMDH, فیلتر کالمن