مقایسه الگوریتم پس انتشار و فیلتر کالمن آنسنتد در آموزش شبکه عصبی عمیق به منظور تخمین مکان اجسام دارای قابلیت مانور بالادر سه بعد توسط اطلاعات فاصله بر مبنای روش زمان ورود و شرایط عدم وجود خط دید

در مقاله پیشرو روشی به منظور مکانیابی در شبکه های حسگر بیسیم برمبنای روش پایه زمان ورود در شرایط عدم وجود خط دید پیشنهاد شده است. از طرفی حرکت جسم متحرک دارای قدرت مانور بالابا نرخ چرخش متغییر و ناشناخته است. در چنین شرایطی دقت تخمین مکان به میزان قابل توجه کاهش مییابد. روش پیشنهادیبه منظور کاهش خطای تخمین به کارگیری شبکه عصبی عمیق در شبکه های حسگر بیسیم است که در آن ورودی شبکه عصبی عمیق بر مبنای اطلاعات فاصله حاصل از زمانهای ورود اندازه گیری شده و خروجی آن مکان جسممتحرک در سه بعد است. چالش اصلی در استفاده از شبکه عصبی عمیق الگوریتم آموزش آن است. معموال به منظور آموزش الگوریتمهای پس انتشار پیشنهاد میگردد. ولی چالش اصلی اینگونه الگوریتمها گیرافتادن در نقاط بهینه محلی است که در نتیجه آن همگرائی شبکه عصبی عمیق تحت تاثیر قرارا گرفته یا حتی ممکن است به واگرائی خروجی شبکه عصبی منجر گردد. بدین منظور در روش پیشنهادی از الگوریتم فیلتر کالمن آنسنتد بهمنظور آموزش شبکه عصبی استفاده شده است. نتایج شبیه سازی نشان میدهد که الگوریتم پیشنهاد ی عملکرد بهتری نسبت به الگوریتمهای پس انتشار دارد و میتواند به طور قابلتوجهی دقت تخمین مکان توسط روش زمان ورود را در شرایط عدم وجود خط دید و قابلیت مانور بالاهدف بهبود بخشد.