انتخاب زیر مجموعه بهینه ماهواره‌ها با استفاده از مدل ترکیبی svmpso به منظور افزایش دقت مکان‌یابی gps

هندسه ماهواره ها، نشان دهنده مکان های هندسی ماهواره های gps است، فاکتوری که ارتباط هندسی صورت فلکی ماهواره های gps را با همدیگر نشان می دهد، gdop است. همه گیرنده ها از الگوریتم هایی برای انتخاب ماهواره ها استفاده می کنند، در این مقاله هدف استفاده از راهکار دسته بندی و تخمین فاکتور gdop برای انتخاب زیر مجموعه بهینه ماهواره ها است. برای این منظور از مدل ترکیبی svmpso استفاده شده است. این مدل بر خلاف روش ماتریس معکوس که به دلیل تاخیرهای محاسباتی اعلام موقعیت بلادرنگ را دچار نقصان می کرد، با دقت، سرعت و قابلیت اطمینان بالا فاکتور gdop را محاسبه می کند. مدل svm یکی از مدل های قوی برای دسته بندی و تخمین است، نقش pso بهینه سازی پارامترهای اساسی svm است. این روش عملکرد svm را در دقت و سرعت بهبود می دهد. مدل svmpso برای دسته بندی ماهواره های دیده شده با گیرنده ارزان قیمت gps پیاده سازی شد. 4 نقشه متفاوت برای محاسبه فاکتور gdop وجود دارد. شبیه سازی هر 4 نقشه در این مقاله منعکس و با یکدیگر مقایسه گردید. پیاده سازی مدل و نتایج شبیه سازی خطای تخمین مدل svmpso را کمتر از 16/0 و دقت دسته بندی آن را بیش از 99 درصد نشان دادند. روش ارائه شده با روش های ga، nn و svm که اخیرا برای محاسبه gdop استفاده شده اند، مقایسه گردید.

Best Subset Selection of GPS Satellites Using Hybrid PSOSVM Algorithm to Increase Positioning Accuracy

satellites as seen by the receiver(s), plays a very important role in the total positioning accuracy. Geometric Dilution of Precision (GDOP) is an indicator showing how well the constellation of GPS satellites is organized geometrically. The approach is based on approximation or classification of the GDOP factors utilizing the hybrid Particle Swarm Optimization (PSO) and Support Vector Machine (SVM) method. Without matrix inversion required, this method is capable of evaluating all subsets of satellites and hence reduces the computational burden. This would enable the use of a highintegrity navigation solution without the delay required for many matrix inversions. This method which are using the first time for classification of GDOP, were compared Neural Network (NN), Genetic Algorithm (GA), and SVM that recently been used for this purpose. The experiments show that the approximation total RMS errors of PSOSVM are less than 0.166m and total performance classification of PSOSVM is 99.9%.