登普斯特谢弗神经网络算法在车辆导航中的应用

登普斯特谢弗神经网络算法在车辆导航中的应用

提出了一种高效的登普斯特谢弗神经网络（DSNN）算法，通过整合登普斯特证据理论和人工神经网络，有效地融合GPS和辅助惯性导航系统（INS）数据在车载导航中应用。该DSNN算法利用低成本的惯性测量单元进行车辆的精确定位。DSNN算法为了限制GPS未中断时的惯性测量单元故障，有效地结合了登普斯特证据理论和人工神经网络。登普斯特理论被认为是概率论的推广，当忽略接近零的状态时，登普斯特模型被简化为标准的贝叶斯理论。人工神经网络作为一个概念性的智能导航仪，可生成、储存和积累导航知识。DSNN算法降低了由低成本的惯性测量单元产生的车辆定位误差，有效地融合了GPS输出和没有GPS信号发生中断INS单元。该算法根据现有数据提供一个可靠的决策，以预测哪种传感器（INS或GPS）更可靠，从而提供最准确的综合导航解决方案。一旦GPS中断，DSNN算法用一个经训练的神经网络来预测解决方案。

所提出的DSNN算法优于常规神经网络模型。未来的研究工作是更多地利用人工神经网络模型以进一步减少导航误差。

刊名：Information Sciences（英）

刊期：2013年第253期

作者：Priyanka Aggarwal et al

编译：孙坚