دسته بندي تداخلات در گيرنده‌هاي GPS با استفاده از شبكه هاي عصبي چندلايه آموزش يافته با الگوريتم بهينه‌سازي گرگ خاكستري

كارشناسي

گيرنده‌هاي سامانه موقعيت‌ياب جهاني بسيار در معرض انواع و اقسام خطاها و اختلالات هستند كه همواره يكي از موضوعات مورد بررسي در اين سامانه‌ها بوده‌اند. در اين تحقيق، بر پايه شبكه¬هاي عصبي چندلايه كه يكي از پايه‌اي¬ترين شبكه¬هاي عصبي جهت تشخيص غيرخطي كلاس‌بندي‌ها هستند، استفاده شده است. برخلاف معمول كه از يك شبكه عصبي جهت كلاس¬بندي چهار گروه داده استفاده مي‌شود، در اين تحقيق كلاس¬بندي داده‌ها به دو مرحله تشخيص اعتبار و تشخيص كلاس تقسيم مي‌شود و هر داده با دوبار كلاس‌بندي در گرو خود قرار خواهد گرفت. جهت آموزش شبكه عصبي از الگوريتم فراابتكاري بهينه¬سازي گرگ خاكستري به عنوان يكي از جديدترين الگوريتم¬هاي فراابتكاري دهه اخير بهره گرفته شده و پارامترهاي تاثيرگذار اين الگوريتم به صورت مخصوص بر روي همين دسته داده¬ها مورد بررسي قرار گرفته است. شايان ذكر است كه در اين تحقيق روش ارائه شده به نتايج بسيار خوبي در دسته بندي داده‌ها به 4 گروه سيگنال معتبر، سيگنال حاوي خطاي چندمسيري، سيگنال با اختلال فريب و سيگنال با اختلال جمينگ دست يافت كه ميانگين افزايش 40 درصدي دقت دسته¬بندي گروه دوم، افزايش 2 درصدي دقت گروه سه و برابري حدودي قدرت تشخيص گروه اول و چهارم نسبت به روش‌هاي مشابه از اين دست نتايج مي‌باشد.

196732

دانشگاه علم و صنعت ايران

مهندسي برق - الكترونيك

دكتر سيدمحمدرضا موسوي ميركلائي