fa حل مسأله تعیین موقعیت محلی با استفاده از شبکه عصبی مصنوعی چهار لایه سیستمهای اطلاعات مکانی (عمومی) GIS پژوهشي Research <span style="font-family:b nazanin;">امروزه </span><span style="font-family:b nazanin;">سیستم‌ تعیین موقعیت جهانی (</span><em><span dir="LTR"><span style="font-size:8.0pt;">GPS</span></span></em><span style="font-family:b nazanin;">) در درون ساختمان‌ها و در ناحیه‌های شهری متراکم که دید مستقیم بین کاربر و ماهواره‌ها وجود ندارد، کارایی چندانی ندارد. از این رو در سال‌های اخیر سیستم تعیین موقعیت محلی (</span><em><span dir="LTR"><span style="font-size:8.0pt;">LPS</span></span></em><span style="font-family:b nazanin;">) به‌طور قابل توجهی مورد استفاده قرار گرفته است. هدف اصلی از این تحقیق، ارائه یک شبکه عصبی مصنوعی چهار لایه مبتنی بر حل معادلات غیر خطی </span><span style="font-family:b nazanin;">(</span><em><span dir="LTR"><span style="font-size:8.0pt;">NLANN</span></span></em><span style="font-family:b nazanin;">)</span><span style="font-family:b nazanin;"> برای حل مسأله تعیین موقعیت محلی می‌باشد. برای ارزیابی عملکرد شبکه عصبی مصنوعی، از سه روش بهینه‌سازی گوس-نیوتون (</span><em><span dir="LTR"><span style="font-size:8.0pt;">GN</span></span></em><span style="font-family:b nazanin;">)، الگوریتم ژنتیک</span><span style="font-family:b nazanin;"> (</span><em><span dir="LTR"><span style="font-size:8.0pt;">GA</span></span></em><span style="font-family:b nazanin;">)</span><span style="font-family:b nazanin;"> و بهینه‌سازی ازدحام ذرات ترکیبی </span><span style="font-family:b nazanin;">(</span><em><span dir="LTR"><span style="font-size:8.0pt;">HPSO</span></span></em><span style="font-family:b nazanin;">)</span><span style="font-family:b nazanin;"> استفاده شده است. نتایج نشان می‌دهد که مدل پیشنهادی از دقت بالایی برخوردار است. دقت شبکه عصبی مصنوعی بر روی داده‌های شبیه‌سازی‌شده، 05_/0 متر حاصل شده است. در حالی‌که بهترین دقت در الگوریتم‌های دیگر حدود 45_/0 متر می‌باشد. در داده‌های شبکه ایستگاه‌های </span><em><span dir="LTR"><span style="font-size:8.0pt;">GPS</span></span></em><span style="font-family:b nazanin;"> ایتالیا، شبکه عصبی مصنوعی در مدت زمان یک دقیقه به دقت زیر 10 سانتی‌متر دست یافته است. همچنین شبکه عصبی مصنوعی، در ابعاد متفاوت از منطقه مطالعاتی و نسبت سیگنال به نویزهای مختلف (</span><em><span dir="LTR"><span style="font-size:8.0pt;">SNR</span></span></em><span style="font-family:b nazanin;">)، دارای دقت بهتری می‌باشد و با افزایش تعداد ایستگاه‌ها، نتایج خوبی را در زمان‌های کمتری به‌دست آورده است. در حالی که الگوریتم های دیگر از دقت خوبی برخوردار نیستند. با این حال الگوریتم </span><em><span dir="LTR"><span style="font-size:8.0pt;">HPSO</span></span></em><span style="font-family:b nazanin;"> از الگوریتم‌های </span><em><span dir="LTR"><span style="font-size:8.0pt;">GA</span></span></em><span style="font-family:b nazanin;"> و </span><em><span dir="LTR"><span style="font-size:8.0pt;">GN</span></span></em><span style="font-family:b nazanin;"> نتایج بهتری را به دست آورده است.</span> Today, the global positioning systems (GPS) do not work well in buildings and in dense urban areas when there is no lines of sight between the user and their satellites. Hence, the local positioning system (LPS) has been considerably used in recent years. The main purpose of this research is to provide a four-layer artificial neural network based on nonlinear system solver (NLANN) for local positioning problem. To evaluate the performance of artificial neural network, three methods of gauss-newton (GN), genetic algorithm (GA) and hybrid particle swarm optimization (HPSO) have been used. The results indicate that the proposed model has high accuracy. The accuracy of the artificial neural network on the simulated data is 0.05 m, while the best accuracy in other algorithms is about 0.45 meters. In the data of Italy&#39;s GPS network, the artificial neural network has been reached to accuracy below 10 cm in one minute. Also, artificial neural network has better accuracy in different dimensions of study area and different signal to noise ratio (SNR), and by increasing the number of stations, it has achieved good results in less time. Whereas other algorithms have not get well accuracy. However, the HPSO has better results related to GA and GN algorithms. تعیین موقعیت محلی, شبکه عصبی مصنوعی مبتنی بر حل معادلات غیر خطی (NLANN),گوس-نیوتون, الگوریتم ژنتیک و بهینه‌سازی ازدحام ذرات ترکیبی (HPSO). Local positioning system (LPS), artificial neural network based on nonlinear system solver (NLANN), gauss-newton (GN), genetic algorithm (GA), hybrid particle swarm optimization (HPSO). 21 40 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-621-2&slc_lang=fa&sid=1 Mehrdad Kaveh مهرداد کاوه M.kaveh11@email.kntu.ac.ir 10031947532846007540 10031947532846007540 Yes K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mohammad Saadi Mesgari محمد سعدی مسگری 10031947532846007541 10031947532846007541 No K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Ali Khosravi علی خسروی 10031947532846007542 10031947532846007542 No K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی