%0 Journal Article %A Kaveh, Mehrdad %A Mesgari, Mohammad Saadi %A Khosravi, Ali %T Solving the local positioning problem using a four-layer artificial neural network %J Journal of Geospatial Information Technology %V 7 %N 4 %U http://jgit.kntu.ac.ir/article-1-761-fa.html %R 10.29252/jgit.7.4.21 %D 2020 %K Local positioning system (LPS), artificial neural network based on nonlinear system solver (NLANN), gauss-newton (GN), genetic algorithm (GA), hybrid particle swarm optimization (HPSO)., %X امروزه سیستم‌ تعیین موقعیت جهانی (GPS) 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 (LPS) 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 (NLANN) برای حل مسأله تعیین موقعیت محلی می‌باشد. برای ارزیابی عملکرد شبکه عصبی مصنوعی، از سه روش بهینه‌سازی گوس-نیوتون (GN)، الگوریتم ژنتیک (GA) و بهینه‌سازی ازدحام ذرات ترکیبی (HPSO) 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 GPS 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 (SNR)، 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 HPSO از الگوریتم‌های GA و GN نتایج بهتری را به دست آورده است. %> http://jgit.kntu.ac.ir/article-1-761-fa.pdf %P 21-40 %& 21 %! %9 Research %L A-11-621-2 %+ K.N. Toosi University of Technology %G eng %@ 2008-9635 %[ 2020