مقالات رزومه دکتر محسن نژادشاهبداغی

انتخاب همه

Chaotic Time-Series Prediction using Intelligent Methods

M. Nezhadshahbodaghi, K. Bahmani, M. R. Mosavi*, D. Martín

Iranian Journal of Electrical and Electronic Engineering, Volume:19 Issue: 2, Jun 2023, P 11

Today, it can be said that in every field in which timely information is needed, we can use the applications of time-series prediction. In this paper, among so many chaotic systems, the Mackey-Glass and Loranz are chosen. To predict them, Multi-Layer Perceptron Neural Network (MLP NN) trained by a variety of heuristic methods are utilized such as genetic, particle swarm, ant colony, evolutionary strategy algorithms, and population-based incremental learning. Also, in addition to expressed methods, we propose two algorithms of Bio-geography-Based Optimization (BBO) and fuzzy system to predict these chaotic systems. Simulation results show that if the MLP NN is trained based on the proposed meta-heuristic algorithm of BBO, training and testing accuracy will be improved by 28.5% and 51%, respectively. Also, if the presented fuzzy system is utilized to predict the chaotic systems, it outperforms approximately by 98.5% and 91.3% in training and testing accuracy, respectively.

Keywords: Time Series, Neural Networks, Heuristic Methods, Fuzzy Systems}

Abstract View Paper Research/Original Article Original: English
بهبود ناوبری INS/GPS در زمان قطعی GPS با استفاده از هوش مصنوعی

امیر ابراهیمی، مریم صادقی، محسن نژادشاه بداغی، سید محمدرضا موسوی میرکلایی*، الهه سادات عبدالکریمی

فصلنامه پدافند الکترونیکی و سایبری، سال نهم شماره 2 (پیاپی 34، تابستان 1400)، صص 143 -157

با توجه به اهمیت دقت ناوبری در کاربردهایی با سرعت بالا، اغلب سامانه ناوبری اینرسی (INS) را با یکی از سامانه های ناوبری ماهواره ای تلفیق می کنند. در یکی از انواع این روش ها که در آن INS با GPS تلفیق می شود، مسئله ی قطعی GPS یک چالش مهم و غیرقابل اجتناب است. مضاف بر قطعی GPS، استفاده از حسگرهای ارزان قیمت میکرو الکترومکانیکی (MEMS) در INS، که دارای کیفیت پایین بوده و خروجی نویزی دارند، دقت ناوبری خالص INS را به شدت کاهش داده و با طولانی شدن قطعی GPS، آن را به واگرایی می کشاند. در این مقاله با استفاده از هوش مصنوعی، ناوبری INS/GPS را در زمان قطعی GPS بهبود داده ایم. بدین صورت که بلوک هوشمند، خروجی INS را در زمان t-1 و t-2 دریافت می کند، لذا ورودی آن شامل اطلاعات مکانی و زمانی INS می باشد. خروجی بلوک هوشمند نیز مبین خروجی GPS در زمان t است. در طول مدتی که GPS در دسترس است، بلوک هوشمند در فاز آموزش است. در این فاز، خروجی بلوک هوشمند با مقدار مطلوب، که همان خروجی GPS می باشد، مقایسه می شود. در زمان قطعی GPS، عملا بلوک هوشمند خروجی INS را به سمت خروجی GPS میل می دهد. به منظور سنجش این رویکرد و نیز مقایسه دقت تخمین تعدادی از سامانه های هوشمند متفاوت، در پنج روش مختلف، از شبکه های عصبی MLP، RBF، SVR، موجک و نیز سامانه استنتاج فازی-عصبی تطبیقی به عنوان بلوک هوشمند استفاده کرده ایم. همچنین داده-هایی که در این مقاله برای سنجش روش های بیان شده، استفاده شده است، از یک محیط واقعی توسط یک مینی هواپیما جمع آوری شده است. نتایج به دست آمده برای هر پنج روش، نشان دهنده ی آن است که ناوبری تحت این رویکرد در زمان قطعی GPS، نسبت به ناوبری خالص INS به صورت چشم گیری بهبودیافته است. در میان پنج بلوک هوشمند نیز، شبکه عصبی موجک توانسته است حدودا بیش از 30 درصد نسبت به دیگر روش ها دقت داشته باشد.

کلید واژگان: ناوبری, GPS, قطعی, INS, هوش مصنوعی, شبکه عصبی, ANFIS}

چکیده مشاهده متن مقاله پژوهشی/اصیل زبان: فارسی

Improving INS/GPS Integration with Artificial Intelligence during GPS Outage

A. Ebrahimi, M. Sadeghi, M. Nezhadshahbodaghi, M. R. Mosavi *, E. S. Abdolkarimi

Journal of Electronic and Cyber Defense, Volume:9 Issue: 2, 2021, PP 143 -157

The importance of navigation precision in high dynamic environments has led to integrating the Inertial Navigation System (INS) with satellite navigation systems. In one of those integration methods that INS is integrated with GPS, GPS outage is an unavoidable challenge. Moreover, due to significant noisy signal existing in low-cost MEMS sensors, navigation precision severely decreases, and the INS error will diverge in the long term. This paper improves the INS/GPS navigation system using Artificial Intelligence (AI) during GPS outage. In this approach, the INS outputs at t and t-1 are injected to the AI module as the positioning and timing information. While GPS is available, the AI module is trained, and its output is compared with the GPS output. The AI module indeed intents to drive the INS output to the GPS output during GPS outage. To evaluate this approach and compare with some different intelligence systems, we have utilized Neural Networks (NNs) as an AI module in five different NNs: multilayer perceptron (MLP(, radial basis function )RBF(, support vector regression (SVR(, Wavelet, and adaptive neuro-fuzzy inference system (ANFIS). The required dataset to compare all five mentioned methods is gathered in a real environment by a mini-airplane. The results of all five methods represent that the proposed methods have superior performance compared to other traditional methods; so that the wavelet NN outperforms others by approximately 30%.

Keywords: Navigation, GPS, Outage, INS, artificial intelligence, neural network}

Abstract View Paper Research/Original Article Original: Persian

فهرست مطالب این نویسنده: 2 عنوان

نژادشاهبداغی، محسن

دانشجوی دکتری برق-الکترونیک- دانشکده برق، دانشگاه علم و صنعت ایران

بدانید!

این فهرست شامل مطالبی از ایشان است که در سایت مگیران نمایه شده و توسط نویسنده تایید شده‌است.
مگیران تنها مقالات مجلات ایرانی عضو خود را نمایه می‌کند. بدیهی است مقالات منتشر شده نگارنده/پژوهشگر در مجلات خارجی، همایش‌ها و مجلاتی که با مگیران همکاری ندارند در این فهرست نیامده‌است.
اسامی نویسندگان همکار در صورت عضویت در مگیران و تایید مقالات نمایش داده می شود.

به جمع مشترکان مگیران بپیوندید!

مقالات رزومه دکتر محسن نژادشاهبداغی