تلفن: 04142273781

ترجمه مقاله ترکیب داده های چند سنسوره با استفاده از شبکه عصبی المان – نشریه الزویر

عنوان فارسی: ترکیب داده های چند سنسوره با استفاده از شبکه عصبی المان
عنوان انگلیسی: Multisensor data fusion using Elman neural networks
تعداد صفحات مقاله انگلیسی : 9 تعداد صفحات ترجمه فارسی : 12
سال انتشار : 2017 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 358 رفرنس : دارد ✓
محتوای فایل : zip حجم فایل : 2.79Mb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر و برق
گرایش های مرتبط با این مقاله: هوش ماشین و رباتیک، مهندسی کنترل، مهندسی الگوریتم ها و محاسبات و هوش مصنوعی
مجله: ریاضی کاربردی و محاسباتی - Applied Mathematics and Computation
دانشگاه: دانشکده محاسبات، دانشکده مهندسی کامپیوتر، لهستان
کلمات کلیدی: AHRS، IMU، فیوژن سنسور، شبکه عصبی، ناوبری درونی
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است ✓
doi یا شناسه دیجیتال: https://doi.org/10.1016/j.amc.2017.02.031
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1-مقدمه

2- ترکیب داده های چند سنسوره

3- شبکه عصبی مصنوعی

4- نتایج آزمایشگاهی

5- نتایج

نمونه متن انگلیسی

Abstract

The paper presents a navigation system based on Elman Artificial Neural Network (ANN). The task of data fusion from different sensors is realized by trained ANN. Determining position in space is an issue of nonlinear hence. Not every type of ANN is used for such a task. Choice of Elman ANN was dictated by its construction and successfully applications to nonlinear problems requiring prediction. Elman network is composed of three layers. Comprises a layer of hidden layer units context which is connected to the hidden layer. Context-sensitive layer allows for store the values of previous hidden units. With this layer prediction is possible in sequential order. This is the effect of contextual memory where information is stored about what it was before. This kind of functionality is not able to provide any other standard neural network unidirectional. The system consists of MEMS (Micro Electro-Mechanical Systems) sensors, which are based on IMU (Inertial Measurement Unit). IMU is composed from gyroscopes, accelerometers and magnetometers which provide three dimensional linear accelerations and angular rates. This is a classic set of sensors for determining the position in space. The study presents the results of the implementation of algorithms for determining the position in space using trained Elman ANN. The data samples to train ANN were collected during the test flight of Quadrocopter. Paper presents the performance for different configurations of Elman ANN. Presented system provides easy addition of other sensors e.g. GPS/GLONASS receiver.

نمونه متن ترجمه

چکیده

این مقاله یک سیستم مسیریابی را بر اساس شبکه عصبی مصنوعی (ANN) المان ارائه می دهد. عمل ترکیب داده ها حاصل از سنسورهای مختلف بوسیله ANN آموزشی درک شده است. تعیین موقعیت در فضا موضوعی غیر خطی است، از این رو هر نوع ANN را نمی توان برای این عمل بکار برد. ANN المان به علت ساخت و کاربرد موفق آن در مسائل غیر خطی که به پیشبینی نیازمندند، انتخاب شده است. شبکه المان از سه لایه تشکیل شده است. لایه ای از واحدهای لایه ای مخفی که به لایه مخفی متصل شده است. لایه حساس به متن ذخیره مقادیر واحدهای مخفی قبلی را قادر میسازد. با این لایه، پیشبینی در دستورات سلسه مراتبی ممکن می باشد. این امر تاثیر حافظه متنی است که اطلاعات حوادث قبلی در آن ذخیره میگردد. شبکه عصبی تک محوره استاندارد دیگری قادر به فراهم نمودن این نوع عملکرد نیست. سیستم متشکل از سنسورهای MEMS (سیستم های ریز الکترومکانیکی) می باشد که بر پایه IMU (واحد اندازه گیری لختی) استوار است. IMU از ژیروسکوپ ها، شتاب سنج ها و مغناطیس سنج هایی تشکیل شده که شتاب های سه بعدی خطی و نرخهای زاویه ای را ارائه می دهد. این یک مجموعه کلاسیک از سنسورها برای تعیین موقعیت فضایی است. این مطالعه نتایج کاربرد الگوریتم هایی برای تعیین موقعیت فضایی با استفاده از ANN المان را ارائه می دهد. نمونه داده های ANN آزمایشی حین تست پرواز کوادکوپتر جمع آوری گردید. این مقاله عملکرد اشکال مختلف ANN المان را ارائه میدهد. سیستم ارائه شده تجمیع آسان سایر سنسورها مانند دریافت کننده های GPS/GLONASS را ممکن می سازد.