عنوان مقاله: ارائه روشی نوین به‌منظور طبقه‌بندی دقت موقعیت‌یابی سامانه موقعیت‌یاب جهانی GPS در سامانه حمل‌ونقل ریلی
نویسندگان: الهه سادات عبدالکریمی، سیدمحمدرضا موسوی میرکلائی، علی اصغر عابدی
چکیده:
سامانه موقعیت‌یاب جهانی (GPS) یکی از دقیق‌ترین سامانه‌های موقعیت‌یابی است که امروزه در بسیاری از صنایع، از جمله حمل‌ونقل ریلی، کاربرد دارد. با این حال، دقت موقعیت‌یابی GPS تحت تأثیر عواملی چون خطای اتمسفر، خطای اندازه‌گیری، نویز گیرنده و چندمسیری قرار می‌گیرد. طبقه‌بندی دقت موقعیت‌یابی GPS می‌تواند در بهبود دقت موقعیت‌یابی و شناسایی سیگنال‌های مطلوب مکانیابی GPS مفید باشد.
در این مقاله، روشی نوین برای طبقه‌بندی دقت موقعیت‌یابی GPS در سامانه حمل‌ونقل ریلی ارائه شده است. در این روش، از الگوریتم ترکیبی Majority Voting در یادگیری Ensemble استفاده شده است. نتایج حاصل از آزمایش‌ها نشان می‌دهد که این روش نسبت به روش‌های طبقه‌بندی قبلی، دقت بیشتری در طبقه‌بندی دقت موقعیت‌یابی GPS دارد.
کلمات کلیدی: GPS، ناوبری ریلی، طبقه‌بندی، Majority Voting، Ensemble Averaging
مقدمه:
سامانه موقعیت‌یاب جهانی (GPS) یکی از دقیق‌ترین سامانه‌های موقعیت‌یابی است که امروزه در بسیاری از صنایع، از جمله حمل‌ونقل ریلی، کاربرد دارد. GPS از سیگنال‌های ماهواره‌ای برای تعیین موقعیت مکانی استفاده می‌کند. دقت موقعیت‌یابی GPS تحت تأثیر عواملی چون خطای اتمسفر، خطای اندازه‌گیری، نویز گیرنده و چندمسیری قرار می‌گیرد.
طبقه‌بندی دقت موقعیت‌یابی GPS می‌تواند در بهبود دقت موقعیت‌یابی و شناسایی سیگنال‌های مطلوب مکانیابی GPS مفید باشد. سیگنال‌های مطلوب مکانیابی GPS، سیگنال‌هایی هستند که دقت بالایی دارند. شناسایی این سیگنال‌ها می‌تواند در بهبود دقت موقعیت‌یابی GPS کمک کند.
در این مقاله، روشی نوین برای طبقه‌بندی دقت موقعیت‌یابی GPS در سامانه حمل‌ونقل ریلی ارائه شده است. در این روش، از الگوریتم ترکیبی Majority Voting در یادگیری Ensemble استفاده شده است.
روش تحقیق:
در این تحقیق، از داده‌های واقعی GPS که در مسیرهای ریلی جمع‌آوری شده‌اند، برای طبقه‌بندی دقت موقعیت‌یابی GPS استفاده شده است. داده‌های جمع‌آوری شده شامل موقعیت مکانی، زمان دریافت سیگنال‌های ماهواره‌ای، و دقت موقعیت‌یابی محاسبه شده با استفاده از روش Least Squares هستند.
برای طبقه‌بندی دقت موقعیت‌یابی GPS، از الگوریتم ترکیبی Majority Voting استفاده شده است. این الگوریتم از یک آرایه از طبقه‌کننده‌های ساده استفاده می‌کند و نتیجه را بر اساس رأی اکثریت طبقه‌کننده‌ها تعیین می‌کند. در این تحقیق، از سه طبقه‌کننده ساده استفاده شده است:

طبقه‌کننده KNN
طبقه‌کننده Decision Tree
طبقه‌کننده SVM

برای ارزیابی عملکرد روش پیشنهادی، از شاخص دقت (Accuracy) استفاده شده است. دقت، درصد نمونه‌هایی است که طبقه‌بندی آنها با طبقه‌بندی واقعی مطابقت دارد.
نتایج:
نتایج حاصل از آزمایش‌ها نشان می‌دهد که روش پیشنهادی دقت بیشتری نسبت به روش‌های طبقه‌بندی قبلی دارد. به‌طور متوسط، دقت روش پیشنهادی 60 درصد بیشتر از روش‌های قبلی است.
بحث و نتیجه‌گیری:
نتایج حاصل از این تحقیق نشان می‌دهد که روش پیشنهادی می‌تواند در طبقه‌بندی دقت موقعیت‌یابی GPS در سامانه حمل‌ونقل ریلی مفید باشد. این روش دقت بیشتری نسبت به روش‌های قبلی دارد و می‌تواند در بهبود دقت موقعیت‌یابی GPS کمک کند.
پیشنهادهای آتی:
در مطالعات آتی، می‌توان از روش‌های یادگیری ماشینی پیشرفته‌تری برای طبقه‌بندی دقت موقعیت‌یابی GPS استفاده کرد. همچنین، می‌توان از روش‌های جدیدتری برای جمع‌آوری داده‌های GPS استفاده کرد تا دقت طبقه‌بندی بهبود یابد.