Due to the combined navigation system consisting of both Inertial Navigation System (INS) and Global Positioning System (GPS) in a complementary mode which assure a reliable, accurate, and continuous navigation system, we use a GPS/INS navigation system in our research. Because of the conditions of navigation system such as low-cost MEMS-based inertial sensors with considerable uncertainty in INS sensors, a highly noisy real data, and a long term outage of GPS signals during our flight tests, we enhance the positioning speed and accuracy by an Extreme Learning Machine (ELM) with the features of excellent generalization performance and fast learning speed. However, the generalization capability of ELM usually destabilizes with uncertainty existing in the dataset. In order to fix this limitation, first, a Type-2 Fuzzy Logic System (T2-FLS) handles the uncertainties in GPS/INS data, and then the final output ends up to the ELM to train and predict INS positioning error. We verify the efficiency of the suggested method in the estimation of speed and accuracy in INS sensors error during GPS satellites outage, particularly in real-time applications with a high-speed vehicle. Then, to evaluate the overall performance of the proposed method, the achieved results are discussed and compared to other methods like Extended Kalman Filter (EKF), wavelet-ELM, and Adaptive Neuro-Fuzzy Inference System (ANFIS). The results present considerable achievement and open the door to the application of T2-FLS and ELM in GPS/INS integration even in severe conditions.

由于组合导航系统由惯性导航系统（INS）和全球定位系统（GPS）组成的互补模式，可确保可靠，准确和连续的导航系统，因此我们在研究中使用了GPS / INS导航系统。由于导航系统的条件，例如低成本的基于MEMS的惯性传感器，惯性导航传感器的不确定性，高噪声的真实数据以及在飞行测试期间GPS信号的长期中断，我们提高了定位速度和精度由具有出色泛化性能和快速学习速度的功能的极限学习机（ELM）组成。但是，ELM的泛化能力通常会因数据集中存在的不确定性而不稳定。为了解决此限制，首先，类型2模糊逻辑系统（T2-FLS）处理GPS / INS数据中的不确定性，然后最终输出最终到达ELM以训练和预测INS定位误差。我们验证了建议的方法在估算GPS卫星中断期间INS传感器错误的速度和精度时的效率，特别是在高速车辆的实时应用中。然后，为了评估该方法的整体性能，讨论了所获得的结果，并将其与其他方法（例如扩展卡尔曼滤波器（EKF），小波ELM和自适应神经模糊推理系统（ANFIS））进行了比较。该结果提供了可观的成就，即使在恶劣的条件下，也将T2-FLS和ELM在GPS / INS集成中的应用打开了大门。然后最后的输出最终到达ELM以训练和预测INS定位误差。我们验证了建议的方法在估算GPS卫星中断期间INS传感器错误的速度和精度时的效率，特别是在高速车辆的实时应用中。然后，为了评估该方法的整体性能，讨论了所获得的结果，并将其与其他方法（例如扩展卡尔曼滤波器（EKF），小波ELM和自适应神经模糊推理系统（ANFIS））进行了比较。结果提供了可观的成就，即使在恶劣的条件下，T2-FLS和ELM在GPS / INS集成中的应用也打开了大门。然后最后的输出最终到达ELM以训练和预测INS定位误差。我们验证了建议的方法在估算GPS卫星中断期间INS传感器错误的速度和精度时的效率，特别是在高速车辆的实时应用中。然后，为了评估所提出方法的整体性能，将讨论所获得的结果，并将其与其他方法（例如扩展卡尔曼滤波器（EKF），小波ELM和自适应神经模糊推理系统（ANFIS））进行比较。结果提供了可观的成就，即使在恶劣的条件下，T2-FLS和ELM在GPS / INS集成中的应用也打开了大门。特别是在高速车辆的实时应用中。然后，为了评估该方法的整体性能，讨论了所获得的结果，并将其与其他方法（例如扩展卡尔曼滤波器（EKF），小波ELM和自适应神经模糊推理系统（ANFIS））进行了比较。结果提供了可观的成就，即使在恶劣的条件下，T2-FLS和ELM在GPS / INS集成中的应用也打开了大门。特别是在高速车辆的实时应用中。然后，为了评估该方法的整体性能，讨论了所获得的结果，并将其与其他方法（例如扩展卡尔曼滤波器（EKF），小波ELM和自适应神经模糊推理系统（ANFIS））进行了比较。该结果提供了可观的成就，即使在恶劣的条件下，也将T2-FLS和ELM在GPS / INS集成中的应用打开了大门。