با توجه به عدم کارآیی مناسب روش‌های مبتنی بر فیلتر کالمن برای تلفیق داده‌های ناوبری INS/GNSS در زمان قطع شدن سیگنال‌های GNSS، استفاده از تکنیک‌های هوش مصنوعی در معماری تلفیق مرسوم شده است. از این رو در این مقاله ضمن ارائه‌ی یک معماری ترکیبی مؤثر، از شبکه عصبی رگرسیون تعمیم‌یافته (GRNN) برای پیش‌بینی مشاهدات مورد نیاز فیلتر کالمن در شرایط قطع شدن طولانی مدت GNSS استفاده شده است. در مدل پیشنهادی، برای آموزش شبکه عصبی، سرعت‌ها و موقعیت‌های INS به‌عنوان ورودی‌ها و سرعت‌ها و موقعیت‌های GNSS به‌عنوان خروجی‌های شبکه در نظر گرفته شده ­اند. این رویکرد در عین کاربردی و عملیاتی بودن، سبب کاهش چشمگیر بار محاسباتی و افزایش دقت و سرعت تخمین شده است. نتایج شبیه‌سازی‌‌ها نشان می‌دهند که به‌دلیل ساختار ساده و در عین حال مقاوم معماری تلفیق پیشنهادی، و البته انتخاب شبکه عصبی کارآمد با قابلیت کشف ارتباط مؤثر میان ورودی‌ها و خروجی‌ها و به تبع آن اصلاح مناسب خطاهای مربوط به سرعت‌ها و موقعیت‌های INS، می‌توان از روش ارائه شده برای ناوبری پیوسته، خوداتکا، با قابلیت اطمینان و دقت بالا در کاربردهای زمان واقعی استفاده نمود.