مدلسازی سری زمانی مکانی TEC یونسفری در ایران با استفاده از رویکردهای یادگیری ماشین و شبکه های عصبی

یکی از مسائل بسیار حیاتی در حوزه ارتباطات ماهواره ای و ناوبری ، مسئله مدلسازی اثر محتوای کلی الکترون می باشد که به دلیل اهمیت آن در محیط یونسفر و تاثیرات فیزیکی ناشی از آن، توجه بسیاری از پژوهشگران را به خود جلب کرده است . در این مقاله به بررسی ارتباط بین مدلهای یادگیری ماشین و شبکه های عصبی مصنوعی مانند شبکه عصبی موجکی ، ANN، SVM، SVR همراه با الگوریتم آموزش هیبرید PSO در مدلسازی تغییرات زمانی -مکانی محتوای کلی الکترون در یونسفر ایران پرداخته شده است . تحلیل و مقایسه نتایج نشان داده است که استفاده از شبکه عصبی موجک سه لایه با تعداد نورون بهینه به دقت بالایی در پیش بینی سری زمانی -مکانی TEC یونسفری در ایران منجر شده است . در مقایسه با روشهای ANN، SVM و SVR نیز نشان می دهد که شبکه عصبی موجک سه لایه با اموزش هیبرید PSO عملکرد بهتری دارد.

کلیدواژه ها:

مدلسازی TEC ، محتوای کلی الکترون ، یونوسفر ، شبکه عصبی ، یادگیری ماشین