مدل سازی سری زمانی محتوای الکترون کلی لایه یون سپهر به کمک شبکه عصبی چند لایه MLP-ANN با الگوریتم آموزش PSO

در این مقاله از یک شبکه عصبی مصنوعی (ANN) 3 لایه با 18 نورون در لایه مخفی جهت مدل سازی سری زمانی تغییرات محتوای الکترون کلی (TEC) لایه یون سپهر در منطقه ایران استفاده شده است. مشاهدات 37 ایستگاه GPS در 5 روز متوالی (222، 223، 224، 225، 226) از سال 2012 جهت مدل سازی بکار گرفته شده است. جهت سرعت بخشیدن به مرحله آموزش و نیز بالا بردن دقت و صحت نتایج از الگوریتم آوزش بهینه سازی انبواه ذرات (PSO) استفاده شده است. اعتبارسنجی نتایج حاصل از روش با مشاهدات سیستم تعیین موقعیعت جهانی (GPS) انجام گرفته است. همچنین نتایج بدست آمده از شبکه عصبی با نتایج حاصل از مدل مرجع بین المللی 2012 (IRI-2012) و نیز شبکه جهانی IGS مورد مقایسه قرار گرفته است. آنالیز نتایج بدست آمده حاکی از سرعت بالای الگوریتم آموزش PSO در همگرایی به جواب بهینه می باشد. جهت ارزیابی خطای مدل شبکه عصبی از شاخص های آماری خطای نسبی و خطای مطلق استفاده شده است. کمینه خطای نسبی محسابه شده برای شبکه عصبی مصنوعی 0/45 درصد و بیشینه آن 16/85 درصد می باشد. همچنین کمینه و بیشینه خطای مطلق 0/06 و 3/96 TECU بدست آمده است. نتایج حاصل از این مقاله حاکی از آن است که مدل شبکه عصبی مصنوعی با الگوریتم آموزش PSO از دقت و صحت لازم جهت پیش بینی تغییرات زمن و مکان لایه یون سپهر را برخوردار می باشد.

کلیدواژه ها:

شبکه عصبی مصنوعی ، GPS ، TEC ، PSO ، یون سپهر