مدل سازی سری زمانی تغییرات محتوای الکترون کلی یونوسفر با شبکه عصبی موجک سه لایه و الگوریتم آموزش هیبرید PSO
در این مقاله از ترکیب شبکه های عصبی موجک سه لایه (WNNs) به همراه الگوریتم آموزش بروش بهنیه سازی انبوه ذرات هیبرید (PSO-BP) جهت مدل سازی تغییرات زمانی-مکانی محتوای الکترون کلی (TEC) یونوسفر در منطقه شمالغرب ایران (N-W) استفاده شده است. مشاهدات 30 روز ماه ژانویه سال 2018 جهت ارزیابی روش پیشنهادی بکار گرفته شده است. تعداد مشاهدات ورودی انتخاب شده جهت آموزش شبکه عصبی موجک سه لایه با الگوریتم آموزش PSO-BP بترتیب 20 و 10 ایستگاه از شبکه محلی آذربایجان می باشند. در هر 2 حالت تعداد 3 ایستگاه با توزیع مناسب به عنوان ایستگاه های آزمون در نظر گرفته شده اند. شاخص های آماری خطای نسبی، خطای |dVTEC|، انحراف معیار و ضریب همبستگی جهت ارزیابی مدل شبکه عصبی موجک مورد استفاده قرار گرفته است. نتایج حاصل از مدل پیشنهادی این مقاله با TEC حاصل از مشاهدات GPS به عنوان مرجع اصلی، مدل مرجع جهانی یونوسفر 2016 (IRI2016) و همچنین خروجی شبکه جهانی IGS (GIM) مقایسه شده است.
TEC ، شبکه عصبی موجک ، الگوریتم آموزش PSO-BP ، GPS ، IRI2016 ، GIM
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.