ارزیابی کارائی شبکه عصبی چند لایه Mlp-Ann با الگوریتم آموزش Pso در مدل‌سازی سری زمانی محتوای الکترون کلی لایه یونسفر

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 یونسفر در منطقه ایران استفاده شده است. مشاهدات 36 ایستگاه gps در 11 روز متوالی (روز 220 gps الی روز 230 gps) 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 آموزش بهینه سازی انبوه ذرات (pso) استفاده شده است. اعتبارسنجی نتایج حاصل از روش با مشاهدات سیستم تعیین موقعیت جهانی (gps) انجام گرفته است. همچنین نتایج بدست آمده از شبکه عصبی در پنج ایستگاه آزمون با نتایج حاصل از مدل مرجع بین المللی 2012 (iri2012) و روش درون یابی کریجینگ فراگیر 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 dvtec که از اختلاف مابین tec حاصل از اندازه گیری های gps و tec حاصل از مدل محاسبه می گردد، استفاده شده است. کمینه این شاخص در 11 روز مورد مطالعه برای سه مدل شبکه عصبی، iri2012 و کریجینگ فراگیر بترتیب برابر با 0.55، 1.57 و 0.70 tecu و بیشینه آن بترتیب برابر با 5.45، 7.16 و 5.51 tecu محاسبه شده 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 زمانمکان لایه یونسفر برخوردار می باشد.