مدل‌سازی سری زمانی تغییرات محتوای الکترون کلی یونوسفر با شبکه عصبی موجک سه‌لایه و الگوریتم آموزش هیبرید pso

در این مقاله از ترکیب شبکه‌های عصبی موجک سه‌لایه (wnns) به همراه الگوریتم آموزش بروش بهنیه‌سازی انبوه ذرات هیبرید (pso-bp) جهت مدل‌سازی 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 سه‌لایه با الگوریتم آموزش pso-bp بترتیب 20 و 10 ایستگاه از شبکه محلی آذربایجان می‌باشند. در هر 2 حالت تعداد 3 ایستگاه با توزیع مناسب به عنوان ایستگاه‌های آزمون در نظر گرفته شده‌اند. شاخص‌های 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. همچنین جهت ارزیابی دقیق تر مدل پیشنهادی تاثیر tec محاسبه شده در تعیین موعیت نقطه ای دقیق (ppp) مورد بررسی قرار گرفته است. نتایج این مقاله نشان می دهد که مدل شبکه عصبی موجک با الگوریتم آموزش pso-bp یک مدل قابل عاتماد و دقیق جهنت پیش بینی تغییرات زمانی یونوسفر و همچنین دارای کارایی بالا در تعیین موقعیت نقطه ای دقیق در منطقه شمال غرب ایران است.

time series modeling of ionosphere total electron content using wavelet neural network and hybrid pso training algorithm

in this paper, wnn with pso training algorithm is used to modeling and prediction of time-dependent ionosphere total electron content (tec) variations. 2 different combinations of input observations are evaluated. the number of stations used to train of wnn with pso algorithm selected 20 and 10. in all testing mode, 3 gps stations with proper distribution are considered as a testing stations. statistical indicators relative error, dvtec and correlation coefficient were used to assess the wavelet neural network model. the results of proposed model compared with gps-tec and international reference ionosphere 2012 (iri-2012) tec. average relative error computed in 3 test stations are 5.43% with 20 training station and 9.05% with 10 training station. also the correlation coefficient calculated in 3 test stations are 0.954 with 20 training station and 0.907 with 10 training station. the results of this study show that the wnn with pso algorithm is a reliable model to predict the temporal variations in the ionosphere.