كاربرد شبكه عصبي موجك با الگوريتم آموزش بهينه سازي انبوه ذرات در مدل سازي تغييرات زماني محتواي الكترون كلي يون سپهر

در اين مقاله از تركيب شبكه‌هاي عصبي موجك (WNNs) به همراه الگوريتم آموزش بهينه‌سازي انبوه ذرات (PSO) جهت مدل‌سازي تغييرات زماني محتواي الكترون كلي (TEC) يون‌سپهر در منطقه ايران استفاده شده است. چهار تركيب از تعداد مشاهدات ورودي مختلف جهت تست روش، مورد ارزيابي قرار گرفته است. تعداد مشاهدات ورودي انتخاب شده جهت آموزش شبكه عصبي موجك با الگوريتم PSO به ترتيب 25، 20، 15 و 10 ايستگاه از شبكه مبناي ژئوديناميك ايران (IPGN) مي‌باشند. در هر چهار حالت تعداد پنج ايستگاه با توزيع مناسب در گستره جغرافيايي ايران به عنوان ايستگاه‌هاي آزمون در نظر گرفته شده‌اند. شاخص‌هاي آماري خطاي نسبي، خطاي مطلق و ضريب همبستگي جهت ارزيابي مدل شبكه عصبي موجك مورد استفاده قرار گرفته است. نتايج حاصل از مدل پيشنهادي اين مقاله با TEC حاصل از مشاهدات GPS به عنوان مرجع اصلي و مدل جهاني يون‌سپهر 2016 (IRI2016) مقايسه شده است. ميانگين خطاي نسبي محاسبه شده در 5 ايستگاه آزمون براي شبكه عصبي موجك با 25 ايستگاه آموزش برابر با 13.43%، با 20 ايستگاه آموزش برابر با 13.73%، با 15 ايستگاه آموزش برابر با 15.05% و با 10 ايستگاه آموزش برابر با 28.17% تعيين شده است. همچنين ميانگين مقادير ضريب همبستگي محاسبه شده در پنج ايستگاه آزمون براي شبكه عصبي موجك با 25 ايستگاه آموزش برابر با 0.9768، با 20 ايستگاه آموزش برابر با 0.9545، با 15 ايستگاه آموزش برابر با 0.9376 و با 10 ايستگاه آموزش برابر با 0.7569 محاسبه شده است. نتايج اين مقاله نشان مي‌دهد كه مدل شبكه عصبي موجك با الگوريتم آموزش PSO يك مدل قابل اعتماد جهت پيش‌بيني تغييرات زماني يون‌سپهر در منطقه ايران است. اين مدل مي‌تواند يك جايگزين بسيار مطمئن براي مدل مرجع جهاني يون‌سپهر در ايران باشد.