[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 7، شماره 3 - ( 9-1398 ) ::
جلد 7 شماره 3 صفحات 57-77 برگشت به فهرست نسخه ها
ترکیب شبکه عصبی با الگوریتم ژنتیک جهت پیش‌بینی درخشش یونسفری با استفاده از پارامتر S4 و مشاهدات سیستم تعیین موقعیت جهانی
علیرضا عتباتی، محمدمهدی علیزاده الیزئی
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (249 مشاهده)
جوشش‌های پلاسمای یونسفری معمولا سبب ایجاد تغییراتی نامنظم در چگالی الکترونی یونسفر می‌شوند. این تغییرات در فاز سیگنال ارسالی از ماهواره تأثیر گذاشته و درنهایت مجموعه‌ای از این تغییرات در لایه یونسفر سبب ایجاد پدیده‌ای به نام درخشش یونسفری می‌شود. این پدیده به صورت نامنظم رخ می‌دهد و درصد رخداد آن در نواحی با عرض‌ جغرافیایی پایین نسبت به مناطق با عرض جغرافیایی متوسط و بالا بیشتر است. در نواحی استوایی احتمال وقوع این پدیده معمولا پس از غروب خورشید افزایش می‌یابد که می‌توان اغتشاشات پلاسما را به‌عنوان یکی از عوامل وقوع این پدیده در این بازه زمانی دانست. پژوهش حاضر پیرامون مدل‌سازی و درنهایت پیش‌بینی درخشش یونسفری با استفاده از پارامترهای فیزیکی مرتبط با این پدیده می‌باشد. مدل‌سازی انجام شده در این پژوهش با استفاده از روش شبکه عصبی و ترکیب آن با الگوریتم ژنتیک که نوعی الگوریتم جهت برآورد مینیمم مطلق برای وزن‌های شبکه عصبی می‌باشد و نتایج حاصل از آن نسبت به مدل‌سازی با شبکه‌های عصبی که تنها متمرکز بر روش‌های کمترین مربعات می‌باشند، دقیق‌تر است. این مدل‌سازی برای محدوده عرض‌های جغرافیایی پایین و منطقه نزدیک به استوا انجام گرفته و به این منظور ایستگاه مشاهداتی گوام (GUAM) متعلق به سرویس IGS واقع در کشور گوام و با طول 144.8683 و عرض جغرافیایی 13.5893 می‌باشد، انتخاب شده است که درخشش یونسفری در این محدوده‌ با میزان 20 درجه اختلاف نسبت به استوا، پدیده‌ای غالب است. این مدل‌سازی برای ماه ژوئن سال 2017 انجام گرفته و به‌واسطه آن یک پیش‌بینی عددی به کمک داده‌های فیزیکی یونسفر برای روز اول ماه جولای سال 2017 که روز بعد از این مدل‌سازی است، انجام گرفته است. مدل طراحی شده در این پژوهش توانایی پیش‌بینی روزانه برای پدیده درخشش‌ یونسفری در منطقه مورد مطالعه را با دقتی در حدود 78 درصد داراست.
واژه‌های کلیدی: شبکه عصبی، الگوریتم ژنتیک، درخشش یونسفری
متن کامل [PDF 1446 kb]   (124 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: ژئودزی (عمومی)
دریافت: ۱۳۹۷/۱۰/۸ | پذیرش: ۱۳۹۷/۱۱/۱۳ | انتشار: ۱۳۹۸/۹/۳۰
فهرست منابع
1. [1] de Paula, E., Rodrigues, FS ,Iyer, KN ,Kantor, IJ ,Abdu, MA ,Kintner, PM ,Ledvina, BM ,Kil, H, Equatorial anomaly effects on GPS scintillations in Brazil. Advances in Space Research, 2003. 31(3): p. 749-754. [DOI:10.1016/S0273-1177(03)00048-6]
2. [2] Xu, R., Liu, Z. ,Li, M. ,Morton, Y. ,Chen, W., An Analysis of Low-Latitude Ionospheric Scintillation and Its Effects on Precise Point Positioning. Journal of Global Positioning Systems, 2012. 11(1): p. 22-32. [DOI:10.5081/jgps.11.1.22]
3. [3] Abdu, M.A., Outstanding problems in the equatorial ionosphere-thermosphere electrodynamics relevant to spread F. Journal of Atmospheric and Solar-Terrestrial Physics, 2001. 63(9): p. 869-884. [DOI:10.1016/S1364-6826(00)00201-7]
4. [4] Appleton, E.V., The anomalous equatorial belt in the F2-layer. Journal of Atmospheric and terrestrial Physics, 1954. 5(1-6): p. 348-351. [DOI:10.1016/0021-9169(54)90054-9]
5. [5] Sultan, P.J., Linear theory and modeling of the Rayleigh-Taylor instability leading to the occurrence of equatorial spreadF. Journal of Geophysical Research: Space Physics, 1996. 101(A12): p. 26875-26891. [DOI:10.1029/96JA00682]
6. [6] de lima, G., Stephany, S., de Paula, E., Batista, I. , Abdu, M.A, Prediction of the level of ionospheric scintillation at equatorial latitudes in Brazil using a neural network. Space Weather, 2015. 13(8): p. 446-457. [DOI:10.1002/2015SW001182]
7. [7] Sridhar, M., Venkata Ratnam, D. ,Padma Raju, K. ,Sai Praharsha, D. ,Saathvika, K., Ionospheric scintillation forecasting model based on NN-PSO technique. Astrophysics and Space Science, 2017. 362. [DOI:10.1007/s10509-017-3144-6]
8. [8] Basu, S., Groves, K., Basu, S., Sultan, P, Ionospheric scintillation: A Tutorial. J. Atmos. Sol.-Terr. Phys., 2002.
9. [9] Béniguel, Y., Adam, J. P. ,Jakowski, N. ,Noack, T. ,Wilken, V. ,Valette, J. J. ,Cueto, M. ,Bourdillon, A. ,Lassudrie-Duchesne, P. ,Arbesser-Rastburg, B., Analysis of scintillation recorded during the PRIS measurement campaign. Radio Science, 2009. 44(1): p. 1-11. [DOI:10.1029/2008RS004090]
10. [10] Forte, B., Radicella, S.M., Comparison of ionospheric scintillation models with experimental data for satellite navigation applications. Annals of Geophysics, 2005.
11. [11] Secan, J., Bussey, R. ,Fremouw, E. ,Basu, S., An improved model of equatorial scintillation. Radio Science, 1995. 30(3): p. 607-617. [DOI:10.1029/94RS03172]
12. [12] Das, A., Gupta, A. ,Ray, S., Characteristics of L-band (1.5GHz) and VHF (244MHz) amplitude scintillations recorded at Kolkata during 1996-2006 and development of models for the occurrence probability of scintillations using neural network. Journal of Atmospheric and Solar-Terrestrial Physics, 2010. 72(9-10): p. 685-704. [DOI:10.1016/j.jastp.2010.03.010]
13. [13] Rezende, L., de Paula, E. ,Stephany, S. ,Kantor, I. ,Muella, M. ,de Siqueira, P. ,Correa, K., Survey and prediction of the ionospheric scintillation using data mining techniques. Space Weather, 2010. 8(6): p. 1-10. [DOI:10.1029/2009SW000532]
14. [14] Anderson, D., Morton, Y. ,Jiao, Y. ,Redmon, R., Day-fo-day Monitoring of the Comparisons Between UHF Scintillation Forecasts and GNSS Observations. 2013.
15. [15] de Lima, G., Stephany, S. ,de Paula, E. ,Batista, I. ,Abdu, M.A. ,Rezende, L. ,Aquino, M. ,Dutra, A., Correlation analysis between the occurrence of ionospheric scintillation at the magnetic equator and at the southern peak of the Equatorial Ionization Anomaly. Space Weather, 2014. 12(6): p. 406-416. [DOI:10.1002/2014SW001041]
16. [16] Taabu, S., D'ujanga, FM ,Ssenyonga, T., Prediction of ionospheric scintillation using neural network over East African region during ascending phase of sunspot cycle 24. Advances in Space Research, 2016. 57(7): p. 1570-1584. [DOI:10.1016/j.asr.2016.01.014]
17. [17] Van Dierendonck, A.a.Q.H., Measuring ionospheric scintillation effects from GPS signals. Proceedings of the 57th Annual Meeting of the Institute of Navigation., 2001.
18. [18] de Paula, E.R., F. S. Rodrigues, K. N. Iyer, I. J. Kantor, M. A. Abdu, P. M. Kintner, B. M. Ledvina, and H. Kintner Equatorial anomaly effects on GPS scintillations in Brazil. 2003. [DOI:10.1016/S0273-1177(03)00048-6]
19. [19] Zolesi, B., Cander, L. R., The General Structure of the Ionosphere, in Ionospheric Prediction and Forecasting. 2014, Springer. p. 11-48. [DOI:10.1007/978-3-642-38430-1_2]
20. [20] Wilkinson, J., New Eyes on the Sun: A Guide to Satellite Images and Amateur Observation. Springer Science & Business Media. 2012. [DOI:10.1007/978-3-642-22839-1_7]
21. [21] Aquino, M.H.O., Waugh, S., Dodson, A., Moore, T., Skone ,S., GPS based Ionospheric Scintillation Monitoring. Technical Report,Institute of Engineering Surveying and Space Geodesy, 2004.
22. [22] Haykin, S., Neural Networks and Learning Machines 2008, New Jersey: Pearson Prentice Hall.
23. [23] Beale, R., Jackson, T., Neural Computing-an introduction. 1990, London: CRC Press. [DOI:10.1201/9781420050431]
24. [24] Norgaard, P.M., The Neural Network Based System Identification Toolbox. Technical Report, Department of Automation, Technical University of Denmark, 1997.
25. [25] Alireza, M., Genetic algorithm and its applications. 2014, Tehran: Naghos.
26. [26] Schaffer, J.D., Whitley, D. ,Eshelman, L. J. Combinations of genetic algorithms and neural networks: A survey of the state of the art. in Combinations of Genetic Algorithms and Neural Networks, 1992., COGANN-92. International Workshop on. 1992. IEEE.
27. [27] Alonso, M.A., Fernando Desantes, Jos M. Hernndez, Leonor Hernndez, Vicente Molt, Germn, Combining Neural Networks and Genetic Algorithms to Predict and Reduce Diesel Engine Emissions. IEEE Transactions on Evolutionary Computation, 2007. 11(1): p. 46-55. [DOI:10.1109/TEVC.2006.876364]
28. [28] Davis, D.J.M.a.L., Training Feedforward Neural Networks Using Genetic Algorithms. 2005.
29. [29] Montana, D.J., Neural Network Weight Selection Using Genetic Algorithms. 2008.
30. [30] Montana, D.J., Davis, L. Training Feedforward Neural Networks Using Genetic Algorithms. in IJCAI. 1989.
31. [31] Cook, D.F., Ragsdale, C. T. ,Major, R.L., Combining a neural network with a genetic algorithm for process parameter optimization. Engineering applications of artificial intelligence, 2000. 13(4): p. 391-396. [DOI:10.1016/S0952-1976(00)00021-X]
32. [32] Ashour, M.A., AlZahby, S.A, Abdalla, M.I., Training Feed Forward Neural Network Using Genetic Algorithm to Predict Mean Temperature. IJRRAS, 2016. 29: p. 19-26.
33. [33] Yang, Z., Liu, Z., Correlation between ROTI and Ionospheric Scintillation Indices using Hong Kong low-latitude GPS data. GPS solutions, 2016. 20(4): p. 815-824. [DOI:10.1007/s10291-015-0492-y]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Atabati A R, Alizadeh M M. Combining Neural Network with Genetic Algorithm for prediction of S4 Parameter using GPS measurement. jgit. 2019; 7 (3) :57-77
URL: http://jgit.kntu.ac.ir/article-1-742-fa.html

عتباتی علیرضا، علیزاده الیزئی محمدمهدی. ترکیب شبکه عصبی با الگوریتم ژنتیک جهت پیش‌بینی درخشش یونسفری با استفاده از پارامتر S4 و مشاهدات سیستم تعیین موقعیت جهانی. مهندسی فناوری اطلاعات مکانی. 1398; 7 (3) :57-77

URL: http://jgit.kntu.ac.ir/article-1-742-fa.html



دوره 7، شماره 3 - ( 9-1398 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.07 seconds with 31 queries by YEKTAWEB 4106