Journals / Geomatik / 2022 / Cilt: 7 - Sayı: 2

Derin öğrenme tabanlı iyonosferik TEC tahmini

Journal
Geomatik
Pages
80–87
Publication Date
2022-10-19
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Gizli katman sayısının 20 olarak seçildiği parametrelerle minimum karesel ortalama hata (KOH) değeri ±0.287 TECU hesaplanmıştır. 1 gizli katmanda hesaplanan tahmin modelinin KOH değeri ise ±0.472 TECU'dur.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:İyonosfer tabakası, Küresel Konumlandırma Sistemi (GPS) uydularına ait radyo sinyallerinin frekanslarına bağlı olarak zaman gecikmesine neden olan bir ortamdır.
📊
Key Findings & Data:Bu çalışmada, 2019 yılının ilk altı ayı için iyonosferik TEC değişimlerini tahmin etmeyi amaçlayan optimum parametrelerin belirlenmesi araştırılmıştır.
💡
Conclusion & Impact:Gizli katman sayısının 20 olarak seçildiği parametrelerle minimum karesel ortalama hata (KOH) değeri ±0.287 TECU hesaplanmıştır. 1 gizli katmanda hesaplanan tahmin modelinin KOH değeri ise ±0.472 TECU'dur.
🔬Design:Modeling & Simulation
📍Scope:2019 Verileri
⚙️Variables:Derin Öğrenme · TEC · GPS

Özet

İyonosfer tabakası, Küresel Konumlandırma Sistemi (GPS) uydularına ait radyo sinyallerinin frekanslarına bağlı olarak zaman gecikmesine neden olan bir ortamdır. Çoğu iyonosferik çalışma, GPS gözlemlerinden elde edilen toplam elektron içeriği (TEC) değişimleri kullanılarak gerçekleştirilmektedir. Günümüzde iyonosferin fiziksel yapısı ile ilgili çalışmalar, uzay iklim koşullarının tahmini, konumlandırma, navigasyon ve iletişim gibi birçok alanda devam etmektedir. Bu çalışma, iyonosferik TEC'in tahmini için derin öğrenme tabanlı bir model oluşturulması amaçlanmıştır. Bu yöntem için tasarlanan yapay sinir ağı ve ilgili parametreleri, Derin Öğrenme Araç Kutusu kullanılarak MATLAB® ortamında hazırlanmıştır. Çalışmada Harran Üniversitesi Kampüs Alanında bulunan HRUH sabit GNSS istasyonuna ait GPS gözlemleri kullanılmıştır. Bu çalışmada, 2019 yılının ilk altı ayı için iyonosferik TEC değişimlerini tahmin etmeyi amaçlayan optimum parametrelerin belirlenmesi araştırılmıştır. Oluşturulan modelde yineleme sayısı sabit olarak (i = 100) seçilmiştir. Gizli katman sayısının 20 olarak seçildiği parametrelerle minimum karesel ortalama hata (KOH) değeri ±0.287 TECU hesaplanmıştır. 1 gizli katmanda hesaplanan tahmin modelinin KOH değeri ise ±0.472 TECU'dur.

🔖

Cite This Article

DEMİRYEGE, İ., ULUKAVAK, M. (2022). Derin öğrenme tabanlı iyonosferik TEC tahmini. Geomatik, Cilt: 7 - Sayı: 2, 80–87. https://ajindex.com/articles/524678

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (7)

  1. Adepoju G A, Ogunjuyigbe S O A, Alawode K O (2007). Application of Neural Network to Load Forecasting in Nigerian Electrical Power System. Pacific J Sci Technol Adewale A, Oyeyemi E (2018). Estimation of GPS-TEC using different techniques and comparison with values from IRI-2012, NeQuick-2 and IRI-Plas 2015 models during geomagnetic storms. In: 42nd COSPAR Scientific Assembly. p C1.1-123-18
  2. Ataseven B (2013). YAPAY SİNİR AĞLARI İLE ÖNGÖRÜ MODELLEMESİ. Öneri Derg 10:101–115 Aydemi̇r E, Karaatlı M, Yılmaz G, Aksoy S (2014). 112 Acil Çağrı Merkezine Gelen Çağrı Sayılarını Belirleyebilmek için Bir Yapay Sinir Ağları Tahminleme Modeli Geliştirilmesi. Pamukkale Üniversitesi Mühendislik Bilim Derg 20:145–149
  3. Bengio Y, Simard P, Frasconi P (1994). Learning Long-Term Dependencies with Gradient Descent is Difficult. IEEE Trans Neural Networks 5:157–166. doi: 10.1109/72.279181 Chakraborty M, Kumar S, De BK, Guha A (2014). Latitudinal characteristics of GPS derived ionospheric TEC: a comparative study with IRI 2012 model. Ann Geophys 57:. doi: 10.4401/ag-6438 Chekole D A, Giday N M (2020). Evaluation of ionospheric and solar proxy indices for IRI-Plas 2017 model over the East African equatorial region during solar cycle 24. Adv Sp Res 66:604–611. doi: 10.1016/j.asr.2020.04.029 Coates A, Lee H, Ng A Y (2011). An analysis of single-layer networks in unsupervised feature learning. J Mach Learn Res 15:215–223
  4. Collobert R, Weston J (2008). A unified architecture for natural language processing. In: Proceedings of the 25th International Conference on Machine Learning. pp 160–167
  5. Emel GG, Taşkın Ç (2002). Genetik Algoritmalar ve Uygulama Alanları. Uludağ Üniversitesi İktisadi ve İdari Bilim Fakültesi Derg 21:129–152
  6. Engin O, Döyen A (2004). Artificial immune systems and applications in industrial problems. Gazi Univ J Sci 17:71–84
  7. Fukushima K (1980). Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biol Cybern 36:193–202. doi: 10.1007/BF00344251 Goncalves V, Maria K, da Silv ABF (2013). Applications of Artificial Neural Networks in Chemical Problems. In: Suzuki K (ed) Artificial Neural Networks - Architectures and Applications. IntechOpen, Rijeka Grefenstette E, Blunsom P, de Freitas N, Hermann KM (2015). A Deep Architecture for Semantic Parsing. 22–27. doi: 10.3115/v1/w14-2405 Gülpınar V (2015). Yapay Sinir Ağları ve Sosyal Ağ Analizi Yardımı ile Türk Telekomünikasyon Piyasasında Müşteri Kaybı Anali