برآورد ميدان سرعت ژئودتيك بر پايه توابع فعال‌سازي حلقوي شبكه‌هاي عصبي مصنوعي

Estimation of Geodetic Velocity Field Based on Sigmoid Functions of Artificial Neural Networks

در این پژوهش، با انتخاب 42 ایستگاه دائمی GPS در شمالغرب كشور، میدان سرعت منطقه با استفاده از "پس انتشار خطای شبكه‌های عصبی مصنوعی" با دو تابع فعال‌سازی حلقوی و حلقوی لگاریتمی پیوسته برآورد و مقایسه شده‌اند. نتایج حاصل نشان می‌دهند تابع فعال‌سازی حلقوی دارای جذر خطای میانگین مربعی در حدود 1± میلیمتر شرقی و 1.5± میلیمتر شمالی بوده و نسبت به تابع فعال‌سازی حلقوی لگاریتمی پیوسته برتری دارد. همچنین با توجه به مقدار جذر خطای میانگین مربعی، روش پس انتشار خطای شبكه‌های عصبی مصنوعی روشی جایگزین برای تخمین میدان سرعت نسبت به روش‌های تخمین كلاسیك است.

Based on 42 GPS velocity vectors existing in NW Iran, we estimated new velocity vectors for some arbitrary positions in study area by using two activation functions of Back Propagation Artificial Neural Networks (BPANN): “Sigmoid Function” and “Continuous Log-Sigmoid Function”. The results show sigmoid function’s RMSEs in E and N components are ±1 mm and ±1.5 mm respectively which is less than Continuous Log-Sigmoid Function RMSE. So it seems BPANN method could be considered as a good alternative to estimate geodetic velocity field relative to other classical estimation methods.