بحث پیش بینی زمین لرزه به منظور کاهش تلفات و آسیب های آن از اهمیت بالایی برخورد ار است؛ به ویژه در منطقه لرزه خیزی مانند ایران که سالانه شاهد وقوع این پدیده طبیعی می باشد. تشخیص ناهنجاری های قبل از زلزله نقش بسزایی در این امر داراست. تغییرات یونسفری که با اندازه گیری های از راه دور (مانند استفاده از سیستم تعیین موقعیت جهانی) قابل شناسایی هستند به پیش نشانگرهای یونسفری زلزله معروف می باشند. در این مطالعه دو مجموعه داده از محتوای الکترون های یونسفر که حاصل از پردازش داده های GPS با نرم افزار Bernese است برای دو مورد مطالعاتی زلزله اهر آذربایجان شرقی (21 مرداد 1391) و زلزله کاکی بوشهر (20 فروردین1392) مورد استفاده قرار گرفته و نتایج آن با داده های ایستگاه جهانی مقایسه گردیده است. از آنجا که تغییرات TEC رفتاری غیرخطی دارد بدین منظور برای پیش بینی و تشخیص تغییرات آن از تلفیق شبکه عصبی (با به کارگیری پرسپترون چند لایه (MLP)) و الگوریتم PSO استفاده گردیده است. الگوریتم PSO با عملکردی مبتنی بر جمعیت می تواند در بهبود وزن برآوردشده توسط شبکه عصبی موثر واقع شود. با تجزیه و تحلیل علل ناهنجاری های یونسفر از جمله میدان های ژئومغناطیسی و فعالیت های خورشیدی و حذف آن ها از پردازش های مورد نظر، نتایج حاصل نشان می دهد که برخی از این ناهنجاری ها ناشی از وقوع زلزله است و به کارگیری الگوریتم های هوشمند توانسته است کارآیی مناسبی در جهت پیش بینی سری های زمانی غیرخطی داشته باشد. خروجی حاصل از تلفیق شبک عصبی و PSO نشان می دهد که هر دو ناهنجاری های مثبت و منفی رخ می دهند. ناهنجاری های قبل از زلزله غالبا نزدیک به کانون زلزله رخ می دهند و در 3 روز قبل از زلزله اهر آذربایجان شرقی و 2 تا 6 روز قبل از زلزله کاکی بوشهر قابل رویت می باشند.