發(fā)布時間：2017-08-29 22:34

  本文關(guān)鍵詞：機場噪聲預測SVR增量模型研究

  更多相關(guān)文章： 機場噪聲預測模型 支持向量回歸 冗余數(shù)據(jù) 信念修正 在線增量模型 相似性度量 批增量模型

【摘要】：隨著民航事業(yè)的持續(xù)發(fā)展,航空運輸在給人們帶來便捷和繁榮的同時,也帶來了一系列的環(huán)境問題,而機場噪聲污染問題尤為嚴重。為了更好地安排航班班次,合理地規(guī)劃機場布局,有效地防治噪聲污染,需要掌握機場噪聲的動態(tài)變化規(guī)律并進行機場噪聲預測�，F(xiàn)存的機場噪聲預測方法中大多數(shù)缺乏學習能力和推廣性,得到的模型無法隨著機場實時數(shù)據(jù)而進行修正和優(yōu)化,所以預測精度的很難提高。為解決這些問題,需要對機場噪聲增量學習預測模型進行研究。本文的主要工作如下:(1)總結(jié)并分析傳統(tǒng)增量過程中冗余數(shù)據(jù)的約減方法,結(jié)合信念修正思想,提出基于AGM理論的冗余數(shù)據(jù)約減方法,旨在解決海量高維噪聲數(shù)據(jù)的存儲問題,并不斷提高訓練集樣本的質(zhì)量,從而增強模型的預測精度和魯棒性。(2)提出機場噪聲預測SVR在線增量模型,對采集的數(shù)據(jù)進行實時分析及處理,既可以減少數(shù)據(jù)存儲開銷,又可以及時地根據(jù)新增數(shù)據(jù)信息對模型進行調(diào)整,保證模型的預測精度。機場噪聲預測SVR在線增量模型根據(jù)新增樣本的特點判斷是否調(diào)整當前的預測模型,通過引入樣本相似性度量來保證訓練樣本的質(zhì)量,并結(jié)合樣本標記的方法和誤差驅(qū)動的原則實現(xiàn)對歷史樣本的刪減。(3)針對數(shù)據(jù)分析及處理能力不足以及系統(tǒng)故障導致的實時數(shù)據(jù)累積問題,提出機場噪聲預測SVR批增量模型。該模型拋棄傳統(tǒng)的模型依賴的增量學習算法,從歷史樣本信息中提取相似樣本集,根據(jù)相似樣本集和新增數(shù)據(jù)的特點選擇相應的相似樣本集建立模型進行預測,然后對相似樣本集進行修正,調(diào)整當前認知狀態(tài)。同時,提出了相似情形的概念,強調(diào)周邊樣本在預測中起到的重要性。
【關(guān)鍵詞】：機場噪聲預測模型 支持向量回歸 冗余數(shù)據(jù) 信念修正 在線增量模型 相似性度量 批增量模型
【學位授予單位】：南京航空航天大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TB53
【目錄】：

• 摘要4-5
• Abstract5-10
• 注釋表10-11
• 縮略詞11-12
• 第一章 緒論12-18
• 1.1 課題來源與研究意義12-14
• 1.1.1 研究背景12-13
• 1.1.2 課題來源13
• 1.1.3 研究目的與意義13-14
• 1.2 國內(nèi)外研究現(xiàn)狀分析14-16
• 1.2.1 機場噪聲預測研究現(xiàn)狀14-15
• 1.2.2 增量預測方法研究現(xiàn)狀15-16
• 1.3 本文研究內(nèi)容及結(jié)構(gòu)安排16-18
• 1.3.1 本文研究內(nèi)容16
• 1.3.2 本文結(jié)構(gòu)安排16-18
• 第二章 支持向量回歸機18-29
• 2.1 機器學習18-19
• 2.1.1 機器學習形式18-19
• 2.1.2 經(jīng)驗風險最小化19
• 2.2 統(tǒng)計學習理論19-23
• 2.2.1 學習過程的一致性20-21
• 2.2.2 VC維與推廣性的界21-22
• 2.2.3 結(jié)構(gòu)風險最小化22-23
• 2.3 支持向量回歸機23-28
• 2.3.1 線性支持向量回歸機23-26
• 2.3.2 非線性支持向量回歸機26-27
• 2.3.3 核函數(shù)27
• 2.3.4 支持向量27-28
• 2.4 本章小結(jié)28-29
• 第三章 基于信念修正思想的冗余數(shù)據(jù)約減方法29-40
• 3.1 信念修正的AGM理論29-30
• 3.1.1 信念邏輯29
• 3.1.2 信念修正的概念29
• 3.1.3 信念修正的AGM理論29-30
• 3.2 冗余數(shù)據(jù)約減的傳統(tǒng)方法30-32
• 3.2.1 基于模型預測精度的數(shù)據(jù)約減方法31
• 3.2.2 基于模型支持度的數(shù)據(jù)約減方法31
• 3.2.3 基于滑動窗口的數(shù)據(jù)約減方法31-32
• 3.2.4 基于樣本多樣性的數(shù)據(jù)約減方法32
• 3.3 基于AGM理論的冗余數(shù)據(jù)的抓取32-37
• 3.3.1 一致性原則33-35
• 3.3.2 新消息優(yōu)先原則35-36
• 3.3.3 最小改變原則36-37
• 3.4 冗余數(shù)據(jù)的處理37-39
• 3.5 本章小結(jié)39-40
• 第四章 機場噪聲預測SVR在線增量模型40-49
• 4.1 基于樣本相似性度量的機場噪聲預測SVR在線增量模型40-44
• 4.1.1 樣本相似性度量40-42
• 4.1.2 誤差驅(qū)動42-43
• 4.1.3 樣本標記43
• 4.1.4 模型容錯率43-44
• 4.2 算法流程圖及預測步驟44-45
• 4.2.1 算法流程圖44-45
• 4.2.2 預測步驟45
• 4.3 實驗及結(jié)果分析45-48
• 4.3.1 標準數(shù)據(jù)集對比試驗45-46
• 4.3.2 機場噪聲中的應用46-48
• 4.4 本章小結(jié)48-49
• 第五章 機場噪聲預測SVR批增量模型49-59
• 5.1 基于樣本不一致性度量的機場噪聲預測SVR批增量模型49-54
• 5.1.1 樣本不一致性49-50
• 5.1.2 相似樣本集的構(gòu)造50-53
• 5.1.3 增量過程樣本集的更新53-54
• 5.2 算法流程圖及預測步驟54-55
• 5.2.1 算法流程圖54
• 5.2.2 預測步驟54-55
• 5.3 實驗及結(jié)果分析55-58
• 5.3.1 標準數(shù)據(jù)集對比試驗55-57
• 5.3.2 機場噪聲中的應用57-58
• 5.4 本章小結(jié)58-59
• 第六章 總結(jié)與展望59-61
• 6.1 總結(jié)59
• 6.2 展望59-61
• 參考文獻61-65
• 致謝65-67
• 在學期間的研究成果及發(fā)表的學術(shù)論文67

【相似文獻】

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 豐文安;機場噪聲預測SVR增量模型研究[D];南京航空航天大學;2015年

，

本文編號：755818