本文選題：機(jī)場噪聲 + 關(guān)聯(lián)規(guī)則��； 參考：《中國民航大學(xué)》2015年碩士論文

【摘要】：機(jī)場噪聲是多種噪聲影響因素綜合作用的結(jié)果。借助機(jī)場噪聲歷史數(shù)據(jù)集挖掘機(jī)場噪聲與各噪聲影響因素之間關(guān)系,有利于預(yù)測在各種噪聲影響因素組合情況下噪聲的可能影響程度,從而為制定合理的減噪措施提供科學(xué)依據(jù)。針對(duì)機(jī)場噪聲與其影響因素之間無法簡單地依靠建立函數(shù)模型來表達(dá)其復(fù)雜的非線性依賴關(guān)系的難題,本文在對(duì)機(jī)場噪聲的每個(gè)影響因素進(jìn)行定性和定量分析的基礎(chǔ)上,挖掘機(jī)場歷史噪聲數(shù)據(jù)集中隱含的噪聲與各種噪聲影響因素之間的關(guān)聯(lián)規(guī)則,并基于信念網(wǎng)絡(luò)對(duì)其可視化表示。在對(duì)現(xiàn)有的關(guān)聯(lián)規(guī)則興趣度模型深入研究的基礎(chǔ)上,本文提出通過興趣規(guī)則前、后件的約束來避免挖掘無用規(guī)則的思想,并設(shè)計(jì)了相應(yīng)算法BACIRC-FP-Growth-Cube(Based on Antecedent and Consequent of Interesting Rules Constrained FP-Growth-Cube),從而克服了目前大多數(shù)算法僅利用興趣度過濾規(guī)則的弱點(diǎn)。該算法首先利用FP-Growth-Cube算法挖掘出頻繁項(xiàng)集,再將興趣規(guī)則前、后件與頻繁項(xiàng)集相匹配,指導(dǎo)頻繁項(xiàng)集定向生成用戶感興趣的關(guān)聯(lián)規(guī)則,一定程度避免了關(guān)聯(lián)規(guī)則作為無監(jiān)督學(xué)習(xí)的盲目性。最后,利用機(jī)場噪聲歷史數(shù)據(jù)集的實(shí)驗(yàn)驗(yàn)證結(jié)果表明,與FP-Growth-Cube算法相比,BACIRC-FP-Growth-Cube算法更加高效,很大程度上減少甚至避免了無用規(guī)則的產(chǎn)生。為了綜合表達(dá)機(jī)場噪聲和其影響因素之間的關(guān)系,本文提出了基于信念網(wǎng)絡(luò)的關(guān)聯(lián)規(guī)則可視化表示方法,克服了關(guān)聯(lián)規(guī)則無法表達(dá)不同規(guī)則之間聯(lián)系的弱點(diǎn)。該方法通過拓?fù)浣Y(jié)構(gòu)學(xué)習(xí)和網(wǎng)絡(luò)參數(shù)學(xué)習(xí),將機(jī)場噪聲和其影響因素圖形化地表達(dá)為一個(gè)信念網(wǎng)絡(luò)。關(guān)聯(lián)規(guī)則本身表達(dá)數(shù)據(jù)中蘊(yùn)含的知識(shí),可為構(gòu)建信念網(wǎng)絡(luò)提供有效的先驗(yàn)知識(shí),構(gòu)建的網(wǎng)絡(luò)具有較高的可接受度。最后,從機(jī)場降噪措施之一的機(jī)型選擇角度,并與權(quán)威噪聲預(yù)測軟件INM相對(duì)比,表明了該表示方法的可行性和有效性。
[Abstract]:Airport noise is the result of the comprehensive effect of various noise factors. Using the historical data set of airport noise to excavate the relationship between the airport noise and the influence factors of the noise is helpful to predict the possible influence degree of the noise under the combination of various noise factors, so as to provide a scientific basis for the formulation of reasonable noise reduction measures. The field noise and its influencing factors can not simply rely on the establishment of a function model to express the complex nonlinear dependence. On the basis of qualitative and quantitative analysis of each influence factor of the airport noise, this paper excavates the correlation between the hidden noise of the airport historical noise data set and the influence factors of various noises. On the basis of the in-depth study of the existing interest model of the association rules, this paper proposes the idea of avoiding unuseld rules through the constraints of the rules of interest and the latter, and designs the corresponding algorithm BACIRC-FP-Growth-Cube (Based on Antecedent and Consequent of Interesti). Ng Rules Constrained FP-Growth-Cube), which overcomes the weakness that most algorithms use only interest filtering rules at present. Firstly, the algorithm uses FP-Growth-Cube algorithm to excavate frequent itemsets, and then matches the rules of interest, and then matches the frequent itemsets, directing the frequent itemsets to generate the association rules of interest of the users. Degree avoids the blindness of association rules as unsupervised learning. Finally, the experimental verification of the historical data set of airport noise shows that compared with the FP-Growth-Cube algorithm, the BACIRC-FP-Growth-Cube algorithm is more efficient and reduces the production of useless rules to a large extent. In order to express the airport noise and its influence, In this paper, a visual representation method of association rules based on belief networks is proposed, which overcomes the weakness of association rules that can not express the connections between different rules. This method expresses the noise of the airport and its influence factors into a belief network through topology learning and network parameter learning. The knowledge contained in the body expression data can provide effective prior knowledge for building the belief network, and the constructed network has high acceptability. Finally, from one of the noise reduction measures in the airport, the model selection angle is compared with the authoritative noise prediction software INM, which shows the feasibility and effectiveness of the method.
【學(xué)位授予單位】：中國民航大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：V351;TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 沈洪艷;機(jī)場噪聲環(huán)境影響評(píng)價(jià)的程序和方法[J];重慶環(huán)境科學(xué);2000年04期

2 李澤云;武夷山機(jī)場噪聲對(duì)國家旅游度假區(qū)的影響問題及其綜合治理[J];福建分析測試;2004年Z1期

3 楊周森;機(jī)場和飛機(jī)噪聲的測量和評(píng)價(jià)研究初探[J];噪聲與振動(dòng)控制;1988年03期

4 溫冬琴;王建東;;基于奇異譜分析的機(jī)場噪聲時(shí)間序列預(yù)測模型[J];計(jì)算機(jī)科學(xué);2014年01期

5 屠仁涌,汪昌齡,顧茸蕾;機(jī)場噪聲的標(biāo)準(zhǔn)、測量和估算[J];噪聲與振動(dòng)控制;1987年02期

6 鄭毅;鄭汝海;邵斌;王觀虎;徐明霞;;機(jī)場噪聲管理信息系統(tǒng)研究與開發(fā)[J];噪聲與振動(dòng)控制;2009年02期

7 丁萬昌;機(jī)場噪聲概述[J];噪聲與振動(dòng)控制;1987年02期

8 王維;楊小龍;;基于外部成本的機(jī)場噪聲收費(fèi)方法研究[J];中國民航大學(xué)學(xué)報(bào);2013年06期

9 肖慧慧;王超;徐肖豪;;機(jī)場飛機(jī)噪聲評(píng)價(jià)量及其限值的探討[J];噪聲與振動(dòng)控制;2011年02期

10 陳歡;許娟娟;;機(jī)場噪聲監(jiān)測系統(tǒng)研究[J];科技傳播;2011年06期

相關(guān)會(huì)議論文 前1條

1 柳小毅;施祥;盧向明;翟國慶;;機(jī)場噪聲與公眾主觀煩惱關(guān)系[A];運(yùn)輸噪聲的預(yù)測與控制——2009全國環(huán)境聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2009年

相關(guān)碩士學(xué)位論文 前10條

1 吳躍;WSN中機(jī)場噪聲壓縮感知算法研究[D];南京航空航天大學(xué);2014年

2 肖驍;面向機(jī)場噪聲感知的組網(wǎng)技術(shù)研究[D];南京航空航天大學(xué);2015年

3 陳雪蕊;面向降低機(jī)場噪聲影響的飛行程序優(yōu)化研究[D];中國民航大學(xué);2016年

4 呼和木其日;面向機(jī)場噪聲動(dòng)態(tài)三維可視化的實(shí)時(shí)計(jì)算研究及其實(shí)現(xiàn)[D];中國民航大學(xué);2016年

5 王冬冬;機(jī)場噪聲評(píng)價(jià)指標(biāo)分析與應(yīng)用研究[D];中國民航大學(xué);2012年

6 張國臣;基于ZigBee和Internet的機(jī)場噪聲監(jiān)測系統(tǒng)研究[D];中國民航大學(xué);2013年

7 蘇瀚;基于觀察學(xué)習(xí)的機(jī)場噪聲異構(gòu)集成預(yù)測模型[D];中國民航大學(xué);2015年

8 張聰穎;機(jī)場噪聲煩惱度模型的研究與應(yīng)用[D];中國民航大學(xué);2015年

9 崔昭宇;面向泛網(wǎng)格式監(jiān)測點(diǎn)布局的機(jī)場噪聲動(dòng)態(tài)等值線繪制[D];中國民航大學(xué);2015年

10 楊婷婷;機(jī)場噪聲的關(guān)聯(lián)規(guī)則挖掘及信念網(wǎng)絡(luò)可視化表示研究[D];中國民航大學(xué);2015年

，

本文編號(hào)：1900675