本文關(guān)鍵詞：基于貝葉斯的機場噪聲預測修正模型

  更多相關(guān)文章： 機場噪聲 貝葉斯網(wǎng) 傳統(tǒng)預測模型 禁忌搜索

【摘要】：機場噪聲預測在機場噪聲控制中發(fā)揮著重要的作用。傳統(tǒng)機場噪聲預測模型如INM(Integrated Noise Model)以航空器NPD(噪聲-推力-距離)曲線為基礎(chǔ),僅粗略地考慮了特定外界條件對噪聲傳播的影響,雖預測結(jié)果較穩(wěn)定,但預測誤差較大,且預測過程繁瑣,效率低。而基于機器學習的機場噪聲預測模型雖綜合考慮了特定外界環(huán)境對噪聲的影響,但存在過度依賴歷史監(jiān)測數(shù)據(jù)、預測不穩(wěn)定等問題。因此,開展高精度、高效率的機場噪聲預測模型研究意義重大。為了解決機場噪聲預測不準確、不穩(wěn)定等問題,本文在傳統(tǒng)預測模型基礎(chǔ)上,提出了一個基于聚類的樸素貝葉斯集成的機場噪聲預測修正模型。該模型通過學習傳統(tǒng)預測模型預測值相對于監(jiān)測值的差值,修正傳統(tǒng)預測模型由于客觀外界因素造成的預測偏差。此外,為緩解樸素貝葉斯的條件依賴性假設(shè)問題,在模型應(yīng)用時通過聚類對訓練樣本進行預處理,再在多個簇上分別構(gòu)建樸素貝葉斯模型,從而減少單個樸素貝葉斯模型的訓練樣本數(shù)量,且降低強依賴屬性出現(xiàn)的概率。實驗表明,該模型大幅度提高了機場噪聲預測的準確度,但在錯誤數(shù)據(jù)增多時,預測準確度下降較快。針對此問題,本文又對貝葉斯網(wǎng)的構(gòu)造方法進行了研究,提出一個基于禁忌約束搜索的貝葉斯網(wǎng)構(gòu)造算法,此算法不僅考慮屬性之間條件依賴性,且加入專家知識約束,減少了錯誤數(shù)據(jù)對預測模型的影響。經(jīng)過實驗證明,利用該算法構(gòu)造的預測模型,泛化能力、預測精度、魯棒性更強。此外,為了實現(xiàn)機場噪聲批量的預測,提高噪聲預測的效率,本文提出一種航跡矢量化算法。最后結(jié)合航跡矢量化算法、傳統(tǒng)機場噪聲預測模型、基于貝葉斯的機場噪聲預測模型實現(xiàn)了機場噪聲批量預測系統(tǒng)。經(jīng)實驗驗證,該系統(tǒng)可批量準確地預測機場噪聲值。
【關(guān)鍵詞】：機場噪聲 貝葉斯網(wǎng) 傳統(tǒng)預測模型 禁忌搜索
【學位授予單位】：中國民航大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：V351;TP18
【目錄】：

• 摘要5-6
• Abstract6-9
• 第一章 緒論9-14
• 1.1 研究背景及意義9-10
• 1.2 機場噪聲預測的研究現(xiàn)狀10-12
• 1.2.1 基于NPD曲線的預測方法10-11
• 1.2.2 基于機器學習的預測方法11-12
• 1.3 本文研究方法及技術(shù)路線12-14
• 第二章 機場噪聲預測基礎(chǔ)知識14-20
• 2.1 機場噪聲評價標準14-16
• 2.2 噪聲預測時需要考慮的環(huán)境因素16-19
• 2.3 其他多方面原因引起的衰減19
• 2.4 本章小結(jié)19-20
• 第三章 貝葉斯理論基礎(chǔ)20-30
• 3.1 貝葉斯理論及定理20-21
• 3.2 樸素貝葉斯模型21-23
• 3.3 樸素貝葉斯改進模型23-24
• 3.3.1 基于權(quán)重的樸素貝葉斯模型23
• 3.3.2 基于k-近鄰的局部加權(quán)樸素貝葉斯模型23-24
• 3.4 貝葉斯網(wǎng)模型24-29
• 3.4.1 貝葉斯網(wǎng)理論24-25
• 3.4.2 貝葉斯網(wǎng)的結(jié)構(gòu)學習25-27
• 3.4.3 貝葉斯網(wǎng)的參數(shù)學習27-29
• 3.5 本章小結(jié)29-30
• 第四章 基于貝葉斯的機場噪聲預測修正模型30-51
• 4.1 傳統(tǒng)機場噪聲預測模型的問題30-35
• 4.1.1 傳統(tǒng)模型預測誤差30-31
• 4.1.2 外界環(huán)境對噪聲傳播的影響31-35
• 4.1.3 問題總結(jié)35
• 4.2 機場噪聲預測修正模型35-38
• 4.2.1 預測修正原理35-36
• 4.2.2 特征變量的選擇36-38
• 4.3 基于聚類的樸素貝葉斯集成機場噪聲預測修正模型38-44
• 4.3.1 機場噪聲訓練集的k-means聚類39
• 4.3.2 基于聚類的樸素貝葉斯集成機場噪聲預測修正流程39-41
• 4.3.3 實驗結(jié)果與分析41-44
• 4.4 基于貝葉斯網(wǎng)的機場噪聲預測修正模型44-49
• 4.4.1 基于禁忌約束搜索的貝葉斯網(wǎng)構(gòu)建算法44-47
• 4.4.2 實驗結(jié)果與分析47-49
• 4.5 本章小結(jié)49-51
• 第五章 機場噪聲批量預測系統(tǒng)的實現(xiàn)51-64
• 5.1 批量預測流程51-52
• 5.2 數(shù)據(jù)兼容性問題52-53
• 5.3 機場噪聲批量預測系統(tǒng)的實現(xiàn)53-59
• 5.3.1 NoiseMap簡介53-54
• 5.3.2 航跡批量導入程序框架54-55
• 5.3.3 BatchVector.py航跡自動矢量化程序55-59
• 5.4 實驗及結(jié)果59-63
• 5.5 本章小節(jié)63-64
• 第六章 總結(jié)64-66
• 6.1 本文的主要工作64-65
• 6.2 工作展望65-66
• 參考文獻66-70
• 致謝70-71
• 作者簡介71

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 徐濤;燕憲金;楊國慶;;基于神經(jīng)網(wǎng)絡(luò)集成的單個飛行事件噪聲預測模型[J];中國環(huán)境科學;2014年02期

2 陳海燕;楊冰欣;徐濤;王建東;;基于模糊支持向量回歸的機場噪聲預測[J];南京航空航天大學學報;2013年05期

3 徐濤;謝繼文;楊國慶;;一種基于層次聚類的機場噪聲數(shù)據(jù)挖掘方法[J];南京航空航天大學學報;2013年05期

4 王艷華;馮霞;徐濤;;機場噪聲評價量分析與比較[J];噪聲與振動控制;2013年02期

5 焦鵬;王新政;謝鵬遠;;基于屬性選擇法的樸素貝葉斯分類器性能改進[J];電訊技術(shù);2013年03期

6 冀俊忠;張鴻勛;胡仁兵;劉椿年;;基于禁忌搜索的貝葉斯網(wǎng)結(jié)構(gòu)學習算法[J];北京工業(yè)大學學報;2011年08期

7 郭亞寧;馮莎莎;;機器學習理論研究[J];中國科技信息;2010年14期

8 尹曉偉;錢文學;謝里陽;;系統(tǒng)可靠性的貝葉斯網(wǎng)絡(luò)評估方法[J];航空學報;2008年06期

9 孫吉貴;劉杰;趙連宇;;聚類算法研究[J];軟件學報;2008年01期

10 鄧維斌;黃蜀江;周玉敏;;基于條件信息熵的自主式樸素貝葉斯分類算法[J];計算機應(yīng)用;2007年04期

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 王朝祿;基于貝葉斯網(wǎng)的廣告點擊率預測方法及實現(xiàn)[D];云南大學;2013年

2 陳會芝;危險天氣條件下的航空飛行與安全[D];西南交通大學;2003年

，

本文編號：888733