發(fā)布時間：2018-05-27 03:23

  本文選題：符號化聚集近似 + 相似性度量�。� 參考：《南京航空航天大學》2015年碩士論文

【摘要】：隨著機場噪聲污染程度日益嚴重,以及噪聲對環(huán)境影響的投訴逐年增多,機場噪聲問題成為影響民航業(yè)可持續(xù)發(fā)展的一個重要因素。其中,機場噪聲時間序列中的異常情況雖然相對正常情況來說極少出現,但卻擁有很大價值,利用它能夠及時檢修飛機和機場設備來防止問題變得更加嚴重。通過判斷機場內分布在各個區(qū)域的監(jiān)測點上收集的數據是否出現異常,來確定是否存在異常情況。又由于導致監(jiān)測點失效或數據采集錯誤的原因有很多,因此還需要對異常情況的原因進行分析。為了能夠發(fā)現監(jiān)測點異常的原因,首先需要研究如何判斷監(jiān)測點異常。將機場噪聲時間序列降維并符號化,然后運用提出的新度量方法度量處理后的時間序列,最后根據度量結果利用k近鄰孤立因子進行異常檢測,由此得出機場噪聲單監(jiān)測點時間序列異常檢測方法。該方法在大大減少了數據量并提高了計算速度的同時,使用改進的度量方法減小了形態(tài)信息被弱化所帶來的影響,完成了對異常監(jiān)測點的初步篩選。根據發(fā)現的異常監(jiān)測點,研究這些監(jiān)測點出現異常的原因。為了實現這一目標,對于監(jiān)測到異常數據的監(jiān)測點,需要先對它們應有的數據進行預測。使用神經網絡集成方法,融入組合模型思想提高預測精度,探尋其中的權重計算方法,提出關聯監(jiān)測點神經網絡集成組合預測模型,使用這些監(jiān)測點的極強關聯監(jiān)測點數據訓練相應的預測模型,然后預測出異常點數據,作為后續(xù)異常原因判斷的標準。最后找出異常監(jiān)測點數據出現異常的原因。提出關聯噪聲監(jiān)測點異常發(fā)現算法,首先使用上述預測方法,將所得預測值與實測值進行相似度計算,最終判斷該點是否異常。若候選異常點此時被判斷為異常點,則說明該監(jiān)測點本身老化損壞;若被判斷為正常點,則說明是機場設備或飛機問題。
[Abstract]:With the increasingly serious noise pollution in airports and the increasing number of complaints about the impact of noise on the environment, the problem of airport noise has become an important factor affecting the sustainable development of the civil aviation industry. The abnormal situation in the airport noise time series is relatively rare, but it has great value. It can be used to inspect and repair the aircraft and airport equipment in time to prevent the problem from becoming more serious. By judging whether there are anomalies in the data collected from the monitoring points distributed in each region in the airport, we can determine whether there are abnormal conditions. There are many reasons that lead to the failure of monitoring points or data acquisition errors, so it is necessary to analyze the causes of abnormal situations. In order to find out the reason of abnormal monitoring point, it is necessary to study how to judge the anomaly. The time series of airport noise are reduced and symbolized, then the time series after processing are measured by the proposed new metric method, and then anomaly detection is performed by using k-nearest neighbor solitary factor according to the results of measurement. The method of time series anomaly detection for single monitoring point of airport noise is obtained. This method can greatly reduce the amount of data and increase the speed of calculation, at the same time, the improved measurement method is used to reduce the influence of the weakening of morphological information, and the preliminary screening of anomaly monitoring points is completed. According to the abnormal monitoring points found, the causes of the anomalies in these monitoring points are studied. In order to achieve this goal, it is necessary to predict the data that should be used to monitor the abnormal data. Neural network ensemble method is used to improve the prediction accuracy by incorporating the idea of combinatorial model, and the weight calculation method is explored, and the integrated combined forecasting model of neural network for the associated monitoring points is put forward. The data of these monitoring points are used to train the corresponding prediction model, and then the outliers data are predicted as the criteria for judging the causes of the anomalies. Finally, we find out the reason of abnormal data at the abnormal monitoring point. In this paper, an algorithm is proposed to detect anomalies at the monitoring points of associated noise. Firstly, the similarity between the predicted values and the measured values is calculated by using the above prediction methods, and finally the anomaly of the points is judged. If candidate outliers are judged as outliers at this time, the monitoring points themselves are aged and damaged; if they are judged as normal points, it is an airport equipment or aircraft problem.
【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】：X839.1

【相似文獻】

相關期刊論文 前10條

1 王啟鵬;;數據時間序列的指數函數法預測[J];鞍山鋼鐵學院學報;1990年03期

2 徐希寶;鄧育民;段方振;樓鑫;;船搖數據的時間序列模型處理[J];重慶科技學院學報(自然科學版);2013年04期

3 劉威;邵良杉;;基于變換的時間序列相似性分析[J];遼寧工程技術大學學報;2007年S2期

4 袁景俠,楊有君,門曉波;機床加工精度的時間序列預報控制[J];大連工學院學報;1986年03期

5 趙玉新;;時間序列在燃油分析及預測中的應用[J];科技和產業(yè);2013年09期

6 楊蕊;王龍;余航;沈立群;田琳;;昆明歷史洪澇災害時間序列分形特征研究[J];安徽農業(yè)科學;2012年07期

7 陸杰;劉付程;李廷友;;連云港市大氣污染物時間序列的長程相關性分析[J];環(huán)境污染與防治;2007年05期

8 畢曉麗,覃德華,葛劍平;NDVI起伏型時間序列模型初探[J];應用與環(huán)境生物學報;2004年04期

9 王智勇;;時間序列下同種產品銷售預測方法的比較分析[J];昆明冶金高等專科學校學報;2011年05期

10 王文哲;王炳坤;;基于時間序列低碳經濟發(fā)展的協(xié)調性分析[J];資源與產業(yè);2013年02期

相關會議論文 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預報方法及其應用[A];中國現場統(tǒng)計研究會第九屆學術年會論文集[C];1999年

2 馬培蓓;紀軍;;基于時間序列的航空備件消耗預測[A];中國系統(tǒng)工程學會決策科學專業(yè)委員會第六屆學術年會論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時間序列的非線性非平穩(wěn)特性研究綜述[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

4 李強;;基于線性模型方法對時間序列中異常值的檢測及證券實證分析[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責任和對策（上冊）[C];2002年

5 戴麗金;何振峰;;基于云模型的時間序列相似性度量方法[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時間序列的投影尋蹤學習逼近[A];'99系統(tǒng)仿真技術及其應用學術交流會論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時問序列的小波-模糊神經網絡集成預測方法[A];第十五屆中國管理科學學術年會論文集（下）[C];2013年

8 黃云貴;;基于時間序列的電網固定資產投資規(guī)模研究[A];2012年云南電力技術論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時間序列高階矩持續(xù)和協(xié)同持續(xù)性研究[A];21世紀數量經濟學（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數據的時間序列化[A];科學決策與系統(tǒng)工程——中國系統(tǒng)工程學會第六次年會論文集[C];1990年

相關重要報紙文章 前6條

1 ;《時間序列與金融數據分析》[N];中國信息報;2004年

2 何德旭 王朝陽;時間序列計量經濟學：協(xié)整與有條件的異方差自回歸[N];中國社會科學院院報;2003年

3 劉俏;讓數據坦白真相[N];21世紀經濟報道;2003年

4 西南證券高級研究員 董先安邋德圣基金研究中心 郭奔宇;預計6月CPI同比上漲7.2%[N];證券時報;2008年

5 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

6 任勇邋鄭重;中國對世界鋼材價格的影響實證分析[N];現代物流報;2007年

相關博士學位論文 前10條

1 張墨謙;遙感時間序列數據的特征挖掘：在生態(tài)學中的應用[D];復旦大學;2014年

2 張德成;滑坡預測預報研究[D];昆明理工大學;2015年

3 苗圣法;時間序列的模式檢測[D];蘭州大學;2015年

4 翁同峰;時間序列與復雜網絡之間等價性問題及表征應用研究[D];哈爾濱工業(yè)大學;2015年

5 楊婷婷;用Argo浮標結合衛(wèi)星觀測估算北太平洋經向熱輸運[D];中國科學院研究生院(海洋研究所);2015年

6 王曉曄;時間序列數據挖掘中相似性和趨勢預測的研究[D];天津大學;2003年

7 李桂玲;時間序列的分割及不一致發(fā)現研究[D];華中科技大學;2012年

8 周勇;時間序列時序關聯規(guī)則挖掘研究[D];西南財經大學;2008年

9 張勇;時間序列模式匹配技術研究[D];華中科技大學;2012年

10 董曉莉;時間序列數據挖掘相似性度量和周期模式挖掘研究[D];天津大學;2007年

相關碩士學位論文 前10條

1 陳健;基于多變量相空間重構的投資組合策略研究[D];華南理工大學;2015年

2 蘭鑫;時間序列的復雜網絡轉換策略研究[D];西南大學;2015年

3 米曉將;區(qū)域尺度下月均氣溫的時空演化格局研究[D];昆明理工大學;2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預測研究[D];南京信息工程大學;2015年

5 林健;基于改進小世界回聲狀態(tài)網的時間序列預測[D];渤海大學;2015年

6 曹智麗;日氣溫和干旱指數支持向量回歸預測方法[D];南京信息工程大學;2015年

7 高雄飛;基于分形理論的土壤含水量時間序列特性分析[D];長安大學;2015年

8 姚茜;城市安全生產發(fā)展目標研究[D];中國地質大學(北京);2015年

9 謝翠穎;蘇州社會消費品零售總額簡析[D];蘇州大學;2015年

10 包仁義;基于時間序列的搜索引擎評估模型算法研究[D];東北師范大學;2015年

，

本文編號：1940208