本發(fā)明涉及機(jī)場(chǎng)噪聲預(yù)測(cè)，尤其是涉及一種基于bp神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)單航班噪聲預(yù)測(cè)方法。

背景技術(shù)：

1、民航噪聲是阻礙民航發(fā)展的主要因素之一。隨著全球空中交通需求的增加，航空噪聲污染問(wèn)題將越來(lái)越嚴(yán)重。相關(guān)醫(yī)學(xué)研究表明，長(zhǎng)期接觸航空噪聲會(huì)導(dǎo)致聽力損傷、睡眠障礙，并增加心血管疾病的風(fēng)險(xiǎn)。不僅如此，航空噪聲還會(huì)阻礙兒童學(xué)習(xí)能力和認(rèn)知能力的發(fā)展。航空噪聲的預(yù)測(cè)方法將有助于我們量化航空噪聲對(duì)環(huán)境的負(fù)面影響，為航空噪聲的控制提供依據(jù)。

2、為了量化飛機(jī)噪聲對(duì)于周邊環(huán)境的負(fù)面影響，亟需建立飛機(jī)噪聲快速預(yù)測(cè)方法。目前最有代表性的飛機(jī)噪聲計(jì)算方法是美國(guó)聯(lián)邦航空管理局(簡(jiǎn)稱faa)研發(fā)的inm模型(integrated?noise?model)。以inm為代表的傳統(tǒng)計(jì)算方法通常以噪聲理論為基礎(chǔ)，具有很強(qiáng)的通用性。但是由于inm計(jì)算方法需要詳細(xì)的信息(如：機(jī)場(chǎng)信息、跑道信息、機(jī)型、發(fā)動(dòng)機(jī)類型、飛行操作信息、航班信息等)，在實(shí)際使用當(dāng)中，很難滿足輸入數(shù)據(jù)的要求。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種基于bp神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)單航班噪聲預(yù)測(cè)方法，考慮到降低預(yù)測(cè)模型應(yīng)用難度、在保證預(yù)測(cè)精度的條件下提升預(yù)測(cè)速度，通過(guò)遍歷飛機(jī)周邊區(qū)域網(wǎng)格點(diǎn)，實(shí)現(xiàn)區(qū)域地面a聲壓級(jí)分布的預(yù)測(cè)，與傳統(tǒng)模型相比，本發(fā)明提出的模型使用更加簡(jiǎn)便，成本更低。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于bp神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)單航班噪聲預(yù)測(cè)方法，包括以下步驟：

3、s1、篩選機(jī)場(chǎng)單航班噪聲原始數(shù)據(jù)，并進(jìn)行數(shù)據(jù)歸一化處理；

4、s2、將篩選后的原始數(shù)據(jù)建立訓(xùn)練集和驗(yàn)證集，構(gòu)建預(yù)測(cè)模型訓(xùn)練集s；

5、s3、對(duì)步驟s2的訓(xùn)練集s進(jìn)行訓(xùn)練得到滿足精度的噪聲預(yù)測(cè)模型；

6、s4、對(duì)步驟s3訓(xùn)練得到的噪聲預(yù)測(cè)模型進(jìn)行二次訓(xùn)練，得到最終的噪聲預(yù)測(cè)模型；

7、s5、利用步驟s4所得的噪聲預(yù)測(cè)模型，對(duì)某一特定機(jī)型的噪聲影響進(jìn)行預(yù)測(cè)。

8、優(yōu)選的，步驟s1中，對(duì)航跡數(shù)據(jù)和噪聲監(jiān)測(cè)數(shù)據(jù)進(jìn)行相互關(guān)聯(lián)和預(yù)處理，清理因質(zhì)量較低不能用于模型訓(xùn)練的數(shù)據(jù)，得到質(zhì)量較高的噪聲點(diǎn)監(jiān)測(cè)數(shù)據(jù)與飛機(jī)航跡數(shù)據(jù)。

9、優(yōu)選的，步驟s2中，所述將篩選后的原始數(shù)據(jù)建立訓(xùn)練集和驗(yàn)證集，構(gòu)建預(yù)測(cè)模型訓(xùn)練集s具體為：

10、將篩選后的原始數(shù)據(jù)的一半用于訓(xùn)練集，另一半用于驗(yàn)證集，構(gòu)建預(yù)測(cè)模型訓(xùn)練集s，s＝(x1,x2,…,xn)；預(yù)測(cè)模型結(jié)構(gòu)中n為訓(xùn)練集樣本總個(gè)數(shù)，x為輸入變量，y為輸出變量，經(jīng)過(guò)神經(jīng)元采用sigmoid激活函數(shù)激活，映射關(guān)系為：

11、優(yōu)選的，步驟s3具體包括以下步驟：

12、s31、首先設(shè)置一個(gè)噪聲分布的預(yù)測(cè)問(wèn)題；

13、s32、給步驟s2中訓(xùn)練集s的每一條樣本數(shù)據(jù)賦予權(quán)重，假設(shè)每一條樣本數(shù)據(jù)同等重要；

14、s33、假定訓(xùn)練k個(gè)預(yù)測(cè)模型，設(shè)置不同的隱藏層結(jié)構(gòu)進(jìn)行篩選，分別采用matlab軟件、neural?net?fitting工具箱進(jìn)行訓(xùn)練，得到多個(gè)預(yù)測(cè)模型，觀察預(yù)測(cè)模型結(jié)果選擇合適的隱藏層個(gè)數(shù)；

15、s34、設(shè)置神經(jīng)網(wǎng)格參數(shù)；

16、設(shè)tf1為輸入到第一隱層的傳輸函數(shù)，tf2為第一隱層到第二隱層的傳輸函數(shù)，tf3為輸出層傳輸函數(shù)，設(shè)定tf1、tf2為邏輯sigmoid函數(shù)；設(shè)定tf3為線性激活函數(shù)；

17、s35、設(shè)置模型訓(xùn)練參數(shù)，包括訓(xùn)練次數(shù)、訓(xùn)練目標(biāo)和學(xué)習(xí)率，使用梯度下降算法，用于更新模型的參數(shù)；

18、s36、神經(jīng)網(wǎng)絡(luò)訓(xùn)練；

19、s37、進(jìn)行數(shù)據(jù)反歸一化；

20、s38、驗(yàn)證集計(jì)算均方根誤差mse，選取mes值較小的模型作為噪聲預(yù)測(cè)模型。

21、優(yōu)選的，步驟s4中，對(duì)步驟s3訓(xùn)練得到最優(yōu)模型，對(duì)步驟s2中的預(yù)測(cè)問(wèn)題進(jìn)行模擬，并與實(shí)際噪聲監(jiān)測(cè)數(shù)據(jù)進(jìn)行比對(duì)，篩選出的數(shù)據(jù)進(jìn)行第二輪模型訓(xùn)練，得到最終的噪聲預(yù)測(cè)模型。

22、優(yōu)選的，所述篩選的數(shù)據(jù)為去掉受環(huán)境噪聲影響大的壞點(diǎn)，即去掉監(jiān)測(cè)值比預(yù)測(cè)值高的數(shù)據(jù)，用剩下的數(shù)據(jù)進(jìn)行第二輪模型訓(xùn)練。

23、因此，本發(fā)明采用上述一種基于bp神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)單航班噪聲預(yù)測(cè)方法，有益效果如下：

24、(1)本發(fā)明提出一種基于bp神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)噪聲預(yù)測(cè)代理模型，該模型是采用機(jī)場(chǎng)周邊噪聲監(jiān)測(cè)數(shù)據(jù)和航空器飛行數(shù)據(jù)訓(xùn)練得到的，模型可基于飛機(jī)高度、飛機(jī)速度、飛機(jī)飛行方向、飛機(jī)與目標(biāo)點(diǎn)位水平距離等四項(xiàng)參數(shù)，實(shí)現(xiàn)目標(biāo)點(diǎn)位的a聲壓級(jí)預(yù)測(cè)，與傳統(tǒng)模型相比，本發(fā)明提出的模型使用更加簡(jiǎn)便，成本更低。

25、(2)本發(fā)明提供的方法輸入變量少、計(jì)算速度快，通過(guò)預(yù)測(cè)模型計(jì)算得到的a聲壓級(jí)值，可用于計(jì)算現(xiàn)行標(biāo)準(zhǔn)中規(guī)定的噪聲評(píng)價(jià)指標(biāo)計(jì)權(quán)等效連續(xù)感覺(jué)噪聲級(jí)lwecpn和年均晝夜等效聲級(jí)yldn等值線本發(fā)明的計(jì)算，便于進(jìn)行噪聲評(píng)估。

26、下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。

技術(shù)特征：

1.一種基于bp神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)單航班噪聲預(yù)測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于bp神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)單航班噪聲預(yù)測(cè)方法，其特征在于，步驟s1中，對(duì)航跡數(shù)據(jù)和噪聲監(jiān)測(cè)數(shù)據(jù)進(jìn)行相互關(guān)聯(lián)和預(yù)處理，清理因質(zhì)量較低不能用于模型訓(xùn)練的數(shù)據(jù)，得到質(zhì)量較高的噪聲點(diǎn)監(jiān)測(cè)數(shù)據(jù)與飛機(jī)航跡數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的一種基于bp神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)單航班噪聲預(yù)測(cè)方法，其特征在于，步驟s2中，所述將篩選后的原始數(shù)據(jù)建立訓(xùn)練集和驗(yàn)證集，構(gòu)建預(yù)測(cè)模型訓(xùn)練集s具體為：

4.根據(jù)權(quán)利要求3所述的一種基于bp神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)單航班噪聲預(yù)測(cè)方法，其特征在于，步驟s3具體包括以下步驟：

5.根據(jù)權(quán)利要求4所述的一種基于bp神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)單航班噪聲預(yù)測(cè)方法，其特征在于，步驟s4中，對(duì)步驟s3訓(xùn)練得到最優(yōu)模型，對(duì)步驟s2中的預(yù)測(cè)問(wèn)題進(jìn)行模擬，并與實(shí)際噪聲監(jiān)測(cè)數(shù)據(jù)進(jìn)行比對(duì)，篩選出的數(shù)據(jù)進(jìn)行第二輪模型訓(xùn)練，得到最終的噪聲預(yù)測(cè)模型。

6.根據(jù)權(quán)利要求5所述的一種基于bp神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)單航班噪聲預(yù)測(cè)方法，其特征在于，所述篩選的數(shù)據(jù)為去掉受環(huán)境噪聲影響大的壞點(diǎn)，即去掉監(jiān)測(cè)值比預(yù)測(cè)值高的數(shù)據(jù)，用剩下的數(shù)據(jù)進(jìn)行第二輪模型訓(xùn)練。

技術(shù)總結(jié)
本發(fā)明涉及機(jī)場(chǎng)噪聲預(yù)測(cè)技術(shù)領(lǐng)域，具體公開了一種基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)單航班噪聲預(yù)測(cè)方法，包括以下步驟：首先篩選機(jī)場(chǎng)單航班噪聲原始數(shù)據(jù)，并進(jìn)行數(shù)據(jù)歸一化處理；而后將篩選后的原始數(shù)據(jù)建立訓(xùn)練集和驗(yàn)證集，構(gòu)建預(yù)測(cè)模型訓(xùn)練集；對(duì)訓(xùn)練集進(jìn)行訓(xùn)練得到滿足精度的噪聲預(yù)測(cè)模型；對(duì)訓(xùn)練得到的噪聲預(yù)測(cè)模型進(jìn)行二次訓(xùn)練，得到最終的噪聲預(yù)測(cè)模型；利用所得的噪聲預(yù)測(cè)模型，對(duì)某一特定機(jī)型的噪聲影響進(jìn)行預(yù)測(cè)。本發(fā)明采用上述的一種基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)單航班噪聲預(yù)測(cè)方法，可基于飛機(jī)狀態(tài)進(jìn)行L<subgt;A</subgt;預(yù)測(cè)，也可根據(jù)航班計(jì)劃進(jìn)行L<subgt;WECPN</subgt;和YL<subgt;DN</subgt;分布的預(yù)測(cè)，從而優(yōu)化航班運(yùn)營(yíng)，降低噪聲影響。

技術(shù)研發(fā)人員：李紫微,張偉榮,孫艷,李國(guó)棋,徐力恒,康春華,李曉翔,孫施曼,王穎佳,于童
受保護(hù)的技術(shù)使用者：北京工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6