基于观察学习的机场噪声异构集成预测模型

《基于观察学习的机场噪声异构集成预测模型》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文基于观察学习的机场噪声异构集成预测模型研究生姓名：苏瀚导师姓名：徐涛教授2015年5月4日分类号：TP309密级：公开UDC：004.9学号：1205024中国民航大学硕士学位论文研究生姓名：苏瀚导师姓名：徐涛教授申请学位类别：工学硕士学科专业名称：计算机科学与技术所在院系：计算机科学与技术学院论文答辩日期：2015年5月4日2015年5月4日AirportNoiseHeterogeneousEnsemblePredictionModelBasedonObservationalLearningADissertatio

2、nSubmittedtoCivilAviationUniversityofChinaFortheAcademicDegreeofMasterofScienceBySuHanSupervisedbyProf.XuTaoCollegeofComputerScienceandTechnologyCivilAviationUniversityofChinaMay2015中国民航大学硕士学位论文中国民航大学硕士学位论文摘要随着我国综合国力的不断提升，民航运输业取得了非常瞩目的发展成果。然而日益严重的机场噪声污染问题也伴随而来，有效控制机场

3、周边噪声污染已成为民航从业人员当前必须重点解决的一个问题。机场噪声预测是进行机场噪声评估和噪声防治工作的重要前提，因此，构建科学合理全面的机场噪声预测模型意义非凡。本文详尽地研究了已有的基于机器学习的机场噪声预测方法，其中关联分析预测多采用单一学习器，预测精度不高且泛化能力差。为此，本文提出了一种机场噪声关联分析集成预测方法，该方法综合考虑机场噪声的主要影响因素，结合集成学习的思想，利用空间拟合算法和BP神经网络算法构建多个基学习器，然后采用观察学习算法将多个基学习器集成。通过多个不同学习器的集成，能够有效提升关联分析预测的准确

4、性，同时多个异构学习器的集成保证了预测方法的泛化能力。基于卡尔曼滤波的思想，通过在时间序列预测结果上的改进，本文提出一种基于卡尔曼滤波优化的机场噪声时间序列预测方法。该方法设计以噪声统计值构造时序的方案，利用支持向量回归机训练预测学习器，然后采用卡尔曼滤波对预测结果进行去干扰优化。合理的时序构造方案和预测结果的去干扰优化，使得本文的方法较之前人的时间序列预测，准确率有显著地提升。最后，针对机场实际噪声预测稳定准确可靠的需求，本文提出一种基于观察学习的机场噪声异构集成预测模型。该模型通过一致化数据集，利用反向观察学习将关联分析预测

5、和时间序列预测这两种异构的预测方法合理地集成起来。该模型较之单一方法的噪声预测，具有更高的预测精度和更强的泛化能力，适用于我国大部分机场的实际应用状况。关键词：机场噪声；异构集成；观察学习；关联分析；时间序列I中国民航大学硕士学位论文AbstractWiththedevelopmentofChina’soverallnationalstrength,civilaviationindustryhasgottengreatachievement.Buttheairportnoisepollutionbecomesmoreandmor

6、eserious.Howtocontrolairportnoiseisveryimportantforcivilaviationpersonnel.Airportnoisepredictionisanimportantprerequisiteforairportenvironmentassessmentandnoisecontrolwork,therefore,itmeansalottomakeascientific,reasonableandcomprehensiveairportnoisepredictionmodel.Th

7、eexistingairportnoisepredictionmethodsbasedonmachinelearningareanalyzed.Mostofincidenceanalysismethodsonlyhavesinglelearner,sothattheireffectsarenotgood.Thispaperpresentsanensemblepredictionmethodofairportnoiseincidenceanalysis.Inthispaper,themajornoiseinfluentialfac

8、torsareanalyzed.Andallbaselearners,whicharebuiltbasedonspacefittingandBPneuralnetwork,arecombinedbyobservationallearningalgorithm.T