资源描述：
《基于SVR选择性集成的机场噪声预测模型研究》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、第46卷第1期航空计算技术Vol.46No.12016年1月AeronauticalComputingTechniqueJan.2016基于SVR选择性集成的机场噪声预测模型研究1,211,2谢华,陈海燕,袁立罡(1.南京航空航天大学,江苏南京211106;2.国家空管飞行流量管理技术重点实验室,江苏南京211106)摘要:机场噪声预测对机场规划设计、航班计划制定以及机场噪声控制具有十分重要的作用。针对机场周围各个监测点上的单飞行事件进行噪声预测。由于机场噪声数据的复杂性,用单一的SVR方法对其预测往往得
2、出局部优化结果,不能达到理想的预测效果,针对这一问题,提出一种基于SVR选择性集成的机场噪声预测方法,通过Adaboost方法对机场噪声数据进行采样训练得到多个SVR预测模型,并结合一种排序方法对预测模型进行选择集成得到最终机场噪声预测值,取得了较好的预测效果。关键词:机场噪声预测;SVR;选择性集成;Adaboost;排序方法中图分类号:V355文献标识码:A文章编号:1671-654X(2016)01-0016-03AirportNoisePredictionModelResearchBasedonS
3、VRSelectiveEnsemble1,211,2XIEHua,CHENHai-yan,YUANLi-gang(1.NanjingUniversityofAeronauticsandAstronautics,Nanjing211106,China;2.NationalKeyLaboratoryofAirTrafficFlowManagement,Nanjing211106,China)Abstract:Airportnoisepredictionplaysanimportantroleinairport
4、planning,flightplanscheduleandnoisecontrol.Accordingtodifferentmonitoringpointsaroundairport,thispaperaimtopredictcorre-spondingnoiseofindividualflightevent.Forthecomplexityofairportnoisedata,predictionmethodwhichonlyappliedsingleSVRwouldcausetheproblemof
5、localoptimum,andcannotgetanaccuratepredictionresultasexpected.Tosolvethisproblem,anairportnoisepredictionmethodbasedonSVRselectiveen-semblewasproposedinthispaper.Adaboostmethodwasusedtoairportnoisedatasampling,andthenmultipleSVRforecastingmodelsweretraine
6、d.Withthehelpofasortingmethod,forecastingmodelsselec-tiveensemblewasachievedandusedtopredictthefinalairportnoisevalue,provedhasagoodpredictioneffect.Keywords:airportnoiseprediction;SVR;selectiveensemble;adaboost;sortingmethod引言学习系统的泛化能力。Freund和Schapire提出的
7、[1]Adaboost方法是较流行的一种,其主要思想是给每近年来,随着我国民航事业的发展以及城镇化建个训练样本赋予一个权重,表示它被某个基学习器选设速度的加快,机场噪声问题日益突出。由于种种原入训练集的概率,如果某个样本点未被准确地分类,就因,我国对机场噪声问题的研究起步较晚,对机场噪声在构造下一个训练集时提高它的权重,否则就降低它的预测和评价主要依靠国外已有的噪声软件,如美国被选中的概率,这样使方法总集中在那些较困难的样联邦航空管理局(FAA)开发的INM、NoiseMap等。上本上。但是,个体学习器过
8、多容易导致算法计算和存述工具通过输入机场的地理信息参数和航班参数,采[2]用确定的计算模型生成标准的噪声数据,通过实际的储开销增大、学习器的差异性难以获得,周志华等人噪声测量发现,其计算结果存在较大的误差而且不具对此提出了“选择性集成”的概念。理论和实践证明,有学习能力。选择集成部分个体学习器要优于集成所有个体学习[3-6]集成学习是一种新的机器学习范式,它利用多个器。目前选择性集成主要运用于分类问题的研[7][8]基本学习器
