一种基于BP神经网络的机场单航班噪声预测方法

本发明涉及机场噪声预测，尤其是涉及一种基于bp神经网络的机场单航班噪声预测方法。

背景技术：

1、民航噪声是阻碍民航发展的主要因素之一。随着全球空中交通需求的增加，航空噪声污染问题将越来越严重。相关医学研究表明，长期接触航空噪声会导致听力损伤、睡眠障碍，并增加心血管疾病的风险。不仅如此，航空噪声还会阻碍儿童学习能力和认知能力的发展。航空噪声的预测方法将有助于我们量化航空噪声对环境的负面影响，为航空噪声的控制提供依据。

2、为了量化飞机噪声对于周边环境的负面影响，亟需建立飞机噪声快速预测方法。目前最有代表性的飞机噪声计算方法是美国联邦航空管理局(简称faa)研发的inm模型(integrated noise model)。以inm为代表的传统计算方法通常以噪声理论为基础，具有很强的通用性。但是由于inm计算方法需要详细的信息(如：机场信息、跑道信息、机型、发动机类型、飞行操作信息、航班信息等)，在实际使用当中，很难满足输入数据的要求。

技术实现思路

1、本发明的目的是提供一种基于bp神经网络的机场单航班噪声预测方法，考虑到降低预测模型应用难度、在保证预测精度的条件下提升预测速度，通过遍历飞机周边区域网格点，实现区域地面a声压级分布的预测，与传统模型相比，本发明提出的模型使用更加简便，成本更低。

2、为实现上述目的，本发明提供了一种基于bp神经网络的机场单航班噪声预测方法，包括以下步骤：

3、s1、筛选机场单航班噪声原始数据，并进行数据归一化处理；

4、s2、将筛选后的原始数据建立训练集和验证集，构建预测模型训练集s；

5、s3、对步骤s2的训练集s进行训练得到满足精度的噪声预测模型；

6、s4、对步骤s3训练得到的噪声预测模型进行二次训练，得到最终的噪声预测模型；

7、s5、利用步骤s4所得的噪声预测模型，对某一特定机型的噪声影响进行预测。

8、优选的，步骤s1中，对航迹数据和噪声监测数据进行相互关联和预处理，清理因质量较低不能用于模型训练的数据，得到质量较高的噪声点监测数据与飞机航迹数据。

9、优选的，步骤s2中，所述将筛选后的原始数据建立训练集和验证集，构建预测模型训练集s具体为：

10、将筛选后的原始数据的一半用于训练集，另一半用于验证集，构建预测模型训练集s，s＝(x1,x2,…,xn)；预测模型结构中n为训练集样本总个数，x为输入变量，y为输出变量，经过神经元采用sigmoid激活函数激活，映射关系为：

11、优选的，步骤s3具体包括以下步骤：

12、s31、首先设置一个噪声分布的预测问题；

13、s32、给步骤s2中训练集s的每一条样本数据赋予权重，假设每一条样本数据同等重要；

14、s33、假定训练k个预测模型，设置不同的隐藏层结构进行筛选，分别采用matlab软件、neural net fitting工具箱进行训练，得到多个预测模型，观察预测模型结果选择合适的隐藏层个数；

15、s34、设置神经网格参数；

16、设tf1为输入到第一隐层的传输函数，tf2为第一隐层到第二隐层的传输函数，tf3为输出层传输函数，设定tf1、tf2为逻辑sigmoid函数；设定tf3为线性激活函数；

17、s35、设置模型训练参数，包括训练次数、训练目标和学习率，使用梯度下降算法，用于更新模型的参数；

18、s36、神经网络训练；

19、s37、进行数据反归一化；

20、s38、验证集计算均方根误差mse，选取mes值较小的模型作为噪声预测模型。

21、优选的，步骤s4中，对步骤s3训练得到最优模型，对步骤s2中的预测问题进行模拟，并与实际噪声监测数据进行比对，筛选出的数据进行第二轮模型训练，得到最终的噪声预测模型。

22、优选的，所述筛选的数据为去掉受环境噪声影响大的坏点，即去掉监测值比预测值高的数据，用剩下的数据进行第二轮模型训练。

23、因此，本发明采用上述一种基于bp神经网络的机场单航班噪声预测方法，有益效果如下：

24、(1)本发明提出一种基于bp神经网络的机场噪声预测代理模型，该模型是采用机场周边噪声监测数据和航空器飞行数据训练得到的，模型可基于飞机高度、飞机速度、飞机飞行方向、飞机与目标点位水平距离等四项参数，实现目标点位的a声压级预测，与传统模型相比，本发明提出的模型使用更加简便，成本更低。

25、(2)本发明提供的方法输入变量少、计算速度快，通过预测模型计算得到的a声压级值，可用于计算现行标准中规定的噪声评价指标计权等效连续感觉噪声级lwecpn和年均昼夜等效声级yldn等值线本发明的计算，便于进行噪声评估。

26、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种基于bp神经网络的机场单航班噪声预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于bp神经网络的机场单航班噪声预测方法，其特征在于，步骤s1中，对航迹数据和噪声监测数据进行相互关联和预处理，清理因质量较低不能用于模型训练的数据，得到质量较高的噪声点监测数据与飞机航迹数据。

3.根据权利要求2所述的一种基于bp神经网络的机场单航班噪声预测方法，其特征在于，步骤s2中，所述将筛选后的原始数据建立训练集和验证集，构建预测模型训练集s具体为：

4.根据权利要求3所述的一种基于bp神经网络的机场单航班噪声预测方法，其特征在于，步骤s3具体包括以下步骤：

5.根据权利要求4所述的一种基于bp神经网络的机场单航班噪声预测方法，其特征在于，步骤s4中，对步骤s3训练得到最优模型，对步骤s2中的预测问题进行模拟，并与实际噪声监测数据进行比对，筛选出的数据进行第二轮模型训练，得到最终的噪声预测模型。

6.根据权利要求5所述的一种基于bp神经网络的机场单航班噪声预测方法，其特征在于，所述筛选的数据为去掉受环境噪声影响大的坏点，即去掉监测值比预测值高的数据，用剩下的数据进行第二轮模型训练。

技术总结
本发明涉及机场噪声预测技术领域，具体公开了一种基于BP神经网络的机场单航班噪声预测方法，包括以下步骤：首先筛选机场单航班噪声原始数据，并进行数据归一化处理；而后将筛选后的原始数据建立训练集和验证集，构建预测模型训练集；对训练集进行训练得到满足精度的噪声预测模型；对训练得到的噪声预测模型进行二次训练，得到最终的噪声预测模型；利用所得的噪声预测模型，对某一特定机型的噪声影响进行预测。本发明采用上述的一种基于BP神经网络的机场单航班噪声预测方法，可基于飞机状态进行L<subgt;A</subgt;预测，也可根据航班计划进行L<subgt;WECPN</subgt;和YL<subgt;DN</subgt;分布的预测，从而优化航班运营，降低噪声影响。

技术研发人员：李紫微,张伟荣,孙艳,李国棋,徐力恒,康春华,李晓翔,孙施曼,王颖佳,于童
受保护的技术使用者：北京工业大学
技术研发日：
技术公布日：2025/1/6