徐 濤,燕憲金,楊國慶(.中國民航大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院,天津 300300；.中國民航信息技術(shù)科研基地,天津 300300)

基于神經(jīng)網(wǎng)絡(luò)集成的單個飛行事件噪聲預(yù)測模型

徐 濤1,2*,燕憲金1,楊國慶2(1.中國民航大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院,天津 300300；2.中國民航信息技術(shù)科研基地,天津 300300)

通過分析影響單個飛行事件噪聲的各種因素,構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)回歸預(yù)測模型,并通過自適應(yīng)遺傳算法優(yōu)選出參與集成的個體神經(jīng)網(wǎng)絡(luò),提出了預(yù)測單個飛行事件噪聲的神經(jīng)網(wǎng)絡(luò)集成預(yù)測模型.為了有效保證差異性,設(shè)置不同隱藏神經(jīng)元個數(shù)和 Bagging算法來構(gòu)建和訓(xùn)練單個網(wǎng)絡(luò).實(shí)驗(yàn)結(jié)果表明,單個飛行事件噪聲的神經(jīng)網(wǎng)絡(luò)集成預(yù)測模型相對單個BP神經(jīng)網(wǎng)絡(luò)模型泛化能力更強(qiáng),穩(wěn)定性能更好.本文方法在測試集上誤差在3dB以內(nèi)的平均比率為96.9%,比單個網(wǎng)絡(luò)高6.8%.

單個飛行事件噪聲；預(yù)測模型；BP神經(jīng)網(wǎng)絡(luò)；神經(jīng)網(wǎng)絡(luò)集成；遺傳算法

近年來,中國民航的迅猛發(fā)展受到世界矚目.但是,不斷新建、擴(kuò)建的機(jī)場和持續(xù)增長的航空運(yùn)輸量,也使得困擾中國民航已久的機(jī)場噪聲問題愈發(fā)嚴(yán)重[1].如何有效地控制機(jī)場噪聲是當(dāng)前面臨的重要課題.機(jī)場噪聲預(yù)測是制定機(jī)場噪聲控制措施的主要依據(jù),因此,構(gòu)建準(zhǔn)確高效的噪聲預(yù)測模型顯得尤為重要.

機(jī)場噪聲是由諸多單個飛行事件所引起的噪聲污染.單架飛機(jī)單次飛行稱為單個飛行事件

[2],其產(chǎn)生的噪聲稱為單個飛行事件噪聲.目前,主要根據(jù)噪聲計算模型來預(yù)測噪聲級,其中美國聯(lián)邦航空局(FAA)提出的綜合噪聲模型 INM (Integrated Noise Model)[3]應(yīng)用最為廣泛.該模型對單個飛行事件噪聲的計算是根據(jù)預(yù)測點(diǎn)到飛機(jī)航跡的距離,對該飛機(jī)既有基本聲學(xué)數(shù)據(jù)進(jìn)行插值,進(jìn)而計算得到該預(yù)測點(diǎn)的噪聲級,并在此基礎(chǔ)上運(yùn)用噪聲影響因素修正模型對噪聲級進(jìn)行修正,從而得出實(shí)際噪聲級[4].但該模型需要大量參數(shù),而在現(xiàn)實(shí)環(huán)境中,很難全面、精確地獲取這些參數(shù),從而致使預(yù)測精度較低.由于機(jī)場噪聲與其影響因素之間存在復(fù)雜的非線性關(guān)系,很難建立相應(yīng)的函數(shù)模型.而理論證明,包含一個隱藏層的三層前饋神經(jīng)網(wǎng)絡(luò)可以以任意精度逼近任意復(fù)雜的非線性函數(shù)[5],因此可以用神經(jīng)網(wǎng)絡(luò)模型來擬合噪聲與其影響因素之間的函數(shù)模型.目前,神經(jīng)網(wǎng)絡(luò)在噪聲預(yù)測領(lǐng)域已展現(xiàn)出其有效性和可行性.2006年,陳可可等[6]提出了道路交通噪聲的神經(jīng)網(wǎng)絡(luò)預(yù)測模型.2008年,Yang等[7]應(yīng)用神經(jīng)網(wǎng)絡(luò)對機(jī)場噪聲進(jìn)行仿真預(yù)測.然而在實(shí)際應(yīng)用過程中,單個神經(jīng)網(wǎng)絡(luò)存在一定的缺陷,如容易陷入局部極小值且穩(wěn)定性差等.

已有研究表明,神經(jīng)網(wǎng)絡(luò)集成在處理復(fù)雜問題時可以克服單個神經(jīng)網(wǎng)絡(luò)的缺陷[8-9],因此本文提出了一種單個飛行事件噪聲的神經(jīng)網(wǎng)絡(luò)集成預(yù)測方法.首先構(gòu)建單個飛行事件噪聲的BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)回歸預(yù)測模型,在構(gòu)建和訓(xùn)練過程中采用設(shè)置不同隱藏層神經(jīng)元個數(shù)和 Bagging算法來增加個體網(wǎng)絡(luò)之間的差異性,然后通過自適應(yīng)遺傳算法從候選網(wǎng)絡(luò)中選出參與集成的個體神經(jīng)網(wǎng)絡(luò),組建神經(jīng)網(wǎng)絡(luò)集成預(yù)測模型,從而提高預(yù)測精度和穩(wěn)定性能.

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò),它采用反向傳播算法,具有很強(qiáng)的非線性映射能力,因此在系統(tǒng)仿真、函數(shù)擬合、模式識別等領(lǐng)域具有廣泛的應(yīng)用[10].但該網(wǎng)絡(luò)存在一定的局限性,如收斂速度慢,容易陷入局部極小值等,采用附加動量項(xiàng)和自適應(yīng)學(xué)習(xí)率,能有效改進(jìn) BP神經(jīng)網(wǎng)絡(luò)性能.

標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)在調(diào)整權(quán)值時僅考慮誤差在梯度上的作用,附加動量項(xiàng)法[11]通過給每個權(quán)值變化量加上一個正比于前一次權(quán)值變化量的動量項(xiàng),使網(wǎng)絡(luò)連接權(quán)值的變化和網(wǎng)絡(luò)訓(xùn)練效果相聯(lián)系.這樣不僅考慮誤差在梯度上的作用,也考慮了在誤差曲面上變化趨勢的影響,利用附加動量能有效抑制網(wǎng)絡(luò)陷入局部極小.

在標(biāo)準(zhǔn) BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中,學(xué)習(xí)速率固定不變,收斂速度慢.自適應(yīng)調(diào)整學(xué)習(xí)率法[12]在訓(xùn)練過程中根據(jù)訓(xùn)練結(jié)果動態(tài)調(diào)整學(xué)習(xí)速率,若一輪訓(xùn)練后誤差減小,則增大學(xué)習(xí)率,加快網(wǎng)絡(luò)收斂,反之減小學(xué)習(xí)率.這樣可以保證網(wǎng)絡(luò)總是以最大可接受的學(xué)習(xí)率進(jìn)行訓(xùn)練.

2 單個飛行事件噪聲的BP神經(jīng)網(wǎng)絡(luò)回歸預(yù)測模型

利用神經(jīng)網(wǎng)絡(luò)預(yù)測單個飛行事件噪聲,就是通過學(xué)習(xí)構(gòu)建反映噪聲影響因素和噪聲值之間關(guān)系的神經(jīng)網(wǎng)絡(luò)回歸模型.單個飛行事件噪聲影響因素包括:飛機(jī)型號、發(fā)動機(jī)推力、操作模式(起飛或著陸)、飛行航跡,以及氣象條件等[13].通過分析發(fā)現(xiàn),發(fā)動機(jī)推力、飛機(jī)操作模式(0表示起飛,1表示降落)、飛機(jī)到預(yù)測點(diǎn)的直線距離、飛機(jī)的垂直高度、平均風(fēng)速、最大風(fēng)速為影響噪聲事件的主要因素,并作為網(wǎng)絡(luò)的輸入.等效連續(xù)A聲級Leq[14]是常用的噪聲評價量,能反映單個飛行事件噪聲的特點(diǎn),其單位為 dB(A),因此可以將Leq作為網(wǎng)絡(luò)的輸出.理論證明,僅含有一個非線性隱藏層的BP神經(jīng)網(wǎng)絡(luò)可以對任意復(fù)雜度的函數(shù)以任意精度進(jìn)行逼近.采用三層 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建單個飛行事件噪聲的神經(jīng)網(wǎng)絡(luò)回歸預(yù)測模型,其模型結(jié)構(gòu)如圖1所示.

圖1 單個飛行事件噪聲的BP神經(jīng)網(wǎng)絡(luò)回歸預(yù)測模型Fig.1 Regression prediction model based on BP neural network for single aircraft noise event

3 單個飛行事件噪聲的神經(jīng)網(wǎng)絡(luò)集成預(yù)測模型

3.1 神經(jīng)網(wǎng)路集成學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)集成是用有限個神經(jīng)網(wǎng)絡(luò)對同一個問題進(jìn)行學(xué)習(xí),在某輸入示例下的集成輸出由構(gòu)成集成的各神經(jīng)網(wǎng)絡(luò)在該示例下的輸出共同決定.神經(jīng)網(wǎng)絡(luò)集成泛化誤差為:

單個飛行事件噪聲的神經(jīng)網(wǎng)絡(luò)集成預(yù)測模型構(gòu)建分為兩個步驟:應(yīng)用訓(xùn)練樣本獨(dú)立訓(xùn)練多個候選個體網(wǎng)絡(luò);通過遺傳算法選擇個體網(wǎng)絡(luò)進(jìn)行集成,最終進(jìn)行集成預(yù)測,輸出預(yù)測結(jié)果.

3.2 個體網(wǎng)絡(luò)構(gòu)建與訓(xùn)練

通常,增加個體網(wǎng)絡(luò)之間的差異,可以增強(qiáng)集成的泛化能力,減小預(yù)測誤差.而不同的網(wǎng)絡(luò)結(jié)構(gòu)能有效增加個體網(wǎng)絡(luò)之間的差異,因此,候選個體網(wǎng)絡(luò)可采用由 5種不同數(shù)量神經(jīng)元構(gòu)成的隱藏層構(gòu)建的 BP神經(jīng)網(wǎng)絡(luò),相同隱藏層神經(jīng)元數(shù)目的個體網(wǎng)絡(luò)個數(shù)為4個,共計20個候選個體網(wǎng)絡(luò).為使候選個體網(wǎng)絡(luò)具有盡可能大的差異性,采用Bagging算法中訓(xùn)練個體的方法來訓(xùn)練候選個體網(wǎng)絡(luò).Bagging算法是利用對訓(xùn)練樣本集的擾動來獲得個體網(wǎng)絡(luò)之間的差異[15],該策略從原始訓(xùn)練集中產(chǎn)生多個新的訓(xùn)練樣本子集,用每個新的訓(xùn)練子集來訓(xùn)練候選網(wǎng)絡(luò),其訓(xùn)練過程具體描述如下:

步驟 1:進(jìn)行初始化,確定原始訓(xùn)練集D={(X1,Y1),(X2,Y2),…,(Xn,Yn)}, n表示原始訓(xùn)練集的樣本個數(shù),假設(shè)候選網(wǎng)絡(luò)個數(shù)為 m, fi表示第 i個候選網(wǎng)絡(luò);

步驟2:For i = 1 to m do //循環(huán)m次,訓(xùn)練m個候選網(wǎng)絡(luò)

{

通過可放回的隨機(jī)取樣從 D中選出新的訓(xùn)練集Di;

用Di作為候選個體網(wǎng)絡(luò)fi的訓(xùn)練集并進(jìn)行訓(xùn)練.

}.

3.3 遺傳算法選擇集成

3.3.1 適應(yīng)度函數(shù) 適應(yīng)度函數(shù)(Fitness function)是遺傳算法對問題中的每一個染色體進(jìn)行度量的函數(shù),是對一個解的優(yōu)劣進(jìn)行評價的指標(biāo).

本文采用的適應(yīng)度函數(shù)為在驗(yàn)證集上的均方誤差的倒數(shù),其表達(dá)式形如:

式中:n表示訓(xùn)練樣本的個數(shù);v表示驗(yàn)證集;iy′表示樣本i的預(yù)測輸出值;yi表示樣本i的實(shí)際輸出值.

3.3.2 交叉、變異概率 交叉是指對兩個相互配對的染色體,依據(jù)交叉概率Pc按某種方式相互交換其部分基因,從而形成兩個新的染色體.變異是指依據(jù)變異概率Pm,將染色體編碼串中的某些位置的數(shù)碼用其他數(shù)碼來替換,從而形成一個新的染色體.標(biāo)準(zhǔn)遺傳算法的交叉率和變異率固定不變,易導(dǎo)致過早收斂而獲得局部最優(yōu)解.本文對標(biāo)準(zhǔn)遺傳算法做如下改進(jìn),采用自適應(yīng)的交叉、變異概率[16],表達(dá)式如下:

3.3.3 選擇集成 利用遺傳算法的優(yōu)化思想進(jìn)行選擇神經(jīng)網(wǎng)絡(luò)集成,使得集成的泛化誤差最小.即假定已經(jīng)獨(dú)立訓(xùn)練了m個神經(jīng)網(wǎng)絡(luò){,利用遺傳算法優(yōu)化選擇的一個子集St,使得由 St中個體網(wǎng)絡(luò)構(gòu)建的集成網(wǎng)絡(luò)的泛化能力最強(qiáng).具體思路是,為每一個候選網(wǎng)絡(luò)分配一個權(quán)值表示候選個體網(wǎng)絡(luò) fi的權(quán)重,反映了個體網(wǎng)絡(luò)在集成中的重要程度,對應(yīng)于遺傳算法中的染色體的基因,然后將權(quán)值向量作為遺傳算法中的染色體,通過遺傳算法尋優(yōu)最終得到權(quán)值向量的最優(yōu)解,最后將優(yōu)化后大于給定閾值λ的個體網(wǎng)絡(luò)加入集成,小于λ的個體網(wǎng)絡(luò)被剔除,進(jìn)而得出最終的集成模型.在采用遺傳算法實(shí)現(xiàn)選擇集成過程中,神經(jīng)網(wǎng)絡(luò)集成對輸入 χ的實(shí)際輸出為:

其中:

式中:iw′表示參與集成的個體網(wǎng)絡(luò)fi的權(quán)重;s表示參與集成的網(wǎng)絡(luò)數(shù)量.

于是,基于遺傳算法選擇集成的步驟如下:

步驟 1:染色體采用實(shí)數(shù)編碼,編碼范圍為[0,1],對應(yīng){w1,w2,…,wm},長度為候選網(wǎng)絡(luò)個數(shù)m,設(shè)定種群大小H、最大進(jìn)化代數(shù)、最大和最小交叉概率和、最大和最小變異概率和,隨機(jī)初始化種群;

步驟 2:根據(jù)公式(2)計算種群中每個染色體的適應(yīng)度值f;

步驟3:根據(jù)適應(yīng)度值f,采用輪盤賭方法選出進(jìn)入下一代的染色體;

步驟 4:根據(jù)公式(3)提供的自適應(yīng)交叉概率Pc進(jìn)行單點(diǎn)實(shí)數(shù)交叉;

步驟 5:根據(jù)公式(4)提供的自適應(yīng)變異概率Pm進(jìn)行基本位變異;

步驟 6:得到新一代種群,若沒有迭代到最大進(jìn)化代數(shù),則轉(zhuǎn)步驟2,否則進(jìn)入下一步;

步驟 7:輸出群體中適應(yīng)度值最優(yōu)的染色體,作為最優(yōu)權(quán)值向量;

步驟8:最優(yōu)權(quán)值向量中權(quán)值大于給定閾值λ的個體網(wǎng)絡(luò)加入集成,反之則被剔除.

4 結(jié)果分析

實(shí)驗(yàn)數(shù)據(jù)來源于某樞紐機(jī)場噪聲監(jiān)測系統(tǒng)對飛機(jī)噪聲事件的實(shí)際監(jiān)測數(shù)據(jù)和 ANP (Aircraft Noise and Performance Database)數(shù)據(jù)庫.根據(jù)確定的輸入和輸出參數(shù),從噪聲監(jiān)測系統(tǒng)的噪聲事件數(shù)據(jù)和ANP數(shù)據(jù)庫中綜合整理出實(shí)驗(yàn)所需的樣本數(shù)據(jù)集,其格式與部分?jǐn)?shù)據(jù)如表1所示.隨機(jī)選擇1000條樣本數(shù)據(jù)作為訓(xùn)練集,500條樣本數(shù)據(jù)作為驗(yàn)證集,100條樣本數(shù)據(jù)作為測試集,并進(jìn)行歸一化處理.

表1 樣本數(shù)據(jù)集數(shù)據(jù)格式Table 1 Data format of sample data set

實(shí)驗(yàn)環(huán)境:Windows XP,Matlab R2009a.

實(shí)驗(yàn)一:對單個飛行事件噪聲的 BP神經(jīng)網(wǎng)絡(luò)回歸預(yù)測模型進(jìn)行實(shí)驗(yàn),考察隱藏層神經(jīng)元個數(shù)對泛化能力的影響.隨機(jī)選擇1000條樣本數(shù)據(jù)作為訓(xùn)練集,100條樣本數(shù)據(jù)作為測試集.BP神經(jīng)網(wǎng)絡(luò)為單隱藏層的三層網(wǎng)絡(luò),隱藏層神經(jīng)元數(shù)量從3個逐步增加到12個,隱藏層、輸出層的傳遞函數(shù)分別為tansig函數(shù)和purelin函數(shù),訓(xùn)練函數(shù)采用帶有附加動量項(xiàng)和自適應(yīng)學(xué)習(xí)率的BP算法,最大訓(xùn)練次數(shù)為500次,訓(xùn)練目標(biāo)為0.0001.為消除隨機(jī)性造成的影響,對每種不同隱藏層神經(jīng)元個數(shù)的神經(jīng)網(wǎng)絡(luò)分別進(jìn)行10次重復(fù)實(shí)驗(yàn),取其平均值.實(shí)驗(yàn)結(jié)果如圖2所示.

從圖 2中可以看出,隨著隱藏層神經(jīng)元數(shù)量的增加,BP神經(jīng)網(wǎng)絡(luò)在測試集上的泛化誤差呈現(xiàn)先減小后增大的趨勢.隱藏層神經(jīng)元數(shù)量過少時,BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力不足,泛化能力差;隱藏層神經(jīng)元數(shù)量過多時,出現(xiàn)過擬合現(xiàn)象,影響網(wǎng)絡(luò)的泛化能力,泛化誤差變大.當(dāng)神經(jīng)元數(shù)量為 4個時,泛化誤差最小.

實(shí)驗(yàn)二:對單個飛行事件噪聲的神經(jīng)網(wǎng)絡(luò)集成預(yù)測模型進(jìn)行實(shí)驗(yàn),考察其泛化能力并與 BP神經(jīng)網(wǎng)絡(luò)回歸預(yù)測模型進(jìn)行對比.隨機(jī)選擇1000條樣本數(shù)據(jù)作為訓(xùn)練集,500條樣本數(shù)據(jù)作為驗(yàn)證集,100條樣本數(shù)據(jù)作為測試集.從增大個體網(wǎng)絡(luò)之間差異性、降低個體網(wǎng)絡(luò)誤差角度出發(fā),根據(jù)實(shí)驗(yàn)一的結(jié)論,個體網(wǎng)絡(luò)隱藏層神經(jīng)元個數(shù)分別為3、4、5、6、7(個體網(wǎng)絡(luò)誤差最小的5種),相同隱藏層神經(jīng)元數(shù)目的個體網(wǎng)絡(luò)個數(shù)為4個,共計20個候選個體網(wǎng)絡(luò).個體網(wǎng)絡(luò)的其他參數(shù)和實(shí)驗(yàn)一相同,遺傳算法中,種群大小H為80,染色體長度為 20,根據(jù)交叉、變異概率最優(yōu)推薦范圍,Pcmax=0.9,Pcmin=0.4,Pmmax=0.09,Pmmin=0.01,最大進(jìn)化代數(shù)為100代,選擇操作采用輪盤賭方法,交叉采用單點(diǎn)交叉方法,閾值λ=1/20.為消除隨機(jī)性造成的影響,進(jìn)行 10次重復(fù)實(shí)驗(yàn),取其平均值.實(shí)驗(yàn)結(jié)果如表2、表3、表4和圖3所示.

圖2 不同隱藏層神經(jīng)元數(shù)量下BP神經(jīng)網(wǎng)絡(luò)模型的均方誤差平均值Fig.2 Average root mean square error of BP neural network models with different number of hidden nodes

表2 測試集預(yù)測誤差范圍比例的對比(%)Table 2 Comparison of the percentage of every prediction error range in the test set(%)

從表 2中可以看出,本文方法在測試集誤差為[0, 0.5)dB、[0.5, 1)dB區(qū)間的比例分別比單個網(wǎng)絡(luò)高9.4%和5.9%;誤差在[3, +∞) dB區(qū)間的比例比單個網(wǎng)絡(luò)低6.8%;誤差在[0, 3)dB區(qū)間的比例為96.9%,而單個網(wǎng)絡(luò)為90.1%.

表3 本文方法與單個網(wǎng)絡(luò)、全部集成的誤差對比(dB)Table 3 Comparison of error among proposed model, single best network model and all networks ensemble (dB)

表4 集成網(wǎng)絡(luò)個數(shù)Table 4 The number of ensemble networks

圖3 本文方法和單個網(wǎng)絡(luò)模型10次實(shí)驗(yàn)均方誤差對比Fig.3 Comparison of root mean square error of 10 times between proposed model and single network model

從表 3中可以看出,本文方法在測試集上的均方誤差平均值比單個網(wǎng)絡(luò)小 0.8198,減少了24.28%,說明本文方法在測試集的泛化能力更強(qiáng).本文方法 10次實(shí)驗(yàn)的標(biāo)準(zhǔn)差比單個網(wǎng)絡(luò)小0.204,說明集成模型用于單個飛行事件噪聲預(yù)測比單個網(wǎng)絡(luò)表現(xiàn)出更好的穩(wěn)定性.

雖然本文方法的標(biāo)準(zhǔn)差比全部網(wǎng)絡(luò)參與集成的標(biāo)準(zhǔn)差要稍大,但本文方法10次實(shí)驗(yàn)誤差的最大值比全部集成的最小值還要小,說明本文方法泛化能力更強(qiáng).并且從表4中還可以看出,本文方法參與集成的網(wǎng)絡(luò)個數(shù)平均為 3.2個,遠(yuǎn)小于20個,節(jié)省了存儲空間.

從圖 3中還能直觀地看出集成模型的泛化誤差比單個網(wǎng)絡(luò)要小,并且波動較小,具有更好的穩(wěn)定性能.

5 結(jié)論

5.1 本研究將集成學(xué)習(xí)方法應(yīng)用于機(jī)場噪聲預(yù)測,首先構(gòu)建和訓(xùn)練若干候選 BP神經(jīng)網(wǎng)絡(luò)回歸預(yù)測模型,然后通過遺傳算法優(yōu)化選擇個體網(wǎng)絡(luò)參與集成,構(gòu)建神經(jīng)網(wǎng)絡(luò)集成預(yù)測模型.

5.2 在測試集上,神經(jīng)網(wǎng)絡(luò)集成預(yù)測模型的均方誤差平均值比單個網(wǎng)絡(luò)小 0.8198,標(biāo)準(zhǔn)差比單個網(wǎng)絡(luò)小 0.204,預(yù)測精度比單個網(wǎng)絡(luò)高 5.9%以上.也就是說,神經(jīng)網(wǎng)絡(luò)集成預(yù)測模型泛化能力更強(qiáng),預(yù)測精度更高,穩(wěn)定性能更好.

5.3 相比傳統(tǒng)預(yù)測模型,本文方法不需要構(gòu)建計算模型,只需要部分參數(shù),預(yù)測過程簡單.

[1] 過春燕,張邦俊.基于Surfer的機(jī)場噪聲等值線計算機(jī)繪制方法[J]. 中國環(huán)境科學(xué), 2003,23(6):631-634.

[2] 程國勇,王 巍.單次飛行事件噪聲等值線計算方法的研究 [J].噪聲與振動控制, 2011,31(1):161-165.

[3] FAA, FAR150. Airport noise compatibility planning [S]. 2006.

[4] 沈洪艷,劉勁松.機(jī)場噪聲預(yù)測模型及應(yīng)用實(shí)例 [J]. 河北師范大學(xué)學(xué)報(自然科學(xué)版), 2000,24(1):137-140.

[5] Hornik K M, Stineheombe M, White H. Multilayer feed-forward networks are universal approximators [J]. Neural Networks, 1989, 2(2):359-366.

[6] 陳可可,姚 建,徐 磊.BP人工神經(jīng)網(wǎng)絡(luò)模型在拉薩道路交通噪聲預(yù)測中的應(yīng)用 [J]. 環(huán)境科學(xué)與管理, 2006,31(5):78-81.

[7] Yang Y J, Hinde C. Airport noise simulation using neural networks [C]//Proceedings of International Joint Conference on Neural Networks, 2008:1917-1923.

[8] Hansen L K, Salamon P. Neural network ensembles [J]. IEEE transactions on pattern analysis and machine intelligence, 1990, 12(10):993-1001.

[9] 徐 鶴,王鎖萍,王汝傳,等.基于神經(jīng)網(wǎng)絡(luò)集成的 P2P流量識別研究 [J]. 南京郵電大學(xué)學(xué)報(自然科學(xué)版), 2010,30(3): 79-83.

[10] 王國平.灰色系統(tǒng)理論在城市交通噪聲預(yù)測和絕對關(guān)聯(lián)度分析中的應(yīng)用 [J]. 中國環(huán)境科學(xué), 1996,16(1):56-59.

[11] 史春朝.BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)及其在PID控制中的應(yīng)用研究[D]. 天津:天津大學(xué), 2006.

[12] 張永宏,吳 鑫.BP神經(jīng)網(wǎng)絡(luò)在圖像字符識別中的改進(jìn)和應(yīng)用[J]. 南京信息工程大學(xué)學(xué)報(自然科學(xué)版), 2012,4(6):526-529. [13] 李 冉.機(jī)場航空噪聲預(yù)測及其影響因素研究 [D]. 天津:中國民航大學(xué), 2008.

[14] 肖慧慧,王 超,徐肖豪.機(jī)場飛機(jī)噪聲影響評價量及其限值的探討 [J]. 噪聲與振動控制, 2011,31(2):134-138.

[15] Wang Y, Li W S, Li R, et al. Feature selection based on bagging ensemble learning algorithm [C]//Proceedings of IET International Communication Conference on Wireless Mobile and Computing, 2009:734-736.

[16] Yan T S. An improved genetic algorithm and its blending application with neural network [C]//Proceedings of International Workshop on Intelligent Systems and Applications, 2010:1-4.作者簡介：徐 濤(1962-),男,重慶人,教授,博士,主要從事民航信息系統(tǒng)理論和智能信息處理與分析研究.發(fā)表論文60篇.

《中國環(huán)境科學(xué)》獲評“百種中國杰出學(xué)術(shù)期刊”

《中國環(huán)境科學(xué)》2012年被中國科學(xué)技術(shù)信息研究所評為“2011年度百種中國杰出學(xué)術(shù)期刊”.“百種中國杰出學(xué)術(shù)期刊”是根據(jù)中國科技學(xué)術(shù)期刊綜合評價指標(biāo)體系進(jìn)行評定的,包含總被引頻次、影響因子、基金論文比、他引總引比等多個文獻(xiàn)計量學(xué)指標(biāo).

《中國環(huán)境科學(xué)》編輯部

Prediction model of noise event for single flight based on neural network ensemble.

XU Tao1,2*, YAN Xian-jin1,

YANG Guo-qing2(1.College of Computer Science and Technology, Civil Aviation University of China, Tianjin 300300, China；2.Information Technology Research Base of Civil Aviation Administration of China, Tianjin 300300, China). China Environmental Science, 2014,34(2)：539～544

Through analyzing the influence factors of the noise event for single flight, the regression prediction model based on BP neural network was established. Then, the ensemble prediction model based on neural network for single noise event was constructed by selecting neural networks with the aid of adaptive genetic algorithm. Simultaneously, in order to maintain the diversity of neural networks, different number of hidden nodes and Bagging algorithm were used. Experimental results show that the proposed ensemble prediction model based on neural network was better than the model of single BP neural network in terms of generalization ability and higher stability. The average accuracy rate of the proposed model was 96.9% on the test set within ±3dB error and was 6.8% higher than that of the single network model.

：noise event for single flight；prediction model；BP neural network；neural network ensemble；genetic algorithm

X593

：A

：1000-6923(2014)02-0539-06

2013-05-20

國家自然科學(xué)基金項(xiàng)目(61139002);國家“863”項(xiàng)目(2012AA063301);中國民用航空局科技項(xiàng)目(MHRD201006、MHRD201101);中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金(3122013P013)

* 責(zé)任作者, 教授, txu@cauc.edu.cn