本發(fā)明公開了一種基于深度降噪自編碼的機場噪聲監(jiān)測數(shù)據(jù)修復(fù)方法，屬于機場噪聲監(jiān)測異常修復(fù)技術(shù)領(lǐng)域。

背景技術(shù)：

隨著社會經(jīng)濟的發(fā)展，我國對航空、航天等領(lǐng)域的投入逐年增加，機場數(shù)量也越來越多。但是機場在為旅客和貨物運輸提供快速便捷的同時，與機場噪聲相關(guān)的各種問題也隨之而來，機場噪聲問題已成為影響民航業(yè)可持續(xù)發(fā)展的障礙之一。

在噪聲監(jiān)測點的布置上，網(wǎng)格狀的監(jiān)測點布局能把整個機場以及周邊的噪聲情況真實、及時、詳盡地收集起來。這種布局方式需要布置相當(dāng)多的監(jiān)測點，而有時節(jié)點是冗余的，不僅設(shè)備資金投入大，后期設(shè)備維護也具有相當(dāng)大的難度。有鑒于此，現(xiàn)在大部分機場采用的是在關(guān)鍵區(qū)域設(shè)置監(jiān)測點的方式，來完成實時數(shù)據(jù)的采集并將數(shù)據(jù)傳送到終端。

在機場噪聲監(jiān)控系統(tǒng)的開發(fā)上，澳大利亞在部分機場上建立的噪聲及航跡監(jiān)控系統(tǒng)(nfpms)，該系統(tǒng)不僅有監(jiān)控傳感系統(tǒng)，還有配套的管理軟件；美國的芝加哥機場也建有機場噪聲實測系統(tǒng)，該系統(tǒng)包含固定噪聲監(jiān)測網(wǎng)絡(luò)子系統(tǒng)和連接美國聯(lián)邦航空局(federalaviationadministration，faa)的空中交通管制雷達的飛機飛行路線子系統(tǒng)，每天記錄和存儲超過5萬個數(shù)據(jù)點。北京首都機場的噪聲監(jiān)測系統(tǒng)，是來自丹麥b&k公司的產(chǎn)品，該系統(tǒng)可實現(xiàn)單個飛機噪聲事件的識別、監(jiān)測單一事件飛機的航跡和高度、自動生成噪聲等值線圖、監(jiān)測飛機運行是否符合減噪飛行程序等功能，對于科學(xué)地掌握和控制航空器噪聲對機場周邊地區(qū)的影響，制定相關(guān)政策具有重要的研究和示范意義。

然而硬件設(shè)備會不可避免地存在損壞或老化等問題，鑒于監(jiān)測點的地理分布廣泛和設(shè)備的復(fù)雜性，機場的工作人員常常不能及時地趕到監(jiān)測現(xiàn)場對異常設(shè)備進行維護，導(dǎo)致監(jiān)測點無法準確采集所處區(qū)域的噪聲數(shù)據(jù)。因此，在監(jiān)測點失效期間，如何通過軟件的方法對監(jiān)測數(shù)據(jù)進行及時的修復(fù)成為一個值得關(guān)注的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術(shù)存在的缺陷，提出了一種基于深度降噪自編碼的機場噪聲監(jiān)測數(shù)據(jù)修復(fù)方法，以在復(fù)雜的機場噪聲環(huán)境中快速有效地修復(fù)異常噪聲數(shù)據(jù)。

本發(fā)明為解決其技術(shù)問題采用如下技術(shù)方案：

一種基于深度降噪自編碼的機場噪聲監(jiān)測數(shù)據(jù)修復(fù)方法，包括如下步驟：

步驟1：利用布局在機場周邊的噪聲監(jiān)測設(shè)備獲取各個監(jiān)測點的噪聲數(shù)據(jù)；

步驟2：對獲取到的機場噪聲監(jiān)測數(shù)據(jù)進行預(yù)處理得到樣本集；

步驟3：設(shè)置用于提取機場噪聲數(shù)據(jù)特征的候選深度降噪自編碼網(wǎng)絡(luò)，對其中的每個模型進行網(wǎng)絡(luò)權(quán)重的初始化；

步驟4：利用貪婪算法逐層訓(xùn)練每個模型的網(wǎng)絡(luò)參數(shù)，通過反向傳播算法調(diào)整網(wǎng)絡(luò)參數(shù)，得到各個模型學(xué)習(xí)后的參數(shù)值；

步驟5：計算每個模型的數(shù)據(jù)重構(gòu)誤差，選取重構(gòu)誤差最小的模型，提取機場噪聲監(jiān)測數(shù)據(jù)樣本集在模型中的隱含深度特征來訓(xùn)練支持向量回歸模型；

步驟6：利用訓(xùn)練得到的支持向量回歸模型，對待修復(fù)的機場噪聲監(jiān)測數(shù)據(jù)進行預(yù)測。

所述步驟2的具體內(nèi)容為：

對機場噪聲監(jiān)測點實測數(shù)據(jù)集進行歸一化處理，得到預(yù)處理之后的機場噪聲樣本集。

所述步驟3的具體內(nèi)容為：

初始化所述深度降噪自編碼網(wǎng)絡(luò)權(quán)重，使連接相鄰兩層的權(quán)重和各層的偏置項為服從標準正態(tài)分布的隨機值。

所述步驟4中的具體內(nèi)容為：

利用貪婪算法來逐層訓(xùn)練網(wǎng)絡(luò)，即將前層的輸出作為下一層輸入的方式依次訓(xùn)練，在訓(xùn)練每一層參數(shù)時，固定其它各層參數(shù)保持不變；逐層訓(xùn)練時每一層的輸入都需要加入噪聲，即以0.1的概率將神經(jīng)元的取值重置為0；然后通過反向傳播算法來調(diào)整深度降噪自編碼網(wǎng)絡(luò)參數(shù)，即利用梯度下降法不斷迭代更新網(wǎng)絡(luò)權(quán)重，使目標函數(shù)逐漸達到固定閾值，完成調(diào)整網(wǎng)絡(luò)參數(shù)的過程，得到學(xué)習(xí)后的參數(shù)值。

所述步驟6的具體內(nèi)容為：

從多個機場噪聲監(jiān)測點中選取一個作為異常點，其他監(jiān)測點作為特征集，利用深度降噪自編碼網(wǎng)絡(luò)提取的隱含深度特征，訓(xùn)練支持向量回歸模型，對待修復(fù)的監(jiān)測的噪聲值進行預(yù)測，并以該預(yù)測結(jié)果作為數(shù)據(jù)修復(fù)結(jié)果，完成異常數(shù)據(jù)的修復(fù)。

本發(fā)明的有益效果如下：

1、本方法具有智能學(xué)習(xí)能力，修復(fù)所需的機場噪聲樣本集易于獲取。

2、利用深度降噪自編碼網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)特征，通過重構(gòu)輸入數(shù)據(jù)和學(xué)習(xí)輸入數(shù)據(jù)的壓縮表示，獲得機場噪聲監(jiān)測數(shù)據(jù)樣本集隱含深度特征的新表達形式，不僅充分反映了輸入數(shù)據(jù)的特性，還極大地減少了相關(guān)信息之間存在的冗余。

3、利用支持向量回歸算法對待修復(fù)的監(jiān)測數(shù)據(jù)進行預(yù)測，能更好地解決數(shù)據(jù)中存在的非線性問題，提高泛化性能。

4、本方法在復(fù)雜的機場噪聲監(jiān)測環(huán)境中，能有效地提高機場噪聲監(jiān)測數(shù)據(jù)修復(fù)的及時性和有效性。

附圖說明

圖1為本發(fā)明的方法流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明創(chuàng)造作進一步詳細說明。

本發(fā)明基于深度降噪自編碼的機場噪聲監(jiān)測點數(shù)據(jù)修復(fù)方法的流程如圖1所示，具體包括如下步驟：

步驟1：利用布局在機場周邊的噪聲監(jiān)測設(shè)備獲取各個監(jiān)測點的噪聲數(shù)據(jù)；

利用布局在機場周邊的噪聲監(jiān)測設(shè)備，這些監(jiān)測設(shè)備能實時監(jiān)測所在位置的機場噪聲數(shù)據(jù)。通過這些監(jiān)測設(shè)備獲取各個監(jiān)測點的實時噪聲數(shù)據(jù)。

步驟2：對獲取到的機場噪聲監(jiān)測數(shù)據(jù)進行預(yù)處理得到樣本集。

通過如下的公式對獲取到的機場噪聲監(jiān)測數(shù)據(jù)進行歸一化處理：

其中，di是一個機場噪聲監(jiān)測數(shù)據(jù)，max和min分別表示機場噪聲監(jiān)測數(shù)據(jù)中的最大值和最小值，xi是di的歸一化結(jié)果。由此得到樣本個數(shù)為trn訓(xùn)練樣本集和樣本個數(shù)為ten測試樣本集其中：為第1個訓(xùn)練數(shù)據(jù)，為第2個訓(xùn)練數(shù)據(jù)，為第trn個訓(xùn)練數(shù)據(jù)，為第1個測試數(shù)據(jù)，為第2個測試數(shù)據(jù)，為第ten個測試數(shù)據(jù)。

步驟3：設(shè)置用于提取機場噪聲數(shù)據(jù)特征的候選深度降噪自編碼網(wǎng)絡(luò)，對其中的每個模型進行網(wǎng)絡(luò)權(quán)重的初始化。

設(shè)置用于提取機場噪聲監(jiān)測數(shù)據(jù)隱含深度特征的候選深度降噪自編碼網(wǎng)絡(luò)m＝{m1,m2,...,mk}，其中：m1為第1個候選模型，m2為第2個候選模型，mk為第k個候選模型。對m中的每一個模型mi，初始化網(wǎng)絡(luò)權(quán)重其中w是所有連接相鄰兩層的權(quán)重，b是各層的偏置項，n(0,1)為標準正態(tài)分布。

步驟4：利用貪婪算法逐層訓(xùn)練每個模型的網(wǎng)絡(luò)參數(shù)，通過反向傳播算法調(diào)整網(wǎng)絡(luò)參數(shù)，得到各個模型學(xué)習(xí)后的參數(shù)值。

為了學(xué)習(xí)到更加魯棒的特征，每一層的輸入都需要加入噪聲，即輸入數(shù)據(jù)x通過采取隨機選擇神經(jīng)元重置為0的方式加入噪聲得到加噪數(shù)據(jù)通過編碼函數(shù)得到隱含層表示h。編碼函數(shù)定義為：

其中w⁽¹⁾表示連接輸入層和隱含層的權(quán)重；b⁽¹⁾表示輸入層的偏置項；為加噪數(shù)據(jù)。相同地，解碼函數(shù)定義為：

其中w⁽²⁾表示隱含層和輸出層的連接權(quán)重；b⁽²⁾表示隱含層的偏置項。由上述公式可知，輸出可表示為:

其中hw,b(·)為輸入數(shù)據(jù)的重構(gòu)函數(shù)。

對訓(xùn)練數(shù)據(jù)采用貪婪算法逐層訓(xùn)練網(wǎng)絡(luò)參數(shù)θ^(j),j＝1,2,...,mi，即先利用輸入數(shù)據(jù)訓(xùn)練深度降噪自編碼網(wǎng)絡(luò)的第一層，生成第一層網(wǎng)絡(luò)的參數(shù)w⁽¹⁾和b⁽¹⁾；然后將第一層的輸出作為第二層的輸入，繼續(xù)訓(xùn)練得到第二層的參數(shù)w⁽²⁾和b⁽²⁾；最后對后面各層采用同樣的策略，即將前層的輸出作為下一層輸入的方式依次訓(xùn)練。對于上述訓(xùn)練方式，在訓(xùn)練每一層參數(shù)的時候，會固定其它各層參數(shù)保持不變。

通過反向傳播算法調(diào)整深度降噪自編碼網(wǎng)絡(luò)的參數(shù)，即利用梯度下降法迭代更新權(quán)重，更新過程可表示為：

其中參數(shù)α為學(xué)習(xí)速率，為第l層網(wǎng)絡(luò)中第i個神經(jīng)元到第j神經(jīng)元的連接權(quán)重，b^(l)為第l層網(wǎng)絡(luò)中的偏置項。當(dāng)目標函數(shù)達到一定閾值即完成微調(diào)整個網(wǎng)絡(luò)過程，得到學(xué)習(xí)后的參數(shù)值θmi。對于一個含有m個樣本的樣本集{x1,x2,...,xm}，其中：x1為第1個輸入數(shù)據(jù)，x2為第二個輸入數(shù)據(jù)，xm為第m個輸入數(shù)據(jù)，目標函數(shù)可表示為：

其中：xi為原始輸入數(shù)據(jù)，為加噪數(shù)據(jù)。

為進一步降低過擬合的風(fēng)險并提高網(wǎng)絡(luò)的泛化性，對學(xué)習(xí)參數(shù)設(shè)置了l2正則化約束，目標函數(shù)可進一步改寫為：

其中θ＝{w,b}；w是所有連接相鄰兩層的權(quán)重；b是各層的偏置項；λ則用于度量數(shù)據(jù)重構(gòu)程度和正則化約束之間的權(quán)重。

步驟5：計算每個模型的數(shù)據(jù)重構(gòu)誤差，選取重構(gòu)誤差最小的模型，提取機場噪聲監(jiān)測數(shù)據(jù)樣本集在模型中的隱含深度特征來訓(xùn)練支持向量回歸模型。

對測試數(shù)據(jù)根據(jù)上述目標函數(shù)公式計算mi模型的數(shù)據(jù)重構(gòu)誤差令m＝m\{mi}，對候選深度降噪自編碼網(wǎng)絡(luò)m中的每個模型進行上述操作。從中選取值最小的模型mmin，分別提取xtr和xte在mmin模型中的隱含深度特征dtr和dte。利用ε-svr回歸算法在以dtr為特征的數(shù)據(jù)集上進行訓(xùn)練，得到回歸模型。

步驟6：利用訓(xùn)練得到的支持向量回歸模型，對待修復(fù)的機場噪聲監(jiān)測數(shù)據(jù)進行預(yù)測。

從多個機場噪聲監(jiān)測點中選取一個作為異常點，其他監(jiān)測點作為特征集，根據(jù)學(xué)習(xí)到的回歸模型，利用測試數(shù)據(jù)的隱含深度特征dte計算預(yù)測值，對待修復(fù)的監(jiān)測點的噪聲值進行預(yù)測，并以該預(yù)測結(jié)果作為異常數(shù)據(jù)的修復(fù)結(jié)果，完成異常數(shù)據(jù)的修復(fù)。