基于蜂群理论的机场噪声监测点布局优化方法

蜂群理论是一种新型的群体智能算法,也是一种新型的随机优化算法。论文提出了一种基于蜂群理论泛网格化机场噪声监测点布局优化方法,以网络覆盖率为目标函数,将噪声监测节点部署问题形式化为组合优化问题,构造人工蜂群算法求解算法,并通过国内某大型机场噪声数据实验和其他算法对比验证,所提出的算法在覆盖率和求解速度方面优于其他算法。     

基于立方分解模型的机场噪声预测方法磁

机场噪声影响已成为阻碍机场发展的重要问题,而机场噪声实时预测是机场噪声研究的一个重要方面,对机场噪声监测及机场噪声影响规律的研究有着重要意义。由于机场噪声实时预测问题可以形式化为矩阵填充问题,论文首先使用协同过滤算法中的矩阵分解模型进行求解,然后根据机场噪声的影响因素的数据特征,提出了一种基于立方分解模型的机场噪声预测方法。通过实验表明,与矩阵分解模型相比,基于立方分解模型的机场噪声预测方法预测精度有了很大提高。     

基于GM-LSSVR机场噪声时间序列预测模型

随着我国民航事业的不断发展,机场噪声问题日益严重.针对机场噪声时间序列预测问题,在分析了噪声数据特点的基础上,提出了一种基于GM-LSSVR的噪声序列预测模型,即将机场噪声时间序列进行分解,并分别建立趋势项的GM(1,1)模型和剩余项的LSSVR模型,用于机场噪声预测值的计算.在某机场实测数据中的应用表明,该方法的准确度明显优于其他预测方法.     

基于奇异谱分析的机场噪声时间序列预测模型

随着我国民航事业的不断发展,机场噪声问题日益严重。针对机场噪声时间序列预测问题,提出了一种基于奇异谱分析的噪声序列预测模型,即将机场噪声时间序列按照奇异谱分析预测的方法进行奇异值分解,得到主分量和经验正交函数,分析其趋势和振动的特点,然后选择适当的特征向量进行序列重构,通过线性重复公式建立预测模型。在此基础上,提出通过状态转移矩阵确定残差偏离方向,并根据残差的偏离方向和贡献率将重构模型忽略的次要成分计算进去,进而对预测值进行修正。在某机场实测数据中的应用表明,该方法的准确度明显优于已有SSA预测方法。     

基于物联网的机场噪声感知系统

近年来,随着民航业的迅速发展,机场的噪声污染已成为影响城市生态的一个重要问题.传统机场噪声监测一般采用部署固定监测站方式,系统成本高、灵活性低、维护困难.ZigBee等物联网技术的发展,为建立覆盖全面、实时监测且成本低廉的机场噪声感知系统提供了新的解决思路.本文提出了一种基于物联网技术的机场噪声感知系统,系统由感知节点、汇聚节点、数据处理平台三部分组成,可实现机场噪声的实时监测与处理,为开展机场周边区域的噪声环境影响评估提供数据依据.     

基于物联网的机场噪声感知系统

近年来,随着民航业的迅速发展,机场的噪声污染已成为影响城市生态的一个重要问题.传统机场噪声监测一般采用部署固定监测站方式,系统成本高、灵活性低、维护困难.ZigBee等物联网技术的发展,为建立覆盖全面、实时监测且成本低廉的机场噪声感知系统提供了新的解决思路.本文提出了一种基于物联网技术的机场噪声感知系统,系统由感知节点、汇聚节点、数据处理平台三部分组成,可实现机场噪声的实时监测与处理,为开展机场周边区域的噪声环境影响评估提供数据依据.     

一种BP神经网络机场噪声预测模型

机场噪声预测对机场噪声控制、航班计划制定和机场规划设计具有十分重要的作用。现有的机场噪声预测模型都是以飞机的噪声距离曲线（NPD曲线）为核心,用相应的数学模型将其修正至与具体机场的特定环境条件相关的噪声传播模型,存在预测成本高和误差大的缺点。针对这种情况,提出一种使用BP神经网络利用机场噪声历史监测数据进行NPD曲线修正计算方法,从而建立适用于特定机场环境条件的机场噪声预测模型。实验表明,在特定机场的特定环境条件下,允许误差为0.5 dB时,该模型预测准确率高达91.5%以上,具有预测成本小、准确度高的特点。     

基于改进符号化度量方法的机场噪声异常检测

机场噪声中的异常情况拥有很大价值,利用它能够及时完善飞机和机场的设备。结合机场噪声数据的特点,对上述问题进行研究并提出一种基于改进的符号化聚集近似(Symbolic Aggregate Approximation,SAX)相似性度量的单监测点的时间序列异常检测方法。其运用相似性度量方法计算出度量结果,再运用k近邻异常检测方法进行异常发现,最后发现异常时间段。该方法在理论验证可行性之后在某机场的实测数据中进行应用,取得了良好的效果。     

混沌噪声的神经网络建模应用于参数估计问题中

提出了基于神经网络预测器的参数估计算法，该算法将神经网络拟合非线性函数的能力和功率谱分析技术相结合．文中介绍了相空间重建技术和神经网络的原理，对于神经网络预测模型，给出了所提算法的原理和步骤，针对具体应用问题，用计算机仿真实验验证了该算法提取混沌噪声中信号参数的有效性,给出了实验结果和必要的分析．     

一种基于信念修正思想的SVR 增量学习算法

针对实际应用中数据的批量到达,以及系统的存储压力和学习效率低等问题,提出一种基于信念修正思想的SVR增量学习算法。首先从历史样本信息中提取信念集,根据信念集和新增数据的特点选择相应的信念集建立支持向量回归模型并进行预测;然后对信念集进行修正,调整当前认知状态,使该算法对在线和批处理增量学习都有很好的适应性。在标准数据集上的测试验证了算法的良好性能;在某机场噪声实测数据上的对比实验也表明,该算法的性能明显优于传统学习算法和一般增量学习算法。     

基于宽度学习的结构沉降预测

结构监测是确保工程结构建设在施工和运营阶段安全的关键因素,因此采用合理有效的预测模型对结构沉降监测数据进行科学准确的预测成为了当前结构沉降预测研究的重点。针对传统预测方法与深度学习方法用于结构沉降预测存在的预测精度不够高、模型结构复杂、训练耗时等问题,提出了一种基于宽度学习的结构沉降时间序列预测模型。通过实测地铁地下隧道沉降监测数据对宽度学习、人工神经网络、支持向量回归和深度置信网络-支持向量回归预测模型的预测结果进行对比分析。实验结果表明:宽度学习系统(broad learning system,BLS)应用于结构沉降预测具有良好的效果,其训练速度更快,预测精度更高。验证了所提出的宽度学习算法应用于结构沉降预测的可实施性和有效性。     

基于GB-AEnet-FL网络的物联网设备异常检测

针对物联网场景下,传统异常检测方法在海量不均衡数据中检测准确率低、数据异构导致模型泛化能力差等问题,提出了基于联邦学习的对抗双编码异常检测网络 （GB-AEnet-FL）的物联网设备异常检测算法。首先,提出了一种基于异常数据的主动特征分布学习算法,主动学习数据的潜在特征分布,通过数据重构扩充异常数据,均衡正负样本比例。其次,在潜在特征层引入了对抗训练机制并添加一致性增强约束和收缩约束,提高特征提取的精度。最后,设计了一种基于动态模型选择的联邦学习算法,比较局部模型与全局模型的置信度评分,动态选择部分联邦体参与,加速模型的聚合,在一定程度上也保护了用户隐私。在四个不同数据集上进行验证,结果显示,所提算法在检测准确度优于传统算法,且泛化能力得到相应提升。     

强干扰条件下机场道面细小裂缝自动识别算法

针对机场道面裂缝极其细小,而基于深度相机的裂缝检测技术面临道面表观结构复杂和平台剧烈震动的双重强干扰的难题,提出了结合L2正则化与动态阈值贪心策略的道面主轮廓建模算法,并基于此实现了机场道面毫米级细小裂缝的精确检测。首先,设计了基于L2正则化约束的道面主轮廓模型估计方法,解决了因表观结构复杂而导致的道面主轮廓过拟合问题;其次,提出基于动态阈值的改进贪心算法,通过迭代去除异常点的方式抑制检测平台震动带来的噪声干扰;最后,基于构建的道面主轮廓模型,提取并融合多方向的机场道面主轮廓,并利用裂缝的深度与形态信息实现裂缝提取。通过在真实机场道面数据集上的测试结果表明,该算法能够精确地完成道面主轮廓重建和细小裂缝识别,且识别性能优于多种现有经典的裂缝检测算法。     

基于密集连接卷积神经网络的链路预测模型

现有的基于网络表示学习的链路预测算法主要通过捕获网络节点的邻域拓扑信息构造特征向量来进行链路预测，该类算法通常只注重从网络节点的单一邻域拓扑结构中学习信息，而对多个网络节点在链路结构上的相似性方面研究不足。针对此问题，提出一种基于密集连接卷积神经网络（DenseNet）的链路预测模型（DenseNet-LP）。首先，利用基于网络表示学习算法node2vec生成节点表示向量，并利用该表示向量将网络节点的结构信息映射为三维特征数据；然后，利用密集连接卷积神经网络来捕捉链路结构的特征，并建立二分类模型实现链路预测。在四个公开的数据集上的实验结果表明，相较于网络表示学习算法，所提模型链路预测结果的ROC曲线下方面积（AUC）值最大提高了18个百分点。     

时空相关的短时交通流宽度学习预测模型

针对深度学习预测模型运算大的问题,在充分挖掘交通大数据的时空相关性的基础上,提出了一种基于K-最邻近（K-nearest neighbor,KNN）与宽度学习系统（broad learning system,BLS）相结合的短时交通流预测模型。利用KNN算法筛选与预测路段时空相关性高的K个路段,将选取路段的交通流数据作为BLS模型的输入分别进行预测,对选取不同路段的预测结果进行加权,以均方根误差（root mean square error,RMSE）为最小时对应K值的结果作为最终的预测值。美国加利福尼亚州交通局PeMs交通数据库实测的交通流量数据的测试结果表明,提出的模型相比于ARIMA、WNN、LSTM、KNN-LSTM模型均方根误差平均降低46.56%,运算效率明显提高,是一种有效的短时交通流预测方法。     

面向不平衡数据集的煤矿监测系统异常数据识别方法

异常数据识别对于煤矿安全监测系统具有重要作用,但安全监测系统中异常数据一般只占数据总量的1%左右,不平衡性是此类数据的固有特点。目前多数机器学习算法在不平衡数据集上的分类预测准确率和灵敏度都相对较差。为了能准确识别异常数据,以煤矿分布式光纤竖井变形监测系统采集的数据为研究对象,提出了一种面向不平衡数据集、基于去重复下采样(RDU)、合成少数类过采样技术(SMOTE)和随机森林(RF)分类算法的煤矿监测系统异常数据识别方法。该方法利用RDU算法对多数类数据进行下采样,去除重复样本;利用SMOTE算法对少数类异常数据进行过采样,通过合成新的异常数据来改善数据集的不平衡性;并利用优化后的数据集训练RF分类算法,得到异常数据识别模型。在6个真实数据集上的对比实验结果表明,该方法的异常数据识别准确率平均值达到99.3%,具有较好的泛化性和较强的鲁棒性。     

基于标签噪声鲁棒学习的疾病风险预测

疾病风险预测能够筛查易患人群, 并在早期进行预防干预措施以降低疾病的发生率及死亡率. 随着机器学习技术的快速发展, 基于机器学习的疾病风险预测得到了广泛应用. 然而, 机器学习十分依赖于高质量的标注信息, 医疗数据中存在的标签噪声会给构建高性能的疾病风险预测算法带来严峻挑战. 针对这一问题, 本文提出了一种基于深度神经网络和动态截断损失函数的噪声鲁棒学习方法用于疾病风险预测. 该方法引入动态截断损失函数, 融合了传统交叉熵函数的隐式加权特性和均方差损失函数的标签噪声鲁棒性; 通过构造训练损失下界, 并引入样本动态加权机制减小可疑样本的梯度, 限制可能的带噪样本在训练过程中的权重, 进一步增强模型的鲁棒性. 以脑卒中筛查数据集为例进行实验, 结果表明本文算法在各个标签噪声比例下均能取得良好的预测性能, 可降低疾病风险预测中标签噪声的负面影响, 实现了带有标签噪声数据的鲁棒学习.