本文選題：符號(hào)化聚集近似 + 相似性度量　； 參考：《南京航空航天大學(xué)》2015年碩士論文

【摘要】：隨著機(jī)場(chǎng)噪聲污染程度日益嚴(yán)重,以及噪聲對(duì)環(huán)境影響的投訴逐年增多,機(jī)場(chǎng)噪聲問(wèn)題成為影響民航業(yè)可持續(xù)發(fā)展的一個(gè)重要因素。其中,機(jī)場(chǎng)噪聲時(shí)間序列中的異常情況雖然相對(duì)正常情況來(lái)說(shuō)極少出現(xiàn),但卻擁有很大價(jià)值,利用它能夠及時(shí)檢修飛機(jī)和機(jī)場(chǎng)設(shè)備來(lái)防止問(wèn)題變得更加嚴(yán)重。通過(guò)判斷機(jī)場(chǎng)內(nèi)分布在各個(gè)區(qū)域的監(jiān)測(cè)點(diǎn)上收集的數(shù)據(jù)是否出現(xiàn)異常,來(lái)確定是否存在異常情況。又由于導(dǎo)致監(jiān)測(cè)點(diǎn)失效或數(shù)據(jù)采集錯(cuò)誤的原因有很多,因此還需要對(duì)異常情況的原因進(jìn)行分析。為了能夠發(fā)現(xiàn)監(jiān)測(cè)點(diǎn)異常的原因,首先需要研究如何判斷監(jiān)測(cè)點(diǎn)異常。將機(jī)場(chǎng)噪聲時(shí)間序列降維并符號(hào)化,然后運(yùn)用提出的新度量方法度量處理后的時(shí)間序列,最后根據(jù)度量結(jié)果利用k近鄰孤立因子進(jìn)行異常檢測(cè),由此得出機(jī)場(chǎng)噪聲單監(jiān)測(cè)點(diǎn)時(shí)間序列異常檢測(cè)方法。該方法在大大減少了數(shù)據(jù)量并提高了計(jì)算速度的同時(shí),使用改進(jìn)的度量方法減小了形態(tài)信息被弱化所帶來(lái)的影響,完成了對(duì)異常監(jiān)測(cè)點(diǎn)的初步篩選。根據(jù)發(fā)現(xiàn)的異常監(jiān)測(cè)點(diǎn),研究這些監(jiān)測(cè)點(diǎn)出現(xiàn)異常的原因。為了實(shí)現(xiàn)這一目標(biāo),對(duì)于監(jiān)測(cè)到異常數(shù)據(jù)的監(jiān)測(cè)點(diǎn),需要先對(duì)它們應(yīng)有的數(shù)據(jù)進(jìn)行預(yù)測(cè)。使用神經(jīng)網(wǎng)絡(luò)集成方法,融入組合模型思想提高預(yù)測(cè)精度,探尋其中的權(quán)重計(jì)算方法,提出關(guān)聯(lián)監(jiān)測(cè)點(diǎn)神經(jīng)網(wǎng)絡(luò)集成組合預(yù)測(cè)模型,使用這些監(jiān)測(cè)點(diǎn)的極強(qiáng)關(guān)聯(lián)監(jiān)測(cè)點(diǎn)數(shù)據(jù)訓(xùn)練相應(yīng)的預(yù)測(cè)模型,然后預(yù)測(cè)出異常點(diǎn)數(shù)據(jù),作為后續(xù)異常原因判斷的標(biāo)準(zhǔn)。最后找出異常監(jiān)測(cè)點(diǎn)數(shù)據(jù)出現(xiàn)異常的原因。提出關(guān)聯(lián)噪聲監(jiān)測(cè)點(diǎn)異常發(fā)現(xiàn)算法,首先使用上述預(yù)測(cè)方法,將所得預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行相似度計(jì)算,最終判斷該點(diǎn)是否異常。若候選異常點(diǎn)此時(shí)被判斷為異常點(diǎn),則說(shuō)明該監(jiān)測(cè)點(diǎn)本身老化損壞;若被判斷為正常點(diǎn),則說(shuō)明是機(jī)場(chǎng)設(shè)備或飛機(jī)問(wèn)題。
[Abstract]:With the increasingly serious noise pollution in airports and the increasing number of complaints about the impact of noise on the environment, the problem of airport noise has become an important factor affecting the sustainable development of the civil aviation industry. The abnormal situation in the airport noise time series is relatively rare, but it has great value. It can be used to inspect and repair the aircraft and airport equipment in time to prevent the problem from becoming more serious. By judging whether there are anomalies in the data collected from the monitoring points distributed in each region in the airport, we can determine whether there are abnormal conditions. There are many reasons that lead to the failure of monitoring points or data acquisition errors, so it is necessary to analyze the causes of abnormal situations. In order to find out the reason of abnormal monitoring point, it is necessary to study how to judge the anomaly. The time series of airport noise are reduced and symbolized, then the time series after processing are measured by the proposed new metric method, and then anomaly detection is performed by using k-nearest neighbor solitary factor according to the results of measurement. The method of time series anomaly detection for single monitoring point of airport noise is obtained. This method can greatly reduce the amount of data and increase the speed of calculation, at the same time, the improved measurement method is used to reduce the influence of the weakening of morphological information, and the preliminary screening of anomaly monitoring points is completed. According to the abnormal monitoring points found, the causes of the anomalies in these monitoring points are studied. In order to achieve this goal, it is necessary to predict the data that should be used to monitor the abnormal data. Neural network ensemble method is used to improve the prediction accuracy by incorporating the idea of combinatorial model, and the weight calculation method is explored, and the integrated combined forecasting model of neural network for the associated monitoring points is put forward. The data of these monitoring points are used to train the corresponding prediction model, and then the outliers data are predicted as the criteria for judging the causes of the anomalies. Finally, we find out the reason of abnormal data at the abnormal monitoring point. In this paper, an algorithm is proposed to detect anomalies at the monitoring points of associated noise. Firstly, the similarity between the predicted values and the measured values is calculated by using the above prediction methods, and finally the anomaly of the points is judged. If candidate outliers are judged as outliers at this time, the monitoring points themselves are aged and damaged; if they are judged as normal points, it is an airport equipment or aircraft problem.
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：X839.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王啟鵬;;數(shù)據(jù)時(shí)間序列的指數(shù)函數(shù)法預(yù)測(cè)[J];鞍山鋼鐵學(xué)院學(xué)報(bào);1990年03期

2 徐希寶;鄧育民;段方振;樓鑫;;船搖數(shù)據(jù)的時(shí)間序列模型處理[J];重慶科技學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年04期

3 劉威;邵良杉;;基于變換的時(shí)間序列相似性分析[J];遼寧工程技術(shù)大學(xué)學(xué)報(bào);2007年S2期

4 袁景俠,楊有君,門曉波;機(jī)床加工精度的時(shí)間序列預(yù)報(bào)控制[J];大連工學(xué)院學(xué)報(bào);1986年03期

5 趙玉新;;時(shí)間序列在燃油分析及預(yù)測(cè)中的應(yīng)用[J];科技和產(chǎn)業(yè);2013年09期

6 楊蕊;王龍;余航;沈立群;田琳;;昆明歷史洪澇災(zāi)害時(shí)間序列分形特征研究[J];安徽農(nóng)業(yè)科學(xué);2012年07期

7 陸杰;劉付程;李廷友;;連云港市大氣污染物時(shí)間序列的長(zhǎng)程相關(guān)性分析[J];環(huán)境污染與防治;2007年05期

8 畢曉麗,覃德華,葛劍平;NDVI起伏型時(shí)間序列模型初探[J];應(yīng)用與環(huán)境生物學(xué)報(bào);2004年04期

9 王智勇;;時(shí)間序列下同種產(chǎn)品銷售預(yù)測(cè)方法的比較分析[J];昆明冶金高等專科學(xué)校學(xué)報(bào);2011年05期

10 王文哲;王炳坤;;基于時(shí)間序列低碳經(jīng)濟(jì)發(fā)展的協(xié)調(diào)性分析[J];資源與產(chǎn)業(yè);2013年02期

相關(guān)會(huì)議論文 前10條

1 周家斌;張海福;楊桂英;;多維多步時(shí)間序列預(yù)報(bào)方法及其應(yīng)用[A];中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第九屆學(xué)術(shù)年會(huì)論文集[C];1999年

2 馬培蓓;紀(jì)軍;;基于時(shí)間序列的航空備件消耗預(yù)測(cè)[A];中國(guó)系統(tǒng)工程學(xué)會(huì)決策科學(xué)專業(yè)委員會(huì)第六屆學(xué)術(shù)年會(huì)論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時(shí)間序列的非線性非平穩(wěn)特性研究綜述[A];國(guó)家安全地球物理叢書(shū)（八）——遙感地球物理與國(guó)家安全[C];2012年

4 李強(qiáng);;基于線性模型方法對(duì)時(shí)間序列中異常值的檢測(cè)及證券實(shí)證分析[A];加入WTO和中國(guó)科技與可持續(xù)發(fā)展——挑戰(zhàn)與機(jī)遇、責(zé)任和對(duì)策（上冊(cè)）[C];2002年

5 戴麗金;何振峰;;基于云模型的時(shí)間序列相似性度量方法[A];第八屆中國(guó)不確定系統(tǒng)年會(huì)論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時(shí)間序列的投影尋蹤學(xué)習(xí)逼近[A];'99系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時(shí)問(wèn)序列的小波-模糊神經(jīng)網(wǎng)絡(luò)集成預(yù)測(cè)方法[A];第十五屆中國(guó)管理科學(xué)學(xué)術(shù)年會(huì)論文集（下）[C];2013年

8 黃云貴;;基于時(shí)間序列的電網(wǎng)固定資產(chǎn)投資規(guī)模研究[A];2012年云南電力技術(shù)論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時(shí)間序列高階矩持續(xù)和協(xié)同持續(xù)性研究[A];21世紀(jì)數(shù)量經(jīng)濟(jì)學(xué)（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數(shù)據(jù)的時(shí)間序列化[A];科學(xué)決策與系統(tǒng)工程——中國(guó)系統(tǒng)工程學(xué)會(huì)第六次年會(huì)論文集[C];1990年

相關(guān)重要報(bào)紙文章 前6條

1 ;《時(shí)間序列與金融數(shù)據(jù)分析》[N];中國(guó)信息報(bào);2004年

2 何德旭 王朝陽(yáng);時(shí)間序列計(jì)量經(jīng)濟(jì)學(xué)：協(xié)整與有條件的異方差自回歸[N];中國(guó)社會(huì)科學(xué)院院報(bào);2003年

3 劉俏;讓數(shù)據(jù)坦白真相[N];21世紀(jì)經(jīng)濟(jì)報(bào)道;2003年

4 西南證券高級(jí)研究員 董先安邋德圣基金研究中心 郭奔宇;預(yù)計(jì)6月CPI同比上漲7.2%[N];證券時(shí)報(bào);2008年

5 東證期貨 王愛(ài)華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日?qǐng)?bào);2009年

6 任勇邋鄭重;中國(guó)對(duì)世界鋼材價(jià)格的影響實(shí)證分析[N];現(xiàn)代物流報(bào);2007年

相關(guān)博士學(xué)位論文 前10條

1 張墨謙;遙感時(shí)間序列數(shù)據(jù)的特征挖掘：在生態(tài)學(xué)中的應(yīng)用[D];復(fù)旦大學(xué);2014年

2 張德成;滑坡預(yù)測(cè)預(yù)報(bào)研究[D];昆明理工大學(xué);2015年

3 苗圣法;時(shí)間序列的模式檢測(cè)[D];蘭州大學(xué);2015年

4 翁同峰;時(shí)間序列與復(fù)雜網(wǎng)絡(luò)之間等價(jià)性問(wèn)題及表征應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2015年

5 楊婷婷;用Argo浮標(biāo)結(jié)合衛(wèi)星觀測(cè)估算北太平洋經(jīng)向熱輸運(yùn)[D];中國(guó)科學(xué)院研究生院(海洋研究所);2015年

6 王曉曄;時(shí)間序列數(shù)據(jù)挖掘中相似性和趨勢(shì)預(yù)測(cè)的研究[D];天津大學(xué);2003年

7 李桂玲;時(shí)間序列的分割及不一致發(fā)現(xiàn)研究[D];華中科技大學(xué);2012年

8 周勇;時(shí)間序列時(shí)序關(guān)聯(lián)規(guī)則挖掘研究[D];西南財(cái)經(jīng)大學(xué);2008年

9 張勇;時(shí)間序列模式匹配技術(shù)研究[D];華中科技大學(xué);2012年

10 董曉莉;時(shí)間序列數(shù)據(jù)挖掘相似性度量和周期模式挖掘研究[D];天津大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 陳健;基于多變量相空間重構(gòu)的投資組合策略研究[D];華南理工大學(xué);2015年

2 蘭鑫;時(shí)間序列的復(fù)雜網(wǎng)絡(luò)轉(zhuǎn)換策略研究[D];西南大學(xué);2015年

3 米曉將;區(qū)域尺度下月均氣溫的時(shí)空演化格局研究[D];昆明理工大學(xué);2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預(yù)測(cè)研究[D];南京信息工程大學(xué);2015年

5 林健;基于改進(jìn)小世界回聲狀態(tài)網(wǎng)的時(shí)間序列預(yù)測(cè)[D];渤海大學(xué);2015年

6 曹智麗;日氣溫和干旱指數(shù)支持向量回歸預(yù)測(cè)方法[D];南京信息工程大學(xué);2015年

7 高雄飛;基于分形理論的土壤含水量時(shí)間序列特性分析[D];長(zhǎng)安大學(xué);2015年

8 姚茜;城市安全生產(chǎn)發(fā)展目標(biāo)研究[D];中國(guó)地質(zhì)大學(xué)(北京);2015年

9 謝翠穎;蘇州社會(huì)消費(fèi)品零售總額簡(jiǎn)析[D];蘇州大學(xué);2015年

10 包仁義;基于時(shí)間序列的搜索引擎評(píng)估模型算法研究[D];東北師范大學(xué);2015年

，

本文編號(hào)：1940208