一種基于深度降噪自編碼的機場噪聲監測數據修復方法與流程

本發明公開了一種基于深度降噪自編碼的機場噪聲監測數據修復方法，屬于機場噪聲監測異常修復技術領域。

背景技術：

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

在噪聲監測點的布置上，網格狀的監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多的監測點，而有時節點是冗余的，不僅設備資金投入大，后期設備維護也具有相當大的難度。有鑒于此，現在大部分機場采用的是在關鍵區域設置監測點的方式，來完成實時數據的采集并將數據傳送到終端。

在機場噪聲監控系統的開發上，澳大利亞在部分機場上建立的噪聲及航跡監控系統(nfpms)，該系統不僅有監控傳感系統，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，該系統包含固定噪聲監測網絡子系統和連接美國聯邦航空局(federalaviationadministration，faa)的空中交通管制雷達的飛機飛行路線子系統，每天記錄和存儲超過5萬個數據點。北京首都機場的噪聲監測系統，是來自丹麥b&k公司的產品，該系統可實現單個飛機噪聲事件的識別、監測單一事件飛機的航跡和高度、自動生成噪聲等值線圖、監測飛機運行是否符合減噪飛行程序等功能，對于科學地掌握和控制航空器噪聲對機場周邊地區的影響，制定相關政策具有重要的研究和示范意義。

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

技術實現要素：

本發明針對現有技術存在的缺陷，提出了一種基于深度降噪自編碼的機場噪聲監測數據修復方法，以在復雜的機場噪聲環境中快速有效地修復異常噪聲數據。

本發明為解決其技術問題采用如下技術方案：

一種基于深度降噪自編碼的機場噪聲監測數據修復方法，包括如下步驟：

步驟1：利用布局在機場周邊的噪聲監測設備獲取各個監測點的噪聲數據；

步驟2：對獲取到的機場噪聲監測數據進行預處理得到樣本集；

步驟3：設置用于提取機場噪聲數據特征的候選深度降噪自編碼網絡，對其中的每個模型進行網絡權重的初始化；

步驟4：利用貪婪算法逐層訓練每個模型的網絡參數，通過反向傳播算法調整網絡參數，得到各個模型學習后的參數值；

步驟5：計算每個模型的數據重構誤差，選取重構誤差最小的模型，提取機場噪聲監測數據樣本集在模型中的隱含深度特征來訓練支持向量回歸模型；

步驟6：利用訓練得到的支持向量回歸模型，對待修復的機場噪聲監測數據進行預測。

所述步驟2的具體內容為：

對機場噪聲監測點實測數據集進行歸一化處理，得到預處理之后的機場噪聲樣本集。

所述步驟3的具體內容為：

初始化所述深度降噪自編碼網絡權重，使連接相鄰兩層的權重和各層的偏置項為服從標準正態分布的隨機值。

所述步驟4中的具體內容為：

利用貪婪算法來逐層訓練網絡，即將前層的輸出作為下一層輸入的方式依次訓練，在訓練每一層參數時，固定其它各層參數保持不變；逐層訓練時每一層的輸入都需要加入噪聲，即以0.1的概率將神經元的取值重置為0；然后通過反向傳播算法來調整深度降噪自編碼網絡參數，即利用梯度下降法不斷迭代更新網絡權重，使目標函數逐漸達到固定閾值，完成調整網絡參數的過程，得到學習后的參數值。

所述步驟6的具體內容為：

從多個機場噪聲監測點中選取一個作為異常點，其他監測點作為特征集，利用深度降噪自編碼網絡提取的隱含深度特征，訓練支持向量回歸模型，對待修復的監測的噪聲值進行預測，并以該預測結果作為數據修復結果，完成異常數據的修復。

本發明的有益效果如下：

1、本方法具有智能學習能力，修復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絡學習數據特征，通過重構輸入數據和學習輸入數據的壓縮表示，獲得機場噪聲監測數據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據的特性，還極大地減少了相關信息之間存在的冗余。

3、利用支持向量回歸算法對待修復的監測數據進行預測，能更好地解決數據中存在的非線性問題，提高泛化性能。

4、本方法在復雜的機場噪聲監測環境中，能有效地提高機場噪聲監測數據修復的及時性和有效性。

附圖說明

圖1為本發明的方法流程圖。

具體實施方式

下面結合附圖對本發明創造作進一步詳細說明。

本發明基于深度降噪自編碼的機場噪聲監測點數據修復方法的流程如圖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測設備獲取各個監測點的噪聲數據；

利用布局在機場周邊的噪聲監測設備，這些監測設備能實時監測所在位置的機場噪聲數據。通過這些監測設備獲取各個監測點的實時噪聲數據。

步驟2：對獲取到的機場噪聲監測數據進行預處理得到樣本集。

通過如下的公式對獲取到的機場噪聲監測數據進行歸一化處理：

其中，di是一個機場噪聲監測數據，max和min分別表示機場噪聲監測數據中的最大值和最小值，xi是di的歸一化結果。由此得到樣本個數為trn訓練樣本集和樣本個數為ten測試樣本集其中：為第1個訓練數據，為第2個訓練數據，為第trn個訓練數據，為第1個測試數據，為第2個測試數據，為第ten個測試數據。

步驟3：設置用于提取機場噪聲數據特征的候選深度降噪自編碼網絡，對其中的每個模型進行網絡權重的初始化。

設置用于提取機場噪聲監測數據隱含深度特征的候選深度降噪自編碼網絡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，初始化網絡權重其中w是所有連接相鄰兩層的權重，b是各層的偏置項，n(0,1)為標準正態分布。

步驟4：利用貪婪算法逐層訓練每個模型的網絡參數，通過反向傳播算法調整網絡參數，得到各個模型學習后的參數值。

為了學習到更加魯棒的特征，每一層的輸入都需要加入噪聲，即輸入數據x通過采取隨機選擇神經元重置為0的方式加入噪聲得到加噪數據通過編碼函數得到隱含層表示h。編碼函數定義為：

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

其中w⁽²⁾表示隱含層和輸出層的連接權重；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(·)為輸入數據的重構函數。

對訓練數據采用貪婪算法逐層訓練網絡參數θ^(j),j＝1,2,...,mi，即先利用輸入數據訓練深度降噪自編碼網絡的第一層，生成第一層網絡的參數w⁽¹⁾和b⁽¹⁾；然后將第一層的輸出作為第二層的輸入，繼續訓練得到第二層的參數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練。對于上述訓練方式，在訓練每一層參數的時候，會固定其它各層參數保持不變。

通過反向傳播算法調整深度降噪自編碼網絡的參數，即利用梯度下降法迭代更新權重，更新過程可表示為：

其中參數α為學習速率，為第l層網絡中第i個神經元到第j神經元的連接權重，b^(l)為第l層網絡中的偏置項。當目標函數達到一定閾值即完成微調整個網絡過程，得到學習后的參數值θmi。對于一個含有m個樣本的樣本集{x1,x2,...,xm}，其中：x1為第1個輸入數據，x2為第二個輸入數據，xm為第m個輸入數據，目標函數可表示為：

其中：xi為原始輸入數據，為加噪數據。

為進一步降低過擬合的風險并提高網絡的泛化性，對學習參數設置了l2正則化約束，目標函數可進一步改寫為：

其中θ＝{w,b}；w是所有連接相鄰兩層的權重；b是各層的偏置項；λ則用于度量數據重構程度和正則化約束之間的權重。

步驟5：計算每個模型的數據重構誤差，選取重構誤差最小的模型，提取機場噪聲監測數據樣本集在模型中的隱含深度特征來訓練支持向量回歸模型。

對測試數據根據上述目標函數公式計算mi模型的數據重構誤差令m＝m\{mi}，對候選深度降噪自編碼網絡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為特征的數據集上進行訓練，得到回歸模型。

步驟6：利用訓練得到的支持向量回歸模型，對待修復的機場噪聲監測數據進行預測。

從多個機場噪聲監測點中選取一個作為異常點，其他監測點作為特征集，根據學習到的回歸模型，利用測試數據的隱含深度特征dte計算預測值，對待修復的監測點的噪聲值進行預測，并以該預測結果作為異常數據的修復結果，完成異常數據的修復。