CN103337248B - 一种基于时间序列核聚类的机场噪声事件识别方法 - Google Patents

Abstract

本发明公开了一种基于时间序列核聚类的机场噪声事件识别方法，属于机场噪声识别领域。该方法首先获取机场噪声的原始监测时间序列，接着对原始监测时间序列进行预处理，创建噪声时间序列数据集，再利用基于全局对准核的k均值聚类方法，对噪声时间序列数据集进行自动分类，并通过多次循环得到多个聚类结果，然后对多个聚类结果中的每一类噪声时间序列添加相应的噪声事件类别标签，创建噪声事件知识库，最后根据该知识库对待识别的噪声时间序列进行噪声事件识别。本方法智能程度高，有效提高了机场噪声事件识别的效率和准确度。

Description

一种基于时间序列核聚类的机场噪声事件识别方法

技术领域

本发明涉及一种机场噪声识别方法，尤其涉及一种基于时间序列核聚类的机场噪声事件识别方法，属于机场噪声监测技术中的机场噪声事件识别领域。

背景技术

随着我国社会经济的发展，机场已然成为现代化城市的主要标志。但是，机场在为旅客和货物运输提供快速便捷的同时也带来了噪声污染的问题，目前机场噪声已成为城市环境噪声防治的难题之一。

发达国家、地区和相关的国际组织早在上世纪60年代就已经开始关注机场噪声污染问题，发达国家对机场噪声问题十分重视，颁布了众多的标准和法规。在美国，除了大学和政府科研机构一直在进行航空器和机场噪声科研项目，美国国家航空航天局(NASA)也组织人员对航空器噪声进行了研究并发表了许多高水平的论文。我国在这方面的研究起步相对较晚，在上世纪80年代由国家环保总局颁布了两个国家标准，即：GB9660-1988《机场周围飞机噪声环境标准》和GB/T9661-1988《机场周围飞机噪声测量方法》。

目前，机场噪声的主要监测手段就是在机场附近布置一定数量的监测点，用以监测飞机噪声，然后通过综合各监测点的数据得到机场噪声等值线。若想进一步有效控制机场噪声，需要从噪声监测数据中识别航空噪声事件，将噪声数据与特定的航空事件对应起来，进而能够根据噪声数据来判断飞机的航迹是否达标，以对飞机的航迹进行优化，从根本上控制噪声。然而目前关于机场噪声事件识别的研究文献非常稀少，已有的一些噪声识别方法都是对于特定的机械设备识别噪声源，这些方法主要是依据噪声信号的频域数据，通过对特定噪声的监测获取相应的噪声频率数据，再分析这些噪声的频率特征，识别噪声源。此类方法适应性较差，需要在理想环境下进行噪声的分析识别，而机场周围噪声复杂多变，传统方法很难在这样高噪声的真实场景中有效应用，因而准确率很低。此外，传统方法分析效率较低，对于噪声事件频发的机场环境而言，需要更加高效率的识别方法来对噪声事件进行识别。

发明内容

本发明针对现有技术存在的缺陷，而提出一种基于时间序列核聚类的机场噪声事件识别方法，以在复杂的机场噪声环境中快速有效地识别不同类型的噪声事件。

该机场噪声事件识别方法包括如下步骤：

步骤1：获取机场噪声的原始监测时间序列；

步骤2：对原始监测时间序列进行预处理，创建噪声时间序列数据集；

步骤3：利用基于全局对准核的k均值聚类方法，对噪声时间序列数据集进行自动分类，并通过多次循环得到多个聚类结果；

步骤4：对多个聚类结果中的每一类噪声时间序列添加相应的噪声事件类别标签，创建噪声事件知识库；

步骤5：根据噪声事件知识库，对待识别的噪声时间序列进行噪声事件识别。

技术效果：

1、本方法具有智能学习能力，识别所需的机场噪声时间序列数据易于获取。

2、采用基于时间序列全局对准核的k均值聚类学习智能数据处理方法，对噪声时间序列数据自动分堆，无需依靠人工事先对大量时间序列数据进行类别标号，算法自动完成预测。

3、采用基于动态时间弯曲的相似性度量方法，能更好地捕获机场噪声时间序列的模式特征。

4、本方法在复杂的机场噪声环境中，能有效地提高机场噪声事件的识别效率和识别准确率。

附图说明

图1为本发明的方法流程图。

图2为时间序列核聚类的流程图，图中的M表示聚类数k的最大值。

具体实施方式

下面对本发明作进一步说明。

本发明基于时间序列核聚类的机场噪声事件识别方法的流程如图1所示，具体包括如下步骤：

步骤1：获取机场噪声的原始监测时间序列。

利用机场周围布置的某一固定的噪声监测点，该监测点能获取该位置每一秒的噪声值数据。通过该监测点获取该位置近期（如一个月）的噪声原始监测时间序列Q=(q₁,q₂,q₃…,q_n)。

步骤2：对原始监测时间序列进行预处理，创建噪声时间序列数据集。

根据经验对机场噪声设定一个阈值min_noise，然后对原始监测时间序列Q进行分割，将小于阈值min_noise的序列部分赋值为0并去除，使得剩余序列部分形成互不重叠的n个长度不等的噪声时间序列，这n个噪声时间序列构成的集合即为噪声时间序列数据集D={d_i|i=1,2,...,n}，其中每一段噪声时间序列d_i即作为D中的一个样本。

步骤3：利用基于全局对准核的k均值聚类方法，对噪声时间序列数据集进行自动分类，并通过多次循环得到多个聚类结果。

基于全局对准核的k均值聚类方法描述如下：

给定噪声时间序列数据集D={d_i|i=1,2,...,n}，其中d_i是第i个时间序列对象，根据数据对象间的相似度将D分为k类，即{C_j|j=1,2,...,k}，其中并满足j'=1,2,...,k，j'≠j，∪C_j=D。

本发明中采用的基于全局对准核的k均值聚类方法是通过最小化下述目标函数完成的，目标函数为：

式中：g_ci表示第i个时间序列样本是否属于类别c，取值为0或1，类别c表示聚类数k中的任一类；m_c表示第c类样本的中心；φ(·)为全局对准核的核映射函数；dist_c(d_i)表示样本d_i与m_c之间的距离。

dist_c(d_i)在这里可进一步表示为如下形式：

${\mathrm{dist}}_c\left(d_i\right)={\mathrm{\κ}}_{\mathrm{ii}}-\frac{2}{n_c}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{g}_{\mathrm{cj}}{\mathrm{\κ}}_{\mathrm{ij}}+\frac{1}{n_c^2}\underset{j_1,j_2=1}{\overset{n}{\mathrm{\Σ}}}{g}_{{\mathrm{cj}}_1}{g}_{{\mathrm{cj}}_2}{\mathrm{\κ}}_{j_2{j}_2}$

式中κ(X,Y)就是采用的全局对准核：

$\mathrm{\κ}(X,Y)=\underset{\mathrm{\π}\∈\mathrm{\Ω}(X,Y)}{\mathrm{\Σ}}\underset{i=1}{\overset{\left|\mathrm{\π}\right|}{\mathrm{\Π}}}k(X_{{\mathrm{\π}}_1}\left(i\right),Y_{{\mathrm{\π}}_2}\left(i\right))$

$k(x,y)=e^{-{\mathrm{\φ}}_{\mathrm{\σ}}(x,y)}$

${\mathrm{\φ}}_{\mathrm{\σ}}(x,y)=\frac{1}{2{\mathrm{\σ}}^2}{\left|\right|x-y\left|\right|}^2-\log (2-e^{-\frac{{\left|\right|x-y\left|\right|}^2}{2{\mathrm{\σ}}^2}})$

其中：X、Y表示两个时间序列样本向量；Ω(X,Y)表示X和Y所有可能的配对的集合，下同。

X中的任何一个数值都需要与Y中的一个数值配对，形成一个长度为p的配对序列π=(π₁,π₂)，并满足p≤n+m-1，1=π₁(1)，π₁(p)=n，1=π₂(1)，π₂(p)=m，π₁(i+1)-π₁(i)≤1，π₂(i+1)-π₂(i)≤1。

动态时间弯曲的配对规则举例如下：设两个时间序列为X=(1,2)和Y=(2,3)，则 $\mathrm{\Ω}(X,Y)=\{\left(\begin{array}{c}\mathrm{1,2}\\ \mathrm{2,3}\end{array}\right),\left(\begin{array}{c}\mathrm{1,1,2}\\ \mathrm{2,3,3}\end{array}\right),\left(\begin{array}{cc}\mathrm{1,2,2}& \\ \mathrm{2,2,3}& \end{array}\right)\}.$

通过多次迭代，不断改变调整每个噪声时间序列样本的类别，使目标函数J(G)逐渐趋于最小值，并最终收敛，就得到了最后的聚类结果。

自动分类的结果使得同一个类别中的噪声时间序列相似度高，而不同类别中的噪声时间序列相似度很低。时间序列核聚类的细化流程如图2所示，首先设置核参数σ的值，一般取0.5、1、2，随后将核化的k均值聚类算法的聚类数k分别取2～10，通过多次循环进行多次自动分类，进而得到多个聚类结果。

步骤4：对多个聚类结果中的每一类噪声时间序列添加相应的噪声事件类别标签，创建噪声事件知识库。

根据经验，从多个聚类结果中选取最具有可解释性且最符合机场噪声实际情况的聚类结果作为最终的聚类结果，并为每一类噪声时间序列添加噪声事件类别标签，即噪声类型说明，比如分成4类：C₁是航空器进港噪声事件，C₂是航空器离港噪声事件，C₃是机场周围机动车噪声事件，C₄是机场周围随机噪声，从而创建噪声事件知识库。

步骤5：根据噪声事件知识库，对待识别的噪声时间序列进行噪声事件识别。

从机场噪声的实测时间序列中抽取出一段待识别的噪声时间序列，该序列是从噪声监测数据中新获取的一段噪声时间序列，并未在之前的训练过程使用过，计算该噪声时间序列（待识别的噪声时间序列）与噪声事件知识库中每个噪声时间序列的动态时间弯曲（DTW）距离。

动态时间弯曲距离描述如下：

$\mathrm{DTW}(X,Y)=\underset{\mathrm{\π}\∈\mathrm{\Ω}(X,Y)}{\min }{D}_{X,Y}\left(\mathrm{\π}\right)$

DTW(X,Y)的计算可以通过动态规划方法求解：

d_DTW(i,j)=||x_i-y_j||²+min{d_DTW(i-1,j),d_DTW(i,j-1),d_DTW(i-1,j-1)}

例如噪声时间序列有X=(1,2,3)和Y=(2,3,4)，则：

DTW(X,Y)=(1-2)²+(2-2)²+(3-3)²+(3-4)²=2

设待识别的噪声时间序列为X，搜索整个噪声事件知识库，在知识库中找出与待识别的噪声时间序列X动态时间弯曲距离最小的那个噪声时间序列Y，并以噪声时间序列Y所属噪声事件类别作为待识别的噪声时间序列X的噪声事件类别，完成噪声事件识别。

Claims (4)

1.一种基于时间序列核聚类的机场噪声事件识别方法，其特征在于包括如下步骤：

步骤1：获取机场噪声的原始监测时间序列；

步骤2：对原始监测时间序列进行预处理，创建噪声时间序列数据集；

步骤3：利用基于全局对准核的k均值聚类方法，对噪声时间序列数据集进行自动分类，并通过多次循环得到多个聚类结果；

步骤4：对多个聚类结果中的每一类噪声时间序列添加相应的噪声事件类别标签，创建噪声事件知识库；

步骤5：根据噪声事件知识库，对待识别的噪声时间序列进行噪声事件识别。

2.根据权利要求1所述的一种基于时间序列核聚类的机场噪声事件识别方法，其特征在于：所述步骤2的具体内容为：

对机场噪声设定一个阈值，然后对原始监测时间序列进行分割，将小于阈值的序列部分赋值为0并去除，使剩余序列部分形成互不重叠的n个长度不等的噪声时间序列，即得到噪声时间序列数据集，每一段噪声时间序列即作为噪声时间序列数据集中的一个样本。

3.根据权利要求1所述的一种基于时间序列核聚类的机场噪声事件识别方法，其特征在于：所述步骤3中的自动分类是通过不断迭代改变噪声时间序列数据集中每个样本的类别，使预设的目标函数逐渐趋于最小值，并最终收敛。

4.根据权利要求1所述的一种基于时间序列核聚类的机场噪声事件识别方法，其特征在于：所述步骤5的具体内容为：

从机场噪声的实测时间序列中抽取出一段待识别的噪声时间序列，在噪声事件知识库中找出与待识别的噪声时间序列动态时间弯曲距离最小的噪声时间序列，并以该噪声时间序列的噪声事件类别作为待识别的噪声时间序列的噪声事件类别，完成噪声事件识别。