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
一种基于时间序列核聚类的机场噪声事件识别方法 Download PDFInfo
- Publication number
- CN103337248B CN103337248B CN201310186796.XA CN201310186796A CN103337248B CN 103337248 B CN103337248 B CN 103337248B CN 201310186796 A CN201310186796 A CN 201310186796A CN 103337248 B CN103337248 B CN 103337248B
- Authority
- CN
- China
- Prior art keywords
- noise
- time sequence
- airport
- time series
- noise event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- IYLGZMTXKJYONK-ACLXAEORSA-N (12s,15r)-15-hydroxy-11,16-dioxo-15,20-dihydrosenecionan-12-yl acetate Chemical compound O1C(=O)[C@](CC)(O)C[C@@H](C)[C@](C)(OC(C)=O)C(=O)OCC2=CCN3[C@H]2[C@H]1CC3 IYLGZMTXKJYONK-ACLXAEORSA-N 0.000 description 1
- 101100489867 Mus musculus Got2 gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- IYLGZMTXKJYONK-UHFFFAOYSA-N ruwenine Natural products O1C(=O)C(CC)(O)CC(C)C(C)(OC(C)=O)C(=O)OCC2=CCN3C2C1CC3 IYLGZMTXKJYONK-UHFFFAOYSA-N 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
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
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…,qn)。
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={di|i=1,2,...,n},其中每一段噪声时间序列di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={di|i=1,2,...,n},其中di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{Cj|j=1,2,...,k},其中并满足j'=1,2,...,k,j'≠j,∪Cj=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:gci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;mc表示第c类样本的中心;φ(·)为全局对准核的核映射函数;distc(di)表示样本di与mc之间的距离。
distc(di)在这里可进一步表示为如下形式:
式中κ(X,Y)就是采用的全局对准核:
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
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:
DTW(X,Y)的计算可以通过动态规划方法求解:
dDTW(i,j)=||xi-yj||2+min{dDTW(i-1,j),dDTW(i,j-1),dDTW(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310186796.XA CN103337248B (zh) | 2013-05-17 | 2013-05-17 | 一种基于时间序列核聚类的机场噪声事件识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310186796.XA CN103337248B (zh) | 2013-05-17 | 2013-05-17 | 一种基于时间序列核聚类的机场噪声事件识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103337248A CN103337248A (zh) | 2013-10-02 |
CN103337248B true CN103337248B (zh) | 2015-07-29 |
Family
ID=49245391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310186796.XA Expired - Fee Related CN103337248B (zh) | 2013-05-17 | 2013-05-17 | 一种基于时间序列核聚类的机场噪声事件识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103337248B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617336B (zh) * | 2013-12-16 | 2016-08-17 | 中国民航大学 | 一种航空噪声等值线图的绘制方法 |
CN109405960B (zh) * | 2015-11-25 | 2020-04-24 | 南京航空航天大学 | 一种航空噪声识别方法 |
CN112446399A (zh) * | 2019-09-02 | 2021-03-05 | 华为技术有限公司 | 标签确定方法、装置和系统 |
CN111782861A (zh) * | 2020-06-12 | 2020-10-16 | Oppo广东移动通信有限公司 | 一种杂音检测方法及装置、存储介质 |
CN113593597B (zh) * | 2021-08-27 | 2024-03-19 | 中国电信股份有限公司 | 语音噪声过滤方法、装置、电子设备和介质 |
CN113823327B (zh) * | 2021-09-15 | 2022-05-31 | 杭州爱华智能科技有限公司 | 飞机噪声的自动监测方法 |
CN116844572B (zh) * | 2023-09-01 | 2024-03-15 | 装备智能计算芯片及系统应用北京市工程研究中心有限公司 | 一种基于聚类和机器学习的城市噪声地图构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546556A (zh) * | 2008-03-28 | 2009-09-30 | 展讯通信(上海)有限公司 | 用于音频内容识别的分类系统 |
CN101980336A (zh) * | 2010-10-18 | 2011-02-23 | 福州星网视易信息系统有限公司 | 一种基于隐马尔可夫模型的汽车声音识别方法 |
WO2013028351A2 (en) * | 2011-08-19 | 2013-02-28 | Dolby Laboratories Licensing Corporation | Measuring content coherence and measuring similarity |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4455614B2 (ja) * | 2007-06-13 | 2010-04-21 | 株式会社東芝 | 音響信号処理方法及び装置 |
US8712740B2 (en) * | 2008-05-14 | 2014-04-29 | Nittobo Acoustic Engineering Co., Ltd. | Signal judgment method, signal judgment apparatus, program, and signal judgment system |
-
2013
- 2013-05-17 CN CN201310186796.XA patent/CN103337248B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546556A (zh) * | 2008-03-28 | 2009-09-30 | 展讯通信(上海)有限公司 | 用于音频内容识别的分类系统 |
CN101980336A (zh) * | 2010-10-18 | 2011-02-23 | 福州星网视易信息系统有限公司 | 一种基于隐马尔可夫模型的汽车声音识别方法 |
WO2013028351A2 (en) * | 2011-08-19 | 2013-02-28 | Dolby Laboratories Licensing Corporation | Measuring content coherence and measuring similarity |
Non-Patent Citations (2)
Title |
---|
基于数据挖掘的机场噪声预测方法的研究;尤华;《南京航空航天大学硕士论文》;20111231;全文 * |
时间序列分析方法在机场噪声预测中的应用研究;夏利;《南京航空航天大学硕士学位论文》;20121231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103337248A (zh) | 2013-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103337248B (zh) | 一种基于时间序列核聚类的机场噪声事件识别方法 | |
Yu et al. | Prediction of bus travel time using random forests based on near neighbors | |
Dong et al. | Characterizing driving styles with deep learning | |
CN108563790B (zh) | 一种语义理解方法及装置、设备、计算机可读介质 | |
CN113486938B (zh) | 基于多分支时间卷积网络的重着陆的分析方法和装置 | |
Williams et al. | Adaptive extraction and quantification of geophysical vortices | |
CN107886121A (zh) | 基于多波段雷达的目标识别方法、装置及系统 | |
CN108520023A (zh) | 一种基于混合聚类算法的雷暴核识别及追踪方法 | |
CN103500329B (zh) | 基于车载移动激光扫描点云的路灯自动提取方法 | |
US20220148436A1 (en) | Method, apparatus, device and storage medium for pre-warning of aircraft flight threat evolution | |
CN112163461A (zh) | 一种基于多模态融合的水下目标识别方法 | |
CN102122386A (zh) | 基于字典迁移聚类的sar图像分割方法 | |
CN109061774A (zh) | 一种雷暴核关联性处理方法 | |
WO2024068527A1 (en) | A computer-implemented method for forecasting traffic indicators in a road network | |
CN111292752A (zh) | 一种用户意图识别方法、装置、电子设备及存储介质 | |
CN111340355A (zh) | 行程订单的匹配方法、装置、服务器和介质 | |
CN102999667A (zh) | 一种基于模糊回归的机场噪声预测方法及其系统 | |
CN103345587A (zh) | Ads-b监视数据与雷达航迹的直觉模糊关联方法、装置 | |
CN111142538A (zh) | 一种水环境监测的无人船运行策略实时决策方法 | |
CN108197647A (zh) | 一种汽车起动机耐久测试数据的快速聚类方法 | |
Schimpf et al. | Flight trajectory prediction based on hybrid-recurrent networks | |
Bleu-Laine et al. | Predicting adverse events and their precursors in aviation using multi-class multiple-instance learning | |
CN106021452A (zh) | 一种电磁环境测量数据清洗方法 | |
CN103020733A (zh) | 一种基于权重的机场单航班噪声预测方法及其系统 | |
Zhang et al. | Research on spectrum sensing system based on composite neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150729 |
|
CF01 | Termination of patent right due to non-payment of annual fee |