CN103617336A - 一种航空噪声等值线图的绘制方法 - Google Patents

Abstract

本发明公开了一种航空噪声等值线图的绘制方法，包括如下步骤：第一步，建立飞行程序噪声等值线图特征库。第二步，挖掘监测点间的关联关系：采用层次聚类方法挖掘机场历史噪声数据，从而发现噪声监测点间的关联关系；第三步，绘制噪声等值线图：首先，根据单次飞行事件下监测点的实测噪声数据及监测点间的关联关系，绘制残缺等值线图；其次，提取残缺等值线图的特征；接着，将提取到的残缺等值线图的特征在噪声等值线图特征库中进行匹配；最后，利用少量稀疏监测点监测得到的瞬时噪声数据修正匹配到的噪声等值线图，完成等值线图的绘制。本方法具有较强的实时性和实用性。

Description

一种航空噪声等值线图的绘制方法

技术领域

本发明涉及一种噪声可视化方法，尤其涉及一种基于稀疏实测瞬时噪声数据的噪声等值线图绘制方法，属于噪声可视化领域。

背景技术

随着民航业的飞速发展以及人们环境意识的逐步提高，机场噪声问题日益突出，如何有效地控制机场噪声对机场周边居民的影响是一个非常重要课题。为此，我国环境保护部门规定：在新建、改建以及扩建机场时，需要对机场周围进行噪声环境影响评估，而机场噪声等值线图是一种重要的机场噪声环境影响评估工具，能够为机场周围用地规划提供依据。因此，快速而精确地绘制机场噪声等值线图对机场噪声控制工作和机场规划设计具有重要意义。

机场噪声等值线图是一种机场噪声可视化的重要工具，目前外国的机场噪声等值线绘制方法主要依赖于INM、Noisemap、Suffer这类软件，这类软件以航迹为输入数据，通过一系列集成算法输出理论噪声等值线地图，这些软件并没有基于机场实际噪声值绘制等值线的功能，因此其绘制出的机场噪声等值线与实际机场噪声等值线存在一定程度上的偏差；中国发明专利申请号为ZL200510066109.6公开了一种绘制含正断层地质体构造等值线图的矩形网格化方法；中国发明专利申请号为201110260312公开了一种等值线插值方法；中国发明专利申请号为201310113754.3公开了基于网格队列和分段拟合的机场噪声可视化方法，其中介绍的方法以网格化数据为基础绘制等值线，但现有的机场噪声等值线图绘制方法大都需要海量噪声实测数据，由于在现有机场中的噪声监测点数量比较有限，比如我国的首都机场目前仅有21个噪声监测点，所以上述少量的检测点数据并不足以支持采用这些方法绘制等值线；因此，设计开发一种能够充分利用了机场历史数据，减轻等值线图绘制过程中对数据依赖性的航空噪声等值线图的绘制方法显得尤为重要。

发明内容

本发明要解决的技术问题是：提供一种具有防腐蚀、防尘、防水、防磁功能，同时具有耗电量低的航空噪声等值线图的绘制方法。

本发明为解决公知技术中存在的技术问题所采取的技术方案是：

一种航空噪声等值线图的绘制方法，包括如下步骤：

步骤1：获取机场地理位置、机场跑道位置、实际监测点分布情况；采用国际民航组织提供的航空器噪声计算模型，计算不同类型飞行程序对应的噪声数据；

步骤2：根据每类飞行程序的噪声数据绘制噪声等值线图，并提取噪声等值线图的特征，同时将每类飞行程序的噪声等值线图及其特征存储至数据库；

步骤3：运用层次聚类的方法，对噪声地图以每簇内各监测点距离最大不超过阈值d进行聚类；

步骤4：确定代表点位置，并根据代表点与其簇内其他各监测点之间的大小关系标“+”、“-”；

步骤5：输入单个飞机噪声事件，根据代表点附近“+”、“-”走向及代表点之间的大小和位置关系，利用等值线追踪算法绘制出残缺的等值线图；

步骤6：提取步骤5产生的残缺等值线图的特征，并将其在步骤1建立的噪声等值线地图特征库进行匹配，得到与其匹配的噪声等值线地图；

步骤7：根据输入的机场监测点瞬时值数据，修正历史步骤6中得到的噪声等值线地图，完成等值线地图绘制。

作为优选技术方案，本发明还采用了如下技术特征：

步骤2具体为：

步骤2.1：对于其中一幅噪声等值线地图，用高斯核与地图进行卷积运算，得到该地图基于高斯核在不同尺度空间上的的图像序列；

其中，尺度空间定义为：L(x,y,σ)=G(x,y,σ)*I(x,y)；

高斯变换核定义为： $G(x,y,\mathrm{\σ})=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2};$

其中,L(x,y,σ)为尺度空间函数,G(x,y,σ)为高斯变换和函数,I(x,y)为图像函数,(x,y)是空间坐标,σ是尺度坐标。

步骤2.2：利用不同尺度的高斯差分核与图像卷积构建高斯差分尺度空间，其中，高斯差分函数定义为：D(x,y,σ)=L(x,y,kσ)-L(x,y,σ)；

其中，D(x,y,σ)表示高斯差分尺度空间函数,k为相邻尺度空间倍数的常数

步骤2.3：差分尺度空间内，寻找在本层以及与其相邻上下两层的邻域中均为最大值或最小值的点，这个点即为该图像在该尺度下的一个特征点，寻找出图像在差分尺度空间内所有的特征点；

步骤2.4：给每个特征点指定一个方向参数形成描述子，使其对图像的旋转、偏移具有不变性，所有特征点描述子的集合构成了一幅噪声等值线地图的特征；

步骤2.5：储存与每类飞行程序产生的噪声等值线图对应的噪声等值线地图特征，建立与每类飞行程序对应的噪声等值线地图特征数据库。

步骤3具体为：

步骤3.1：将噪声地图数据用二维噪声矩阵A表示，并设置阈值lim、最小价值量Jmin，及迭代次数n；

步骤3.2：将每个噪声监测点分贝值视为聚类对象进行层次聚类，利用公式

计算簇间距离，并将其存入邻接矩阵Dis，其中C_i和C_j分别表示第i簇和第j簇，O_i和O_j分别表示第i个簇和第j个簇的代表点集合，x和y分别表示第i个簇和第j个簇的代表点，d(x,y)表示代表点x与代表点y的距离；

步骤3.3：遍历邻接矩阵Dis，寻找小于阈值lim的簇间距离d，并将其结果存入邻接表adjList，adjList[i].length表示与第i个簇距离小于阈值lim的簇数目；

步骤3.4：判断邻接表adjList是否为空，若为空则执行步骤3.8，若不为空则执行步骤3.5。

步骤3.5：遍历邻接表adjList，若adjList_i.length=1，将第i个簇与邻接表中与其对应的簇合并，若adjList_i.length>1，则执行步骤3.6；

步骤3.6：设置随机因子δ，并假设adjList_i.length=k，其中adjList_i存储的数据为x_m，m=0,1,2,…,k，则δ_j表示第i簇与第j合并的概率，根据随机因子δ合成新簇r；

步骤3.7：新簇r合成后，选择使d(C_i,C_j)最大的两个代表点作为新簇r的代表点，同时更新邻接矩阵Dis，根据公式d(C_k,C_r)=max(d(C_k,C_i),d(C_k,C_j))，计算新簇r与其它各簇之间的距离d(C_k,C_r)，并将其存入邻接矩阵Dis，转至步骤3.4；

步骤3.8：将聚好的类进行价值量计算，比较价值量最小值Jmin与当前价值量J大小，若Jmin>J，则令Jmin=J并将聚类结果替换，并将聚类结果保存，判断迭代是否结束，若未结束转至步骤3.2，若迭代完成，则聚类算法结束。

步骤6具体为：

步骤6.1：根据步骤2计算方法，提取出步骤5产生的残缺等值线图特征；

步骤6.2：利用欧氏距离作为描述子之间的相似性度量标准，将步骤6.1产生的特征描述子在单航迹噪声等值线地图特征库中进行匹配，匹配出其对应的单航迹噪声等值线地图；要得到匹配对特征点描述子d(R_i,S_i)需满足其中，

为任意两描述子相似性度量，S_j为模板图中距离实时图中R_i距离最近的点，S_p为模板图中距离实时图中R_i次近的点，T为比例阈值，R_i=(r_i1,r_i2,…,r_ik)为模板图中特征点描述子，S_i=(s_i1,s_i2,…,s_ik)为实时图中特征点描述子。

本发明具有的优点和积极效果是：一、通过引入聚类机场历史数据噪声分布的方法，建立机场等值线绘制模型，减轻对数据规模的依赖性；二、通过对簇内数据进行的“+”、“-”标识进行插值，反映出机场噪声分布情况，提高了等值线的绘制精度；三、通过及时真实监测值绘制等值线，有良好的事实性及实用性。

附图说明

图1是本发明的流程图；

图2为本发明建立等值线地图特征数据库流程图；

图3为本发明关联规则产生方法流程图；

图4为本发明根据实测值绘制残缺等值线图流程图；

图5为本发明输出等值线图流程图；

图6为本发明的一个较佳具体实施例；

图7为本发明层次聚类流程图。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：

请参阅图1，一种航空噪声等值线图的绘制方法，包括如下步骤：

步骤101：获取机场地理位置、机场跑道位置、实际监测点分布情况；采用国际民航组织提供的航空器噪声计算模型，计算不同类型飞行程序对应的噪声数据；

步骤102：根据每类飞行程序的噪声数据绘制噪声等值线图，并提取噪声等值线图的特征，同时将每类飞行程序的噪声等值线图及其特征存储至数据库；

作为优选，上述步骤102具体为：

步骤2.1：对于其中一幅噪声等值线地图，用高斯核与地图进行卷积运算，得到该地图基于高斯核在不同尺度空间上的的图像序列；

其中，尺度空间定义为：L(x,y,σ)=G(x,y,σ)*I(x,y)；

高斯变换核定义为： $G(x,y,\mathrm{\σ})=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2};$

其中,L(x,y,σ)为尺度空间函数,G(x,y,σ)为高斯变换和函数,I(x,y)为图像函数,(x,y)是空间坐标,σ是尺度坐标。

步骤2.2：利用不同尺度的高斯差分核与图像卷积构建高斯差分尺度空间，其中，高斯差分函数定义为：D(x,y,σ)=L(x,y,kσ)-L(x,y,σ)；

其中，D(x,y,σ)表示高斯差分尺度空间函数,k为相邻尺度空间倍数的常数

步骤2.3：差分尺度空间内，寻找在本层以及与其相邻上下两层的邻域中均为最大值或最小值的点，这个点即为该图像在该尺度下的一个特征点，寻找出图像在差分尺度空间内所有的特征点；

步骤2.4：给每个特征点指定一个方向参数形成描述子，使其对图像的旋转、偏移具有不变性，所有特征点描述子的集合构成了一幅噪声等值线地图的特征；

步骤2.5：储存与每类飞行程序产生的噪声等值线图对应的噪声等值线地图特征，建立与每类飞行程序对应的噪声等值线地图特征数据库

步骤103：运用层次聚类的方法，对噪声地图以每簇内各监测点距离最大不超过阈值d进行聚类；

作为优选，上述步骤103具体为：

步骤3.1：将噪声地图数据用二维噪声矩阵A表示，并设置阈值lim、最小价值量Jmin，及迭代次数n；

步骤3.2：将每个噪声监测点分贝值视为聚类对象进行层次聚类，利用公式

计算簇间距离，并将其存入邻接矩阵Dis，其中C_i和C_j分别表示第i簇和第j簇，O_i和O_j分别表示第i个簇和第j个簇的代表点集合，x和y分别表示第i个簇和第j个簇的代表点，d(x,y)表示代表点x与代表点y的距离；

步骤3.3：遍历邻接矩阵Dis，寻找小于阈值lim的簇间距离d，并将其结果存入邻接表adjList，adjList[i].length表示与第i个簇距离小于阈值lim的簇数目；

步骤3.4：判断邻接表adjList是否为空，若为空则执行步骤3.8，若不为空则执行步骤3.5。

步骤3.5：遍历邻接表adjList，若adjList_i.length=1，将第i个簇与邻接表中与其对应的簇合并，若adjList_i.length>1，则执行步骤3.6；

步骤3.6：设置随机因子δ，并假设adjList_i.length=k，其中adjList_i存储的数据为x_m，m=0,1,2,…,k，则

表示第i簇与第j合并的概率，根据随机因子δ合成新簇r；

步骤3.7：新簇r合成后，选择使d(C_i,C_j)最大的两个代表点作为新簇r的代表点，同时更新邻接矩阵Dis，根据公式d(C_k,C_r)=max(d(C_k,C_i),d(C_k,C_j))，计算新簇r与其它各簇之间的距离d(C_k,C_r)，并将其存入邻接矩阵Dis，转至步骤3.4；

步骤3.8：将聚好的类进行价值量计算，比较价值量最小值Jmin与当前价值量J大小，若Jmin>J，则令Jmin=J并将聚类结果替换，并将聚类结果保存，判断迭代是否结束，若未结束转至步骤3.2，若迭代完成，则聚类算法结束；

步骤104：确定代表点位置，并根据代表点与其簇内其他各监测点之间的大小关系标“+”、“-”；具体为：根据实测点坐标，找到在噪声地图中与其对应的监测点位置，视为代表点，并根据步骤103聚类结果，计算代表点与其簇内其他各监测点之间大小关系，将其同簇内监测点标记“+”、“-”号，例如代表点分贝值为85db，则其所在簇内监测点被标记为“85+”或“85-”。

步骤105：输入单个飞机噪声事件，根据代表点附近“+”、“-”走向及代表点之间的大小和位置关系，利用等值线追踪算法绘制出残缺的等值线图；

步骤106：提取步骤5产生的残缺等值线图的特征，并将其在步骤1建立的噪声等值线地图特征库进行匹配，得到与其匹配的噪声等值线地图；

作为优选，上述步骤106具体为：

步骤6.1：根据步骤2计算方法，提取出步骤5产生的残缺等值线图特征；

步骤6.2：利用欧氏距离作为描述子之间的相似性度量标准，将步骤6.1产生的特征描述子在单航迹噪声等值线地图特征库中进行匹配，匹配出其对应的单航迹噪声等值线地图；要得到匹配对特征点描述子d(R_i,S_i)需满足

其中，

为任意两描述子相似性度量，S_j为模板图中距离实时图中R_i距离最近的点，S_p为模板图中距离实时图中R_i次近的点，T为比例阈值，R_i=(r_i1,r_i2,L,r_ik)为模板图中特征点描述子，S_i=(s_i1,s_i2,…,s_ik)为实时图中特征点描述子

步骤107：根据输入的机场监测点瞬时值数据，修正历史步骤6中得到的噪声等值线地图，完成等值线地图绘制；即根据输入的单次飞机噪声事件数据与历史数据中代表点相差分贝值大小，将噪声等值线地图整体扩大或缩小相应的分贝，完成噪声等值线地图的绘制。

请参阅图2，图2为本发明建立等值线地图特征数据库流程图；具体建立等值线地图特征数据库的步骤为：首先将机场历史飞行数据按飞行程序分类为：类型1、类型2、依次类推到类型n；然后将每个类型生成噪声地图；随后在上述噪声地图上绘制等值地图；最后提取每个类型的等值线地图特征并进行存储入特征库。

请参阅图3，图3为本发明关联规则产生方法流程图；具体步骤为：首先收集机场常年飞行数据；根据上述飞行数据生成噪声地图；然后将上述噪声地图划分成分贝值相近的区域；随后根据实测点坐标确定实测点在噪声地图中的位置；最后标记实测点与理论噪声点分贝值大小差值的关系，进而构造关联关系模型。

请参阅图4，图4为本发明根据实测值绘制残缺等值线图流程图；设置于机场周边的若干监测点将检测到的实时实测点发送给关联关系模型中，然后每个关联关系模型结合理论监测点分贝值范围，用等值线追踪算法绘制等值线局部图。

请参阅图5，图5为本发明输出等值线图流程图；具体步骤为：首先通过等值线局部图提取地图特征，上述地图特征在等值线地图特征库进行匹配；然后将匹配结果匹配到飞机类型X中，随后上述飞机类型X结合实测监测点数据进行修正飞机类型X噪声地图数据；最后根据修正后飞机类型X噪声地图数据绘制等值线图。

请参阅图6，图6为本发明的一个较佳具体实施例；具体步骤如下：步骤A：首先利用机场历史单航迹数据，建立噪声地图集；然后绘制出每条单航迹噪声地图的等值地图；随后取出每条航迹等值线地图的特征，存储特征，建立单航迹噪声等值地图特征数据库；步骤B：根据机场航季历史数据建立一副噪声地图，根据噪声地图建立检测点间关联关系；在上述检测点间关联关系并结合实测数据的情况下绘制出局部等值线图，从上述局部等值线图中提取局部等值线图特征；最后：将上述存储特征和局部等值线图特征在噪声等值线地图特征库中进行匹配，进而利用实测数据修正匹配到的噪声等值线图。

请参阅图7，图7为本发明层次聚类流程图；首先设置阈值lim、最小价值量Jmin=99999，设置迭代次数n；然后计算出簇间距离d的邻接矩阵Dis，随后遍历邻接矩阵Dis，寻找小于阈值lim的簇间距离d，并将结果保存入邻接表adjList；

当邻接表adjList为空时，计算价值量J，当价值量J，当价值量最小值Jmin>1时，则执行Jmin=J，并保存当前聚类结果，随后进行迭代计算变量，直至达到迭代次数n结束，否则重新判断价值量最小值Jmin>1？

当邻接表adjList不为空时，则遍历邻接表adjList，计算簇间合成概率K，根据簇间合成概率K，将相近的两次进行合成，进而计算新簇的簇中心，并更新邻接矩阵Dis。

以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (4)

1.一种航空噪声等值线图的绘制方法，其特征在于：包括如下步骤：

步骤1：获取机场地理位置、机场跑道位置、实际监测点分布情况；采用国际民航组织提供的航空器噪声计算模型，计算不同类型飞行程序对应的噪声数据；

步骤2：根据每类飞行程序的噪声数据绘制噪声等值线图，并提取噪声等值线图的特征，同时将每类飞行程序的噪声等值线图及其特征存储至数据库；

步骤3：运用层次聚类的方法，对噪声地图以每簇内各监测点距离最大不超过阈值d进行聚类；

步骤4：确定代表点位置，并根据代表点与其簇内其他各监测点之间的大小关系标“+”、“-”；

步骤5：输入单个飞机噪声事件，根据代表点附近“+”、“-”走向及代表点之间的大小和位置关系，利用等值线追踪算法绘制出残缺的等值线图；

步骤6：提取步骤5产生的残缺等值线图的特征，并将其在步骤1建立的噪声等值线地图特征库进行匹配，得到与其匹配的噪声等值线地图；

步骤7：根据输入的机场监测点瞬时值数据，修正历史步骤6中得到的噪声等值线地图，完成等值线地图绘制。

2.根据权利要求1所述的航空噪声等值线图的绘制方法，其特征在于：步骤2具体为：

步骤2.1：对于其中一幅噪声等值线地图，用高斯核与地图进行卷积运算，得到该地图基于高斯核在不同尺度空间上的的图像序列；

其中，尺度空间定义为：L(x,y,σ)=G(x,y,σ)*I(x,y)；

高斯变换核定义为： $G(x,y,\mathrm{\σ})=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2};$

其中,L(x,y,σ)为尺度空间函数,G(x,y,σ)为高斯变换和函数,I(x,y)为图像函数,(x,y)是空间坐标,σ是尺度坐标；

步骤2.2：利用不同尺度的高斯差分核与图像卷积构建高斯差分尺度空间，其中，高斯差分函数定义为：D(x,y,σ)=L(x,y,kσ)-L(x,y,σ)；

其中，D(x,y,σ)表示高斯差分尺度空间函数,k为相邻尺度空间倍数的常数；

步骤2.3：差分尺度空间内，寻找在本层以及与其相邻上下两层的邻域中均为最大值或最小值的点，这个点即为该图像在该尺度下的一个特征点，寻找出图像在差分尺度空间内所有的特征点；

步骤2.4：给每个特征点指定一个方向参数形成描述子，使其对图像的旋转、偏移具有不变性，所有特征点描述子的集合构成了一幅噪声等值线地图的特征；

步骤2.5：储存与每类飞行程序产生的噪声等值线图对应的噪声等值线地图特征，建立与每类飞行程序对应的噪声等值线地图特征数据库。

3.根据权利要求2所述的航空噪声等值线图的绘制方法，其特征在于：步骤3具体为：

步骤3.1：将噪声地图数据用二维噪声矩阵A表示，并设置阈值lim、最小价值量Jmin，及迭代次数n；

步骤3.2：将每个噪声监测点分贝值视为聚类对象进行层次聚类，利用公式

计算簇间距离，并将其存入邻接矩阵Dis，其中C_i和C_j分别表示第i簇和第j簇，O_i和O_j分别表示第i个簇和第j个簇的代表点集合，x和y分别表示第i个簇和第j个簇的代表点，d(x,y)表示代表点x与代表点y的距离；

步骤3.3：遍历邻接矩阵Dis，寻找小于阈值lim的簇间距离d，并将其结果存入邻接表adjList，adjList[i].length表示与第i个簇距离小于阈值lim的簇数目；

步骤3.4：判断邻接表adjList是否为空，若为空则执行步骤3.8，若不为空则执行步骤3.5；

步骤3.5：遍历邻接表adjList，若adjList_i.length=1，将第i个簇与邻接表中与其对应的簇合并，若adjList_i.length>1，则执行步骤3.6；

步骤3.6：设置随机因子δ，并假设adjList_i.length=k，其中adjList_i存储的数据为x_m，m=0,1,2,…,k，则

δ_j表示第i簇与第j合并的概率，根据随机因子δ合成新簇r；

步骤3.7：新簇r合成后，选择使d(C_i,C_j)最大的两个代表点作为新簇r的代表点，同时更新邻接矩阵Dis，根据公式d(C_k,C_r)=max(d(C_k,C_i),d(C_k,C_j))，计算新簇r与其它各簇之间的距离d(C_k,C_r)，并将其存入邻接矩阵Dis，转至步骤3.4；

步骤3.8：将聚好的类进行价值量计算，比较价值量最小值Jmin与当前价值量J大小，若Jmin>J，则令Jmin=J并将聚类结果替换，并将聚类结果保存，判断迭代是否结束，若未结束转至步骤3.2，若迭代完成，则聚类算法结束。

4.根据权利要求3所述的航空噪声等值线图的绘制方法，其特征在于：步骤6具体为：

步骤6.1：根据步骤2计算方法，提取出步骤5产生的残缺等值线图特征；

步骤6.2：利用欧氏距离作为描述子之间的相似性度量标准，将步骤6.1产生的特征描述子在单航迹噪声等值线地图特征库中进行匹配，匹配出其对应的单航迹噪声等值线地图；要得到匹配对特征点描述子d(R_i,S_i)需满足

其中，

为任意两描述子相似性度量，S_j为模板图中距离实时图中R_i距离最近的点，S_p为模板图中距离实时图中R_i次近的点，T为比例阈值，R_i=(r_i1,r_i2,…,r_ik)为模板图中特征点描述子，S_i=(s_i1,s_i2,…,s_ik)为实时图中特征点描述子。

Images