一种BP神经网络机场噪声预测模型

合集下载

基于神经网络集成的单个飞行事件噪声预测模型

Ｃｈｉｎａ；２．ＩｎｆｏｒｍａｔｉｏｎＴｅｃｎｏｈｌｏｙｇＲｅｓｅａｒｃｈＢａｓｅｏｆＣｉｖｉｌＡｖｉｔｉａｏｎＡｄｍｉｎｉｓｔｒａｔｉｏｎｏｆＣｈｉｎａ，Ｔｉａｎｊｉｎ３００３００，Ｃｈｉｎａ）．Ｃｈｉｎａ
ＹＡＮＧＧｕｏ－ｑｉｎｇ（１．ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＣｉｖｉｌＡｖｉａｔｉｏｎＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎａ，Ｔｉｎｊａｉｎ３００３００，
ＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅ，２０１４，３４（２）：５３９－５４４
Ａｂｓｔｒａｃｔ：Ｔｈｒｏｕｇｈａｎａｌｙｚｉｎｇｔｈｅｉｎｌｆｕｅｎｃｅｆａｃｔｏｒｓｏｆｔｈｅｎｏｉｓｅｅｖｅｎｔｆｏｒｓｉｎｇｌｅｌｆｉｇｈｔ，ｔｈｅｒｅｇｒｅｓｓｉｏｎｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｗａｓｅｓｔａｂｌｉｓｈｅｄ．Ｔｈｅｎ，ｔｈｅｅｎｓｅｍｂｌｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎｎｅｒａｕｌｎｅｗｏｔｒｋｏｒｆｓｉｎｇｌｅｎｏｉｓｅｅｖｅｎｔｗａｓｃｏｎｓｔｒｕｃｔｅｄｂｙｓｅｌｅｃｔｉｎｇｎｅｕｒａｌｎｅｗｏｔｒｋｓｗｉｈｔｈｅｔａｉｄｏｆａｄａｐｔｉｖｅｇｅｎ￣ｉｃａｌｇｏｒｉｔｈｍ．Ｓｉｍｕｌｔａｎｅｏｕｓｌｙ，ｉｎｏｒｄｅｒｔｏｍａｉｎｔａｉｎｈｅｔｄｉｖｅｒｓｉｔｙｏｆｎｅｒａｕｌｎｅｗｏｔｒｋｓ，ｄｉｆｆｅｒｅｎｔｎｕｍｂｅｒｏｆｈｉｄｄｅｎｎｏｄｅｓａｎｄＢａｇｇｉｎｇａｌｇｏｒｉｔｈｍｗｅｒｅｕｓｅｄ．

基于粗糙集与BP神经网络相结合的民航无线电干扰预测方法探究

收稿日期:2018-07-16作者简介:张柯(1991—),男,汉族,四川自贡人,本科,研究方向:机场通信导航监视。

近几年,国内民航事业发展迅猛,航班流量和客货运输量在不断增加,这要求了我国民航事业中必须提高民航空中交通管理部门的管制技术,提高通信质量和覆盖范围,保证民航通信系统的稳定性。

因此,本文通过融合粗糙集与BP神经网络的民航无线电干扰预测方法,提高对无线电干扰的预测效率,为民航事业保驾护航。

1 粗糙集与BP神经网络相结合的干扰预测方法由于民航无线电经过粗糙理论约简后出现两种结果,第一,减少了干扰报告数据冗余;第二,降低了干扰报告的复杂性,因此,借助粗糙理论不但能够有效提高BP神经网络对无线电干扰的预测效率,而且权衡了BP神经网络处理能力弱、收敛困难以及训练时间较长等缺点。

2 预测方法的性能与测试2.1 测试方法进行测试的前提需要经过以下三个步骤:第一,借助粗糙集将学习样本数据进行约简,从而获取最小条件属性集;第二,将最小条件属性集当作训练样本集,并传输至BP神经网络中进行训练;第三,基于粗糙集与BP 神经网络相结合的民航无线电干扰预测方法探究张柯(自贡通航机场发展有限公司,四川自贡 643020)摘要:近年来,我国互联网技术不断提高,电子设备的广泛应用,导致电磁干扰现象越发严重。

民航无线电干扰成为影响民航系统正常服务的主要因素,不仅会干扰民航飞机的正常运行,也会妨碍我国民航事业的稳定发展。

关键词:粗糙集；B P 神经网络；民航无线电干扰预测中图分类号:TP571文献标识码:A 文章编号:1007-9416(2018)08-0203-01学术论坛DOI:10.19695/12-1369.2018.08.108编号时长（m）专业系统类别频率飞行高度（m）飞行航向业务用途干扰特征干扰类型干扰强度干扰规律1 0 地空通信 VHF 121.5 9200 航路 ACC 噪音空中较重连续2 20 地空通信 VHF 121.5 10100 航路 ACC 噪音空中较重间歇3 0 地空通信 VHF 125.75 6000 航路 ACC 广播空中较重间歇表1 网络功能测试样本图1 融合了粗糙集的BP神经网络训练误差曲线图2 没有经过粗糙集优化的BP神经网络训练误差曲线训练结束后的BP神经网络输入到测试样本集中绩效测试。

基于BP神经网络的机场能见度预测

link appraisement李俊敏* 中国民用航空飞行学院空中交通管理学院通讯作者：李俊敏（1996~），男，云南曲靖人，硕士研图1 BP神经网络拓扑结构0.1。

它最主要的特征是信号前向传播，而误差反向传播。

BP 神经网络的算法流程（1）信号前向传播隐藏层和输出层的输入和输出可由公式（1－1）计算:+ +⋅=++=+=+=∑∑∑∑∑∑======m i k M j i j i j ki Ok k m i M j i j i j k i O k M j i j i j Hi Mj ij i j H i a x o a x net x o x net 111111)()(θωϕωψθωϕωθωϕθω （1－1）（2）误差反向传播从输出层开始逐层计算各层神经元的输出误差，然后用某种方法去调节各层的权值和阈值，比如随机梯度下降法（Stochastic Gradient Descent，SGD），当最终的输出落在期望的范围或接近一定精度要求，算法则停止。

对N 个训练样本，系统的总误差准则函数为：∑∑==−=Np Lk N k N k p o T E 112)(21（1－2）SGD 权值更新可由公式（1－3）计算：−−=∂∂∂∂∂∂∂∂−=∆∂∂∂∂∂∂−=∆∂∂∂∂∂∂−=∆∂∂∂∂∂∂−=∆∑∑==N p L k N k N k ki i i i i i i j i i i i k i k k k k k k i k ik k k k k i o T o E net net o y E net net o y E a net net o o E a net net o o E 11)(θηθωηωηωηω （1－3）其中，η为学习率，可根据经验值适当选取。

（3）记忆训练和算法收敛当训练集的输出值达到期望值可接受的误差范围内，记忆训练则停止。

下一阶段即可将待预测的数据输入到已经训练好的BP 神经网络中，以后若是更换了样本，可重复输入输出。

BP神经网络机场鸟情预测方法

link appraisement于庆坤厍世明聂春明刘玉良 1.空军工程大学；2.空军沙河场站；3.中国人民武装警察部队海警总队第三航空大队4.空军于庆坤（1989-）男，山东烟台，博士在读，机场工程。

图1 BP神经网络鸟情预测模型CHINA SCIENCE AND TECHNOLOGY INFORMATION Aug.2019·中国科技信息2019年第15期航空航天◎（1）式中：H为隐藏层节点数；I为输入层节点数；O为输出层节点数；a为0～10之间的整数。

研究表明隐藏层节点数的取值在一定范围内，节点数越多，则预测精度越高，节点数过少则精度很差，通过试算，本文选取神经元数目为8、10、14用于鸟情预测。

传统的BP神经网络时间序列机场鸟情预测模型典型的时间序列的样本集的数学模型如下：（2）其中，到是n个连续的时间序列值，而是第n+1个时间序列值，也就是我们期望的预测值。

BP神经网络鸟情预测方法鸟情数据的获取本文选取潍坊南苑机场作为为研究机场。

鸟情数据的获取主要依靠人工观测得到，常用的鸟情调查方法有样线法、样点法。

对于温度、风力数据，选取机场气象塔台在调查时间段的观测平均值。

对于天气以机场气象塔台观测人员记录为准。

BP神经网络的训练本研究将2016年的鸟情数据用于BP神经网络的学习训练，本文以MATLAB2010软件为仿真平台。

以network10（隐藏层神经元数目为10）为例，network1网络训练的数据拟合结果如图2所示。

将训练好的network10网络的2016年鸟的数量预测结果与原始数据进行对比，如图3所示。

仿真对比分析本文收集了潍坊南苑机场2017年1月份的鸟情数据，作为仿真试验数据，以network8/10/14三组BP神经网络与传统的BP神经网络时间序列鸟情预测模型进行对比仿真试验，训练得到的网络名为network0，如图4所示。

network 10/14的预测结果不符合原始数据的变化趋势，network8/0的预测效果较好，进一步计算可得到network8预测数据与原始数据的残差平方和比network0与原始数据的残差平方和更小，说明network8的预测精度更高，而且network8的在几个关键时间点的变化符合原始数据的变化。

BP神经网络在地震资料去噪中的应用

BP神经网络在地震资料去噪中的应用一、BP神经网络的原理及优势BP神经网络是一种常见的人工神经网络模型，它由输入层、隐藏层和输出层组成，通过学习训练得到各层的权值和阈值，从而实现对输入数据的模式识别和分类。

BP神经网络通过反向传播算法不断调整各层之间的连接权值，使得网络输出与期望输出尽可能接近，从而实现对输入数据的处理和分析。

其深度学习的特性使得它在地震资料去噪中具有较强的优势。

BP神经网络在地震资料去噪中的优势主要体现在以下几个方面：1. 非线性特征提取能力强：地震信号通常包含丰富的非线性特征，而BP神经网络具有较强的非线性映射能力，能够有效提取和表示地震信号中的特征信息。

2. 适应性强：BP神经网络具有较强的适应性和泛化能力，能够处理各种复杂的地震信号，包括不同频率、不同振幅和不同相位的信号。

3. 学习能力强：BP神经网络通过不断的训练学习，可以逐渐调整其连接权值和阈值，从而不断提高对地震信号的识别和分离能力。

4. 鲁棒性强：BP神经网络在处理地震资料时，对一定程度的噪声干扰有一定的鲁棒性，能够有效地去除噪声并保留地震信号的主要特征。

BP神经网络在地震资料去噪中具有一些显著的优势，能够帮助地震学家更准确地理解地震信号，并为地震预测和灾害管理提供更可靠的数据支持。

近年来，越来越多的研究者开始将BP神经网络应用于地震资料的去噪工作中，取得了许多令人瞩目的成果。

下面我们将介绍一些典型的应用案例，以及其取得的效果和意义。

1. 地震波形去噪地震波形是地震学研究中的关键数据，而地震波形中常常受到地表噪声、仪器噪声等因素的干扰，影响了地震波形的准确性和可靠性。

针对这一问题，研究者们通过建立BP神经网络模型，将地震波形数据输入网络进行训练和学习，从而实现对地震波形的去噪处理。

实验结果表明，采用BP神经网络进行地震波形去噪，能够有效去除噪声，并保留地震信号的主要特征，从而提高了地震波形的可读性和解释性。

3. 地震数据降噪与特征提取对地震资料进行降噪处理的提取地震信号中的特征信息也是地震学研究的重要内容。

基于神经网络的航班延误预测研究

基于神经网络的航班延误预测研究航班延误，在我们生活中经常遇到，它会让整个行程变得混乱和不确定。

航空公司也对此非常头疼，因为延误会直接影响他们的声誉和利润。

而随着技术的发展，神经网络被应用于航班延误预测，解决了这个问题。

一、神经网络简介神经网络是一种基于生物神经系统的理论基础，模仿人脑的构造和功能而发展出来的一种网络模型。

它是一种学习算法，能够处理输入数据和相应的输出数据之间的复杂关系。

神经网络主要由三个层组成:输入层、隐藏层和输出层。

其中，输入层和输出层直接连接，而隐藏层则负责处理输入数据来提取必要的特征。

二、神经网络在航班延误预测中的应用神经网络已经被广泛应用到航班延误预测中。

它的主要优点是能够处理大量高维度的数据，并且能够自适应地调整模型，以适应关系的变化。

此外，由于神经网络采用并行计算，因此延误预测的速度非常快，以便在延误发生前作出准确的预测。

在神经网络的应用中，需要提供大量的数据进行训练。

这些数据包括航班的出发时间、到达时间、航线、起飞机场和降落机场等关键信息。

它们的组合可以描绘出所有的特征，这些特征将构成神经网络的输入。

网络需要反复训练直至预测准确度较高。

三、神经网络的优势和局限神经网络作为一种机器学习算法，已经被广泛应用于各种领域中，包括金融、医疗、物流等等。

在航班延误预测中，其优势主要体现在以下几个方面：1. 可以处理大量高维度的数据;2. 可以自适应地调整模型;3. 能够并行计算，预测速度快。

但是，神经网络也存在一些局限性，例如：1. 对于小样本数据的训练效果不佳;2. 神经网络模型很容易产生过拟合现象;3. 神经网络不能有效处理噪声数据。

四、未来的发展方向在未来，神经网络将继续发挥重要作用。

相信随着大数据技术和云计算技术的不断发展，神经网络将得到更广泛的应用。

同时，如何提高神经网络的预测准确度和性能也是未来应该着重研究的问题。

基于此，我们可以考虑从以下几个方向入手：1. 数据预处理：对输入数据进行归一化等操作，以避免出现数据异常值，进而影响神经网络模型的准确性;2. 模型优化：采用更好的权重初始化方法、学习率调整方法和更好的成本函数等来改进神经网络模型;3. 结合其他算法：神经网络在多数情况下都需要与其他算法结合使用，例如决策树、支持向量机和逻辑回归等，以提高预测准确度。

应用遗传算法和LM优化的BP神经网络模型预测机场道面使用性能

应用遗传算法和LM优化的BP神经网络模型预测机场道面使
用性能
韦灼彬;吴森;高屹
【期刊名称】《空军工程大学学报（自然科学版）》
【年(卷),期】2009(010)004
【摘要】分析了影响道面使用性能的各种参数,结合BP神经网络和遗传算法来预测机场道面使用性能.通过遗传算法全局寻优功能对神经网络的初始权值和阈值进行优化,然后采用LM(Levenberg-Marquardt)优化算法对神经网络训练速度进行加速,并且使训练避免陷入局部极小点.通过历年数据对神经网络进行训练,用所得神经网络模型对机场道面使用性能进行预测.训练结果表明,该方法具有足够的精度,能够应用到工程实际中.
【总页数】4页(P11-14)
【作者】韦灼彬;吴森;高屹
【作者单位】海军工程大学,天津校区,天津,300450;海军工程大学,天津校区,天津,300450;海军工程大学,天津校区,天津,300450
【正文语种】中文
【中图分类】V351.11;TU472
【相关文献】
1.应用优化的BP神经网络模型预测储层伤害程度 [J], 罗向荣;任晓娟;赵强;王亚鹏
2.基于遗传算法和LM优化的BP神经网络的图像复原算法 [J], 杨宇光;王叶红;王
园
3.基于遗传算法优化的BP神经网络在考研结果预测中的应用 [J], 李驰
4.基于遗传算法优化的BP神经网络在考研结果预测中的应用 [J], 李驰
5.遗传算法优化的BP神经网络在二手车价格评估的应用 [J], 李放;闵永军
因版权原因，仅展示原文概要，查看原文内容请购买。

基于综合噪声模型INM的机场噪声预测方法及其影响因素研究

基于综合噪声模型INM的机场噪声预测方法及其影响因素研究作者：李冉来源：《北方环境》2013年第09期摘要：随着我国航空运输业的不断发展，全国机场布局规划的不断完善，机场建设项目近年不断增多，飞机噪声污染已经成为各城市日益严重的环境问题，目前，通过机场噪声的预测和评价，根据预测结果对机场周边敏感保护目标采取措施，改变和优化机场周边土地利用规划，是解决机场噪声问题的最有效方式，因此确保机场噪声预测准确性显得尤为重要。

本文主要对我国机场噪声评价现状和评价指标进行了介绍，重点对机场噪声影响评价技术方法进行了论述，结合FAA（美国联邦航空局）开发的机场噪声模型INM（综合噪声模型）对影响机场噪声预测的各种因素进行了详细分析，分别研究了机型组合、起降方向、航班时刻安排、地形条件、飞行程序等多种因素对机场噪声程度和分布范围的影响分析，为机场噪声预测技术的进一步发展奠定了一定的基础。

关键词：环评；机场；预测方法；影响因素；INM中图分类号：X839.1文献标识码：A文章编号1007-0370（2013）09-0033-05如今，空中交通已经成为了人们出行不可或缺的运输方式，航空运输在给城市带来了便捷和繁荣的同时，也带来了一系列的环境问题，其中最严重的当属航空噪声污染问题，国内外的众多机场都不同程度的受到航空噪声的困扰。

而且，随着人们环境意识的逐渐提高，机场航空噪声的问题日益突出，机场周围公众对机场噪声时有抱怨，有的还很强烈，如要求机场给予经济补偿、要求关闭或搬迁机场等。

机场航空噪声污染问题是一个世界性的难题，严重影响机场可持续发展和机场与周边的和谐发展。

治理航空噪声，预防噪声污染，实现机场航空业务的可持续发展，已经成为机场当局和环境保护部门不得不面对和解决的一个棘手问题。

对于机场建设项目，建立完善的机场噪预测评价体系，准确的预测机场噪声，通过研究影响机场噪声的各项因素来进行源头治理，就显得尤为重要。

1我国机场建设项目噪声影响评价现状1.1现行标准及规范我国的机场噪声环境标准《机场周围飞机噪声环境》（GB9660-88）是在1988年颁布的，标准规定，我国的机场噪声评价标准采用国际民航组织（ICAO）推荐的计权等效连续感觉噪声级（WECPNL）作为评价量，LWECPN的物理意义是表示全天每秒航空器噪声对人的有效感觉噪声级作用[1]，因此我国规定采用一昼夜飞行的计权等效连续感觉噪声级评价噪声水平。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

网络出版时间：2012-01-16 09:28网络出版地址：/kcms/detail/11.2127.TP.20120116.0928.056.html<计算机工程与应用>一种BP神经网络机场噪声预测模型*杜继涛1张育平1徐涛1,2,3DU Jitao1 ZHANG Yupin1XU Tao1,2,31.南京航空天航大学计算机科学与技术学院，南京，2100162.中国民航大学计算机科学与技术学院，天津，3003003.中国民航信息技术科研基地，天津，3003001. College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics, Nanjing, 2100162. College of Computer Science and Technology, Civil Aviation University of China, Tianjin, 3003003. Information Technology Research Base of CAAC, Tianjin, 300300E-mail:dujitao_5@Airport noise prediction model based on BP neural networkAbstract：Airport noise prediction plays an important role in airport noise controlling, flightplanning and airport designing. The airport noise prediction models are usually built based onaircraft noise distance curve (NPD), and the NPD curves is little by little revised to the noisepropagation model under the specific airport environmental conditions by using a variety ofmathematical models. In this way, there are shortcomings of the high cost and great predictionerror. This paper presents an airport noise prediction Model for particular airport environmentalconditions. The proposed model applies BP Neural Network and history data of the airport noisemonitoring to modify the NPD curves. Experiment results show that in particular specific airportenvironmental conditions, the accuracy rate of noise prediction is more than 91.5% in the care of±5dB error. The proposed model has the features of lower cost and high accuracy.Keywords：BP neural network; airport noise; prediction model; NPD摘要：机场噪声预测对机场噪声控制、航班计划制定和机场规划设计具有十分重要的作用。

现有的机场噪声预测模型都是以飞机的噪声距离曲线（NPD曲线）为核心，用相应的数学模型将其修正至与具体机场的特定环境条件相关的噪声传播模型，存在预测成本高和误差大的缺点。

针对这种情况，提出一种使用BP神经网络利用机场噪声历史监测数据进行NPD曲线修正计算方法，从而建立适用于特定机场环境条件的机场噪声预测模型。

实验表明，在特定机场的特定环境条件下，允许误差为0.5dB时，该模型预测准确率高达91.5%以上，具有预测成本小、准确度高的特点。

关键词：BP神经网络；机场噪声；预测模型；NPD曲线文献标识码:A 中图分类号:TP391.91引言随着中国民航的高速发展，近年来民航机场规模不断扩大、飞机起降架次不断增多，与此同时机场飞机起降所带来的噪声问题也日益突出。

机场噪声问题是一个严重的社会问题，它不仅限制机场本身的发展，而且给机场周围人们的学习、工作和生活带来很大影响。

目前，国外有很多较为成熟的机场噪声预测模型，我国在这方面的研究才刚刚起步，其一般方法是以飞机的NPD曲线（噪声距离曲线）为核心，根据机场特定环境条件使用相应*基金项目：国家自然科学基金重点课题 (61139002）、中国民用航空局科技项目 (MHRD201006)，（MHRD201101）资助。

作者简介：杜继涛(1987-),男,河南人,硕士生,主要研究智能信息处理(E-mail:dujitao_5@);张育平(1959-),男,江苏人,副教授,硕士生导师,主要研究领域为软件工程/数据库处理(E-mail:ypzhang@);徐涛(1962-),男,重庆人,教授,博导,主要研究领域为软件体系结构/智能信息处理(E-mail:txu@).数学模型进行修正，使其符合特定机场环境条件下的机场噪声传播模型。

美国联邦航空管理局（FAA ）开发的机场噪声预测模型INM （Integrated Noise Model ）[1]是专门用于机场周围噪声计算和预测的噪声预测模型，该模型使用广泛且具有很高的精度。

但是利用INM 进行噪声预测需要大量的精确数据作为输入，不仅预测成本高而且部分精确数据很难获取。

由美国国防部（DOD ）支持开发的NMap 机场噪声预测模型，主要用来预测军用机场周围噪声，内置大量军用飞机及少量民航飞机的相关信息数据库，该模型也是以NPD 曲线为核心进行修正计算，存在一定的误差。

由美国宇航局（NASA ）支持开发的机场噪声预测模型RNM （Rotorcraft Noise Model ）是用来计算直升机和旋翼飞机所产生的噪声的预测模型，其能力单一，对常规民航飞机缺乏预测能力。

现有的机场噪声预测模型在实际使用过程中需要很多精确信息输入和大量数学模型修正，造成预测成本高，误差大。

针对传统噪声预测模型存在的问题，本文提出一种利用BP 神经网络建立适用于某一特定机场环境条件的机场噪声预测模型的方法。

该模型利用BP 神经网络的特性对特定机场环境条件下的噪声传播模型进行拟合建立机场噪声预测模型，减少输入信息，提高预测准确度。

2 机场噪声预测基本理论2.1噪声评价标准及计算国外对机场噪声的研究起步很早，噪声评价标准有十几种，各国根据本国具体情况采用的噪声评价标准不同。

比如，美国的噪声暴露预报(NEF)，南非的噪度指数(M)，瑞典的等效昼间干扰数(EDD)，荷兰的总噪声负载(B)等。

1969年11月，国际民航组织(ICAO)对有关飞机噪声问题达成国际协议，协调成员国对飞机噪声所使用的评价量，提出了计权等效连续感觉噪声级(WECPNL)。

我国于1983年着手制定有关机场噪声标准，1988年8月颁布了《机场周围飞机噪声环境标准》[2,3]，同年11月开始实施至今。

标准中采用了国际民航组织推荐的指标WECPNL 作为我国机场环境噪声评价指标。

计权等效连续感觉声级定义为：,4.39)10lg(10321−+++=N N N L L EPN WECPN (1) ),101lg(101.0∑∑=i j L EPN ij EPN N L (2)式中：1N 、2N 、3N 分别为24小时内3个时段（白天、傍晚、夜间）的飞行架次数；EPN L 为N 次噪声事件的有效感觉噪声级（EPNL ）能量平均值;ij EPN L 为飞机在航迹j 上第i 次飞行任务对某观测点造成的单次噪声事件的有效感觉噪声级（EPNL ）。

有效感觉噪声级EPNL 是飞机噪声适航审定的评价量，根据所测噪声的物理性质经过频谱不规则性修正和持续时间修正得到[4]。

一般由噪声测量仪器测量得出，或者根据飞机对应的噪声距离曲线拟合得出。

ij EPN L 可以由NPD 曲线拟合计算得出，其一种计算方式[5]：2)lg(*)lg(*D C D B A L ij EPN ++=, (3) 式中：A,B,C 为拟合所得某种飞机的NPD 曲线的系数；D 为飞机到观测点的直线距离。

2.2传统的机场噪声预测模型及缺点传统的机场噪声预测模型是以飞机的NPD 曲线（噪声距离曲线）为核心，其过程为首先通过拟合飞机的NPD 曲线计算飞机飞行在观测点处产生的单次噪声事件的EPNL 值ij EPN L ，根据公式（2）计算观测点某时段N 次噪声事件的有效感觉噪声级平均EPNL 值EPN L ，最终根据公式（1）计算计权等效连续感觉噪声级(WECPNL)。

由NPD 曲线拟合得到单事件噪声级ij EPN L 是没有根据机场的特定环境条件进行修正的EPNL 值，因此还不能用于实际的机场噪声预测。

一般情况下需要用到很多精确的数学模型进行相应的修正计算[6]，其形式为：)('j i EPN EPN L F L ij =。

由于用于修正的部分数学模型为经验性数学模型，在进行修正计算时存在一定的误差，同时采用众多复杂的数学模型对NPD 曲线依次进行修正计算还会产生累积误差，从而导致NPD 3 3.1BP 神图1 基于BP 神经网络的机场噪声预测流程3.2网络输入输出参数选择影响飞机起降噪声大小的因素很多[7]，包括航班信息（如飞机的推力、速度、高度、飞机执行的操作OP 、与观测点的直线距离等）、机场环境信息（如风速、温度、空气湿度）、机场信息（如机场周围区域的海拔信息、地面阻抗系数、机场跑道位置等）。

对于特定机场，其机场信息和环境信息在短时间内变化很小。

因此对于特定机场来说，其地面阻抗系数等机场环境条件在飞机噪声传播模型中可以看作为一个固定常数C ，在机场噪声预测模型的建立过程中，用BP 神经网络拟合实际机场噪声监测数据时将常数C 调整至与机场实际情况相符的值。

在进行机场噪声预测时，地面阻抗系数等被视为常数的参数仍然有效，无需额外获取和输入，只需输入航班信息等变化很大的相关条件参数作为预测输入。