交通噪声的反演预测(G)
交通噪声修正计算方法
交通噪声修正计算方法交通噪声修正计算方法是用于评估交通噪声对周围环境的影响程度，并为相关控制和管理提供依据的一种理论和计算方法。
本文将介绍交通噪声修正计算方法的原理、步骤和应用。
交通噪声修正计算方法的原理是基于环境噪声与交通噪声的关系，通过对交通噪声进行修正，获得更准确的预测结果。
首先，需要获取交通流量、车辆类型和速度等参数，并结合道路和周边环境的特征，计算噪声源的声级。
然后，根据不同距离和特定环境条件下的传播衰减规律，对噪声进行修正，得到修正后的噪声水平。
交通噪声修正计算方法的步骤主要包括以下几个方面。
首先，确定噪声源的种类和特征，如道路交通、铁路交通或航空交通。
其次，采集相关数据，包括交通流量、车辆类型和速度、道路宽度和车流密度等。
然后，根据国家相应的规定和标准，计算出初始的噪声水平。
接着，根据周围环境的特征和噪声传播规律，对初始噪声进行修正。
最后，根据修正后的噪声水平，评估交通噪声对周围环境的影响程度，并提出相关的控制和管理建议。
交通噪声修正计算方法具有广泛的应用价值。
首先，它可以用于评估交通规划和设计方案的噪声影响，为相关措施的制定提供科学依据。
其次，它可以用于评估现有交通设施对周围环境的噪声影响，为改善交通噪声环境提供参考。
此外，交通噪声修正计算方法还可以用于噪声监测和评估，以及相关政策和标准的制定和修订。
综上所述，交通噪声修正计算方法是一种用于评估和修正交通噪声对周围环境影响程度的理论和计算方法。
它的原理是基于环境噪声与交通噪声的关系，通过对交通噪声进行修正，获得更准确的预测结果。
该方法的应用范围广泛，可以为交通规划、设计和管理提供科学依据，提高交通噪声环境的质量。
基于EMD-LSTM神经网络的交通流量预测模型
的关键，同时也是智能交通系统管理的基础Z3］。 短时交通流具有较强的混沌性和非线性等，很多学
者针对其特点提出很多智能预测模型和算法⑷。 科学合理地预测城市轨道交通客流量，分析并掌握 客流变化的特性和规律，对城市轨道交通可行性研 究、线网规模的规划及制定合理的运营管理决 策⑸具有重要意义。神经网络是一种新型的客流 预测方法，它摆脱了建立精确数学模型的困扰，具 有良好的自组织性、自适应性，有很强的学习能 力、抗干扰能力等优点，比历史平均模型、时间序 列模型同等传统预测方法更适合复杂、非线性的 条件。目前已经广泛应用于预测领域的神经网络预
LSTM［⑸具有学习长期依赖的能力。所有的RNN 都采用神经网络的链式重复模块的形式。使用专门 构建的存储单元来存储信息的内存模块也有类似的 链式结构，但是重复模块的结构不同。如图1所 示，在一个LSTM单元中有四个相互作用的层。
元状态通过tanh并乘以输出门。 (1) Forget gate layer. ft=a(Wf- [ht_19 %J + bf) (2) Input gate layer. 必二"(见・[%J +bj (3) New memory cell.
二、方法及原理
(―)EMD经验模态分解 2000年以来，有很多突破性的频谱分析方法, EMD”-⑷方法是大家都认可的一种新型方法，此 方法主要描述数据本身，不需要安插其他基函数,
只需要按照数据本身的时间尺度特征进行信号方面 的分解。这也正是它与其他方法的差异所在。正是
由于EMD拥有这样独特的性质，所以在理论层面 上各类信号都可以用EMD处理，尤其是在处理非 线性数据上，EMD拥有很明显的优势，优胜于其 他方法，并且具备很高的信噪比。自从提出EMD 方法之后，各个领域都广泛应用其处理一些棘手的 问题数据，比如空气质量、海洋数据、天体观测数 据资料分析、地震记录数据分析。EMD的主要工
铁路噪声预测--模式预测法
1.1 铁路噪声预测按导则HJ/T2.4-1995附录B2计算。
1.1.1 模式预测法把铁路各类声源简化为点声源和线声源，分别进行计算。
对于点声源，L r r L L p p ∆-⎪⎪⎭⎫ ⎝⎛-=00lg 20式中，L p ——测点的声级（可以是倍频带声压级或A 声级）；L p0——参考位置r 0处的声级（可以是倍频带声压级或A 声级）；r ——预测点与点声源之间的距离，m ；r 0——测量参考声级处与点声源之间的距离，m ；ΔL ——各种衰减量，包括空气吸收、声屏障或遮挡物、地面效应等引起的衰减量（其计算详见“导则”正文）。
对于线声源，L r r L L p p ∆-⎪⎪⎭⎫ ⎝⎛-=00lg 10式中，L p ——线声源在预测点产生的声级（倍频带声压级或A 声级）；L p0——线声源参考位置r 0处的声级；r ——预测点与线声源之间的垂直距离，m ；r 0——测量参考声级处与线声源之间的垂直距离，m ；ΔL ——各种衰减量，包括空气吸收、声屏障或遮挡物、地面效应等引起的衰减量（其计算详见“导则”正文）。
总的等效声级为⎥⎦⎤⎢⎣⎡⋅=∑=n i L i pi t T T Leq 11.0101lg 10)(..............................................(6) 式中，t i ——第i 个声源在预测点的噪声作用时间 (在T 时间内)；L pi ——第i 个声源在预测点产生的A 声级；T ——计算等效声级的时间。
1.1.2 应用注意事项①比例预测法仅适用于预测铁路线路噪声，只适用于铁路改、扩建工程，并且假定铁路站、场、干线既有状况基本不变、铁路干线两侧的建筑物分布状况不变。
②模式计算法适用于大型铁路建设项目，能包括列车运行和编组作业系统的复杂情况，但要把铁路各种噪声源简化为点声源或线声源进行计算。
③列车机车噪声主要与发动机转速、发动机马力、进气方式有关，而列车的轮轨噪声主要与行驶速度和铁轨连接方式有关，关于这方面的经验估算公式，可参见第四章中第3节“噪声源噪声级的引用”。
噪声污染预测方法
《环境规划》电子教材噪声污染预测方法一、交通噪声预测本节介绍美国联邦公路管理局（FHWA ）公路噪声预测模式预测公路交通噪声。
将公路上汽车流按照车种分类（如大、中、小型车），先求出某一类车辆的小时等效声级30lg 10lg 10lg 10211000-∆+⎥⎦⎤⎢⎣⎡ψψΦ+⎪⎭⎫ ⎝⎛+⎪⎪⎭⎫ ⎝⎛+=+S D D T S D N L h Leq a a i i Ei i ππ），（）（）（（4.65）22cos 2121ππ≤ψ≤-ψψ=ψψΦ⎰ψψ••••••d a a ）（），（ （4.66）式中：i h Leq ）（——第i 类车的小时等效声级，dB （A ）； Ei L ）（0——第i 类车的参考能量平均辐射声级，dB （A ）； i N ——在指定时间T （1h ）内通过某预测点的第i 类车流量；0D ——测量车辆辐射声级的参考位置距离，15m 0=D ；D ——从车道中心到预测点的垂直距离，m ；i S ——第i 类车的平均车速，km/h ：T ——计算等效声级的时间，1h ；a ——地面覆盖系数，取决于现场地面条件，0=a 或5.0=a ；a Φ——代表有限长路段的修正函数，其中21ψψ，为预测点到有限长路段两端的张角，rad ；S ∆——由遮挡物引起的衰减量，dB （A ）； 混合车流模式的等效声级是将各类车流等效声级叠加求得。
如果将车流分成大、中、小三类车，那么总车流等效声级为：]101010lg[103211.01.01.0）（）（）（）（h Leq h Leq h Leq T Leq ++= （4.67）二、工业噪声预测模式工业噪声源有室外和室内两种声源，应分别计算。
一般来讲，进行环境噪声预测时所使用的工业噪声源都可按点声源处理。
1）室外声源a.按下式计算某个声源在预测点的倍频带声压级：oct oct oct L r r r L r L ∆--=）（）（）（00/lg 20 （4.68） 式中：）（r L oct ——点声源在预测点产生的倍频带声压级；）（0r L oct ——参考位置0r 处的倍频带声压级；r ——预测点距声源的距离，m ；0r ——参考位置距声源的距离，m ；oct L ∆——各种因素引起的衰减量（包括声屏障、遮挡物、空气吸收、地面效应引起的衰减量）。
声源反演的BP神经网络模型
声源反演的BP神经网络模型蒋从双, 杨洁, 李贤徽, 张斌（环境噪声与振动北京市重点实验室，北京，100054；北京市劳动保护科学研究所，北京，100054）BP Neural Network Model for Sound Source InversionCongshuang Jiang, Jie Yang, Xianhui Li, Bin Zhang（Beijing Key Laboratory of Environment Noise and Vibration, Beijing, 100054; Beijing Municipal Institute of Labor Protection, Beijing, 100054）1. 引言1车辆是道路交通噪声的主要噪声源，道路噪声可以看作是由移动变化的点声源组成的线声源，接收点的声压是不同声源在经过复杂的传播之后在接收点的叠加。
很多学者提出了道路交通噪声预测模型[1]，这些模型都是根据噪声产生与传播原理或数学统计分析方法提出的。
然而，声源传播的影响因素太多而且具有不确定性，这些不确定性主要表现在地理、气温、风速等自然因素以及建筑物的衍射、路面坡度、植被的吸收、声屏障的反射等引起的各种不确定性。
这种参数的获取过程中和对未知的推导过程中的参数不确定性使得一般的预测方法在处理大量原始数据时难以用规则或公式准确描述。
人工神经网络模型由于其具有的高度非线性函数映射功能、很强的学习、联想和容错功能，在这些方面表现出了极大的灵活性和自适应性[2]。
国内外学者早已将人工神经网络模型用来进行道路交通噪声预测。
他们将决定声源性质的车流量、车速、车型、路面等因素和影响噪声传播的地面吸收、建筑物反射、声屏障阻挡、接收点距声源的距离等因素作为输入变量[3]，将接收点处的等效连续A声级（）、L10、L90、交通噪声指标（TNI）等作为输出变量建立了神经网络模型[4-5]，对接收点处的声学指标做了大量的预测，然而，由接收点的声压反方向预测声源的研究进行的相对较少。
环境影响评价中的噪声预测理论模型
环境影响评价中的噪声预测理论模型之前在许昌市规划项⽬中研究了城市的噪声污染问题，对规划⽅案进⾏了噪声评价，得到了相关的结果和治理⽅案，这属于环境影响评价的内容，下⾯是研究所采⽤的噪声模型。
道路交通噪声预测理论模型1.1 FHWA模型1978年，Barry和Reagan在美国提出FHMA模型，这种模型是针对连续的公路进⾏噪⾳预测的数学模型。
FHMA将所有机动车分为了三类：私家车，中型卡车和重型卡车。
针对路况，交通和车型，提出噪⾳等级预测公式。
FHWA将连续的道路分割成为线段，然后参考每⼀类车辆在平常情况下⾏驶时的平均噪⾳等级，⾸先根据车流量和其他交通因素进⾏修正，然后根据地图坐标⽤垂直距离和⾓度进⾏修正，再判断道路情况（hard site or soft site），最后计算周围环境算出最终的噪⾳等级。
与其他模型不同，FHMA更注重观测者与噪⾳源的距离和观察⾓度。
FHWA模型在国内外应⽤⼗分⼴泛，我国交通部出台的《公路建设项⽬环境影响评价（试⾏）》中采⽤的噪声预测模型就是在FHWA模型的基础上结合经验[7]。
模型包括两部分，公式如下：值制定的第⼀步：i型车辆⾏驶于昼间或夜间，预测点接收到⼩时交通噪声值按下式计算：(L Arq)I =（公式⼀）其中：(LArq)i——i型车辆⾏驶于昼间或夜间，预测点接收到⼩时交通噪声值，dB；ＬWoi——第i型车辆的平均辐射声级，dB；N——第i型车辆的昼间或夜间的平均⼩时交通量（按附录B计算），辆／h；u——i型车辆的平均⾏驶速度,km／h；T——L Arq的预测时间，在此取lh；ΔL距离——第i型车辆⾏驶噪声，昼间或夜间在距噪声等效⾏车线距离为r的预测点处的距离衰减量，dB；ΔL纵坡——公路纵坡引起的交通噪声修正量，dB；ΔL纵坡——公路路⾯引起的交通噪声修正量，dB。
第⼆步：各型车辆昼间或夜间使预测点接收到的交通噪声值应按下式计算：（公式⼆）式中：（ＬArq）L、（ＬArq）M、（ＬArq）S——分别为⼤、中、⼩型车辆昼间或夜间，预测点接收到的交通噪声值，dB；（ＬArq）交——预测点接收到的昼间或夜间的交通噪声值。
轨道交通轮轨噪声机理、预测与控制
轨道交通轮轨噪声机理、预测与控制轮轨噪声机理：1. 滚动噪声：当车轮滚动通过轨道时，由于轮轨接触非均匀性（如表面粗糙度、波纹等）、不平顺性及几何偏差（如踏面和钢轨轮廓）等原因，产生周期性的冲击力和振动，进而导致噪声。
2. 啸叫噪声：在高速运行下，轮轨间可能产生自激振动现象，这种高频振动伴随强烈的声学辐射，形成典型的尖锐啸叫噪声。
3. 结构噪声：车体、转向架、轨道结构等部件因振动而产生的噪声，包括板件振动噪声、结构共鸣噪声等。
4. 气动噪声：列车高速行驶时，车辆外形与空气流动之间的相互作用也会产生一定的噪声。
轮轨噪声预测：- 理论计算模型：基于声学原理，建立轮轨噪声源的物理模型，利用数值模拟方法（例如有限元分析、边界元法等）预测噪声级。
- 实验测量与数据分析：在实验室环境下模拟实际工况，进行噪声测试，并结合现场实测数据，建立预测模型或数据库。
- 频谱分析：分析噪声信号的频率特性，识别关键频率成分及其来源，有助于针对性地设计降噪方案。
控制措施：1. 轨道优化：改善轨道结构设计，提高轨道的平顺性和刚度，采用高精度加工和维护技术降低轨道不平顺引起的噪声。
2. 车轮与轨道材料改进：研发低噪声、耐磨损的轮轨材料，优化轮轨接触面的设计以减小冲击噪声。
3. 阻尼技术：增加轨道、车体和转向架的阻尼装置，减少振动能量向噪声的转换。
4. 声学屏障：在沿线安装声屏障，对传播路径上的噪声进行吸收和反射衰减。
5. 结构吸声设计：在车厢内部采用吸声材料和隔音结构，减少车内乘客感受到的噪声。
6. 轨道减振垫：使用橡胶垫或其他弹性元件隔震，减轻振动向周边环境的传递。
7. 主动控制技术：开发和应用主动降噪技术，通过实时监测和反相补偿声波来抵消部分噪声。
高速公路隧道内交通噪声预测和降噪措施
Ｍ ｅ ｈ ｄ ｏ ｉｅ Ｐｒ ｄ ｃ ｉ ｎ ａ ｄ Ｍ ｅ ｓ ｒ ｓ ｏ ｔ ｏ ｆＮｏ ｓ ｅ ｉ ｔｏ ｎ ａ ｕ ｅ ｆ Ｎｏ ｓ ｄ ｉ ｇ ｉ ｇ ｗａ ｎｎ ｌ ｉｅ Ｒｅ ｕｃ ｎ ｎ Ｈｉ ｈ ｙ Ｔｕ ｅ
Ｓ ／ ｉｍｉቤተ መጻሕፍቲ ባይዱ ／／Ｌ — ｎ
２１ ０ ０年 ４月
噪
声
与
振
动
控
制
第 ２期
文章编号 ：０ ６１５ （ ００ ０ － ６ —３ １０ —３５ ２ １ ）２０ ６０ ０
高 速公 路 隧道 内交通 噪声 预测 和 降噪措 施
师利 明
（ 长安 大学 公路 学 院 ， 西安
摘
７０６ ） １０４
要 ：结合公路隧道工程 ， 利用波动声学和房问声学理论 ， 研究公路隧道内噪声预测方法 和降噪措 施 ， 出 给
Ｅ— ｉ． ｃ ｓ ｕ ｂ ｏ ｕ ＠ １ ６ ｔ ｍ ｍａｌ ｄ ｈ ｉ ａ ｓ ｏ ２ ．ｏ
射功 率为 ， 在空 间产 生 的直 达 声 的平 均声 能 密 它 度 为 ｓ 混 响声 的声 能密度 为 尺， Ｄ， 于是 隧道 内 噪声
的总平均 能量密度 可用下式 表示
（ ｉｈ ａ ｅ ａｔ ｎ ， ｈ ｎａ ｎｖｒ ｔ， ｉｎ ７ ６ Ｃ ｉａ Ｈ ｇｗ ｙＤ ｐｒ ｔ Ｃ ａｇ ｎＵ ｉｅｓｙ Ｘ ’ ０ ４， ｈｎ ） ｍｅ ｉ ａ １ ０
Ａｂｓｒ ｃ ： Ａ ｔ ｏ ｆｎ ｉｅ ｐ ｅ ｉｔｏ ｎ ｈ ａ ｕ ｅ ｆｎ ｉｅ ｒ ｄ ｃｎ ｎ ｈ ｇ ｗａ ｕ ｅ ｓ ｔａ ｔ ｍｅ ｈ ｄ ｏ ｏ ｓ ｒ ｄ ｃｉｎ ａ ｄ ｔ ｅ ｍｅ ｓ ｒ ｓ ｏ ｏ ｓ ｅ ｕ ｉｇ ｉ ｉｈ ｙ ｔｎｎ ｌｉ ｓｕ ｉｄ ｗｉｈ ａ ｘ ｒ ｓｗａ ｕ ｎｅ ｓａ ｎ ｉ ｅ ｒｎ ａ ｋ ｒ ｕ ｄ Ｔ ｒ ｄ ｃｉｎ ｍｏ ｅ ，ｔ ｅ ｍｅｈ ｄ ｆ ｔ ｄ ｅ ｔ ｎ ｅ ｐ ｅ ｓ ｙ ｔ ｎ ｌａ ｎ ｅ ｇ ｎ ｅ ｉ ｇ ｂ ｃ ｇ ｏ ｎ ． ｈｅ ｐ ｅ ｉｔｏ ｄ ｌ ｈ ｔ ｏ ｓｏ ｄ ｔｒ ｎ ｔｏ ｆｔ ｅ ｐ ｒ ｍｅｅ ｓ ｎ ｎ ｅ ａ ｌ ｏ ｏ ｕ ａ ｉｎ ａ ｅ ｇ ｖ ｎ Ｓ ｖ ｒ ｌｍｅ ｓ ｒ ｓｆ ｒｎ ｉｅ ｅｅ ｍｉ ａｉｎ ｏ ｈ ａ ａ ｔｒ ，ａ ｄ ａ ｘ ｍｐ ｅ ｆｒ ｃ ｍｐ ｔｔｏ ｒ ｉｅ ． ｅ ｅ ａ ａ ｕ ｅ ｏ ｓ ｏ
- 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)。
Inversion Method for Prediction of Traffic Noise
交通噪声的反演预测
杨洁,蒋从双,李贤徽
(环境噪声与振动北京市重点实验室, 北京市劳动保护科学研究所, 北京, 100054）
Inversion Method for Prediction of Traffic Noise
Jie Yang, Congshuang Jiang, Xianhui Li
( Beijing Key Laboratory of Environment Noise and Vibration.; Beijing Municipal Institute of Labor Protection, Beijing 100054, China)
1引言1
噪声地图技术是本世纪初在欧洲迅速发展的
一项新型城市噪声预测方法，它综合了计算机仿真技术与数字地理信息系统技术，针对道路交通噪声、铁路噪声、工业噪声和机场噪声等，将城市地图上每个接收点的叠加噪声值拟合成图像，它既是一种有效的决策工具，也是评估噪声污染防治措施有效性的重要手段[1]。
噪声地图的绘制需要大量的噪声数据，其中交通噪声数据是重点，利用实际测量来获得大量的交通噪声数据有很多缺陷，实测只能用于评价已有道路的噪声，对于在建或规划中的道路无能为力，它往往要受到非交通声源的影响而不准确，噪声评价点数量多，需耗费大量人力物力，且难以保证同步性。
交通噪声实测数据代表监测时段的噪声水平，而该时段未必就有代表性。
而预测可以借助相对完善的模型，加上少量实测点校正，得到较好的结果，使评价工作更为细致；预测还可以求出相应的一天等效声级和一定时段内最大噪声级[2]。
对于交通噪声预测，很多人在这方面进行了研究，林志周、周国玲运用灰色系统的理论模型对城市环境噪声进行综合预测；张继萍、吴硕贤等研究了人工神经网络在道路交通噪声预测中的应用[3]；李本纲等根据我国的环境标准，借鉴美国的FHWA 交通噪声预测模型，在分析影响道路交通噪声各因素的基础上，结合实际测量数据，应用统计学原理建立适合我国城市交通和环境标准的理论统计模型[2]。
但是上述模型都需要较多的输入参数，公式
收稿日期：xxxx-xx-xx ；修回日期：xxxx-xx-xx
作者简介：杨洁（1987), 女, 河北省承德市, 满, 研究生, 主要从事噪声与振动方面研究工作
通讯作者：李贤徽，lixh@ 模型较为复杂。
本文为噪声预测提供了另一种方法——反演法。
只是利用一个简单的线性方程组，已知接收点的测量值，就可以推导出声源的真实值。
该方法具有输入参数少，计算简单，准确性高的特点。
2反演方法
在进行道路交通噪声预测的时候，声源的真实声压是无法通过实测获得的，我们通常利用监测点的监测值计算获得道路的等效声压级。
一般来说，对于单个声源j来说，它在接收点i的声压级可以表示为：
,w j i j i
L A L
-=(1)
L w,j——声源j的声压级；
L i——接收点i的声压级；
A ij错误！未指定书签。
——声源与接收点之间的全部衰减量。
对于上述方程，可以变形得到：
,
/10/10/10
101010
w j i j i
L A L
-
⋅=(2)
或者
ij j i
a E I
⋅=(3)
方程(3)是一个线性方程，基于这种关系，对于多个声源及接收点来说，我们可以推倒出如下关系式：11111
1
n
m m n n n
a a E I
a a E I
⎛⎫⎛⎫⎛⎫
⎪ ⎪ ⎪
⋅=
⎪ ⎪ ⎪
⎪ ⎪ ⎪
⎝⎭⎝⎭⎝⎭
(4)
是各个声源在接收点n的能量的叠加。
利用方程(4)的关系，我们可以在不改变接收点和声源位置的情况下，已知接收点的声压值，反演出声源的值[4]。
本文用CadnaA软件模拟某区域。
该区域内共有6条主要道路，在道路附近设置6个接收点。
选择接收点的位置时，要尽量靠近道路，远离其他声源，使得每个接收点只受一个主要声源作用。
赋予
Inversion Method for Prediction of Traffic
每条道路一个符合实际的声压值，用软件计算得到各接收点的声压值。
然后令每条道路单独作用，计算在每个接收点的声压值，根据方程(1)，可以得到各条道路与接收点之间的衰减量，随即得到方程(4)中的系数矩阵。
在不改变声源和接收点位置的情况下，可以通过接收点的声压值，反推出声源的声压值。
然后假设不知道源的声压级，改变接收点的值，
图1 声源与接收点的位置图
Fig.1 Locations of sound sources and receivers
反演出声源的值。
实验证明，只要不改变接收点位置，由系数矩阵反演得到的声源声压值与真实值非常接近。
并且，接收点的位置越靠近声源，由接收点的误差引起的声源声压值的偏差越小，对于估计声源的真实值越有利。
3反演法绘制噪声地图
噪声地图用不同的颜色表示不同的噪声级，可以直观的反应绘制区域的环境噪声状况。
绘制噪声地图时，准确性非常关键。
本文中提到的反演法，反推得到的声源值十分接近真实值，这为获得准确的交通噪声数据，绘制精确的噪声地图提供了很大的帮助。
通过表1和图2可以看出，由反演法得到的声源值与真实值之间差别很小，均在0.1dB以内。
因S1 S2 S3 S4 S5 S6
真实值71.3 70.2 69.9 69.9 65.9 65.9
反演值71.2 70.3 69.8 69.9 66.0 65.8
表1 道路噪声真实值与反演值
Tab.1 Real sound level and inverse sound level
此，反演得到的声源值可以看作是声源的真实值。
由反演
得到的
数据所
绘制的
噪声地
图与真
实值绘
制的噪声地图几乎没有差别。
由此可见，利用反演法得到的数据具有很高的准确性，由此得到的噪声地图真实可信。
图2 反演声源绘制的噪声地图
Fig.2 Noise map for inverse sources
4 结论
本文通过CadnaA软件模拟数据，并进行反复实验，证明利用系数矩阵反演进行声源的预测有很好的准确性。
将其运用到道路交通噪声的预测中，将对优化噪声地图，提高噪声地图的准确性有很大帮助。
由于接收点与声源之间的距离对反演的准确性有很大影响，所以在选择接收点位置时，选择最佳的测量地点是利用反演方法获得准确数据的关键[5]。
参考文献:
[1]赵秋月. 噪声地图及其在规划中的应用[J]. 四川环境,
2007;26(1):100-102.
Oiuyue Zhao. Noise Mapping and Its Application in Urban Planning[J]. SiChuan Enviroment, 2007; 26(1):100-102.
[2]陈丽文. 城市交通噪声分析及其系统研究[D]. 内蒙古
工业大学，2006级硕士学位论文.
Liwen Chen. Analysis on the noise from urban traffic and study of traffic system[D].I nner Mongolia industrial university, Master's degree thesis, 2006.
[3]张继萍, 吴硕贤. 人工神经网络在道路噪声预测中的应
用[J]. 环境科学学报,1998;18(5):471-477.
Iiping Zhang, Shuoxian Wu. An artificial Neural Network for Noise Prediction[J]. Acta Scientiae circumstantiae, 1998; 18(5):471-477.
[4]Wolfgang Probst. Noise Prediction based on Measuremen-
ts[DB/OL]./fileadmin/user_upl
oad/PDF/Papers/Paper_MeasurementCalculation_Probst_
DAGA2010.pdf.
[5]Reiter, M. et al: Optimizing localization of noise
monitoring stations for the purpose of inverse engineering app lications. Acoustics’08, Paris 2008。