一种BP神经网络机场噪声预测模型

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。

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。

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
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。

BP神经网络在地震资料去噪中的应用BP神经网络（Back Propagation Neural Network）是一种常用的人工神经网络模型，其在地震资料去噪中具有广泛应用。

地震资料中包含了大量的噪声，这会对地震的解释和分析造成干扰。

进行地震资料去噪是提高地震解释和分析准确性的重要步骤。

而BP神经网络可以通过学习样本数据的特征来建立模型，从而对噪声进行有效的去除。

BP神经网络的应用主要分为两个步骤：训练和预测。

训练阶段是通过将有噪声的地震资料和已知的无噪声地震资料作为输入输入神经网络，利用反向传播算法迭代调整网络的权值和阈值，从而使得网络的输出接近于无噪声地震资料。

这样，神经网络就能够学习到噪声的特征，并能够对新的输入数据进行去噪处理。

BP神经网络在地震资料去噪中的应用具有许多优势。

BP神经网络能够对非线性的地震噪声进行建模，从而可以更好地应对各种复杂的噪声情况。

BP神经网络可以通过训练大量数据来学习地震噪声的特征，从而提高去噪效果。

BP神经网络还能够很好地处理多维地震资料，对于高维度地震噪声的去除也具有较好的效果。

BP神经网络在地震资料去噪中也存在一些挑战。

BP神经网络需要大量的训练数据来学习地震噪声的特征，而地震资料的获取成本较高，样本数据的获取相对较为困难。

BP神经网络在训练过程中容易陷入局部极小值，导致无法收敛或者收敛到错误的结果。

需要进行合理的网络设置和算法优化来提高网络的训练效果。

BP神经网络在地震资料去噪中具有重要的应用价值。

通过合理的训练和预测，能够有效地去除地震数据中的噪声，提高地震解释和分析的准确性。

随着神经网络算法的不断发展和改进，BP神经网络在地震数据处理中的应用前景将更加广阔。

BI YE SHE JI（20 届）基于BP神经网络的信号去噪算法的仿真设计所在学院专业班级自动化学生姓名学号指导教师职称完成日期年月- 5 -摘要近年来，随着信号处理技术的不断发展与进步，信号去噪成为信号处理与研究的重要基础。

传统的去噪方法均需要预知信号的特征与频谱分布情况，而现实生活中，对于某些随机信号往往特性未知。

人工神经网络技术具有自组织、自学习、平行处理等特性，为信息不可预知的信号去噪提供了途径。

本文基于BP网络对脑电信号进行去噪处理，并与传统的叠加平均方法进行比较。

仿真结果表明，传统的平均法需要叠加很多次才能产生去噪效果，并且精度比较低，而神经网络技术可以很好的提高信号的去噪精度，充分体现了神经网络技术在信号处理中的优越性。

关键词：去噪，叠加平均，BP网络- 5 -AbstractIn recent years, with the signal processing technology continues to evolve and progress, for signal processing and research signal denoising has become an important foundation. Traditional denoising method to predict the characteristics and spectrum of the signal distribution, real life, often for some random signal characteristics unknown.The artificial neural network technology with self-organizing, self-learning, parallel processing and other features, provides an avenue for information unpredictable signal denoising.EEG signal denoising based on BP network, and compared with the superposition of the average method. Simulation results show that the traditional average method requires the superposition of many times to produce denoising, and the accuracy is relatively low, and neural network technology can be good to improve the accuracy of signal denoising, fully reflects the neural network technology is superior in signal processing sex.Keywords: denoising, superimposed on the average, BP network- 5 -第一章绪论1.1 研究本课题的目的与意义十九世纪九十年代的时候，相关科学家在误差反向传播理论的基础上提出了误差反向传播(Back-Propagation)学习算法，即误差反向传播神经网络算法。

BP神经网络在地震资料去噪中的应用BP神经网络是一种常用的人工神经网络模型，它能够通过训练样本对复杂的非线性关系进行建模和预测。

在地震资料处理中，噪声的存在会给地震信号的分析和解释带来困难，因此利用BP神经网络进行地震资料去噪是一种有效的方法。

BP神经网络的输入层可以接受地震记录中的原始数据，如地震波振幅和时间序列等。

然后，通过一系列隐藏层的处理，网络能够提取特征并学习输入数据中的非线性模式。

输出层可以生成去噪后的地震信号。

在BP神经网络的训练过程中，需要使用已知去噪后的地震数据作为训练样本。

训练过程中，神经网络通过反向传播算法来调整各层之间的连接权重，以最小化原始数据和对应的去噪后数据之间的误差。

通过反复迭代训练过程，网络逐渐学习到去噪的能力，并能够对未知数据进行有效的去噪处理。

BP神经网络的优点在于它能够捕捉到输入数据的复杂非线性关系，因此对于地震信号的去噪效果较好。

BP神经网络还具有高度的灵活性，可以根据不同的地震数据特点进行调整和优化。

BP神经网络还可以通过增加隐藏层的节点数和增加训练样本的数量来提高去噪的效果。

BP神经网络也存在一些不足之处。

网络的训练时间较长，尤其是在大规模的地震数据集上训练时。

BP神经网络容易陷入局部最优解的问题，导致去噪效果不佳。

网络需要大量的计算资源和存储空间来进行训练和预测，这对于一些计算能力有限的设备来说可能是一个挑战。

BP神经网络是一种有效的方法来处理地震资料的去噪问题。

它通过学习输入数据中的非线性模式，可以准确地捕捉地震信号的特征，从而实现对地震数据的去噪处理。

BP神经网络还有待进一步改进和优化，以提高其在地震资料处理中的应用效果。

BP神经网络在地震资料去噪中的应用BP神经网络是一种常用的人工神经网络，具有强大的非线性映射能力和逼近能力，被广泛应用于各种领域，包括地震资料的去噪。

地震资料的去噪是地震勘探中非常重要的一步，可以提高地震资料的质量，帮助地震解释和油藏预测。

本文将探讨BP神经网络在地震资料去噪中的应用，分析其原理和优势，并展望其在地震勘探中的发展前景。

一、BP神经网络原理BP神经网络是一种前向反馈的人工神经网络，由输入层、隐层和输出层组成。

其原理是通过权值的调整来实现输入与输出之间的映射关系。

BP神经网络可以通过反向传播算法来不断调整权值，使得网络的输出与期望输出之间的误差最小化。

通过多次迭代，BP神经网络可以学习和记忆输入与输出之间的复杂非线性关系，从而实现对未知数据的预测和分类。

二、地震资料去噪的问题地震资料是地震勘探中获取的地下结构信息，但由于地下介质的复杂性和地震接收系统的限制，地震资料中常常存在各种噪声，包括自然噪声和人为噪声。

这些噪声会影响地震资料的解释和分析，降低地震勘探的效果。

地震资料的去噪成为地震勘探中的关键问题。

传统的地震资料去噪方法主要包括滤波、小波变换和奇异值分解等，这些方法在一定程度上可以降低地震资料中的噪声。

这些方法往往需要对地震资料的统计特性和信噪比进行较为准确的先验估计，而实际地震资料往往具有非线性、非平稳和复杂的特性，传统方法的效果往往不理想。

BP神经网络具有优秀的非线性映射和逼近能力，可以很好地处理地震资料中复杂的非线性噪声。

通过对地震资料进行有效的特征提取和非线性映射，BP神经网络可以学习地震资料中的噪声模式，并实现对噪声的准确去除。

BP神经网络不需要对地震资料的统计特性进行先验估计，具有较强的适应能力和鲁棒性，可以很好地处理不同类型和不同信噪比的地震资料。

在实际应用中，可以将地震资料的去噪问题看作是一个非线性映射和优化问题，通过构建合适的BP神经网络结构和损失函数，可以实现地震资料的端到端学习和自适应去噪。

第１０卷第４期空　军　工　程　大　学　学　报（自然科学版）Ｖｏｌ．１０Ｎｏ．４２００９年８月ＪＯＵＲＮＡＬＯＦＡＩＲＦＯＲＣＥＥＮＧＩＮＥＥＲＩＮＧＵＮＩＶＥＲＳＩＴＹ（ＮＡＴＵＲＡＬＳＣＩＥＮＣＥＥＤＩＴＩＯＮ）Ａｕｇ．２００９倡栘应用遗传算法和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（海军工程大学　天津校区，天津　３００４５０）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。

关键词：遗传算法；ＬＭ优化算法；ＢＰ神经网络；机场道面；预测ＤＯＩ：１０畅３９６９／ｊ畅ｉｓｓｎ畅１００９－３５１６畅２００９畅０４畅００３中图分类号：Ｖ３５１畅１１；ＴＵ４７２　文献标识码：Ａ 文章编号：１００９－３５１６（２００９）０４－００１１－０４将遗传算法与神经网络相结合进行预测，就是基于遗传算法良好的全局搜索性能对网络初始权值进行优化，利用遗传算法可逼近最优解的特性，在可能的解空间中定位出一个较好的搜索空间，然后利用ＬＭ优化算法加速神经网络在该小空间的收敛，同时避免神经网络训练陷入局部最小。

本文将遗传算法应用到机场道面使用性能的预测中，建立了基于遗传算法和ＬＭ优化的神经网络预测模型。

１　算法分析１畅１　ＢＰ神经网络 在众多的ＡＮＮ预测模型中，多层前向网络（Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ，ＢＰ）模型是目前应用最广泛的模型［１］。

其训练过程是信息的正向传递与根据误差的逆向修正权重的过程，所以又被称为“误差逆传播算法”［２］。

ＢＰ网络存在易陷入局部极小点、收敛速度慢、网络的隐层节点数难以确定和网络的记忆回想力差等缺陷。

基于BP神经网络的电梯噪声评价方法电梯噪声是指电梯运行时产生的噪声，对居民的生活和工作环境产生了不良影响。

因此，如何评价电梯噪声并采取措施减少噪声成为一个重要问题。

本文提出了一种基于BP神经网络的电梯噪声评价方法。

1. 数据采集和预处理在电梯运行时，我们使用一个声音传感器来采集噪声数据。

数据采集的位置应该是接近电梯的，例如电梯轿厢内、轿厢与楼层间的门厢以及轿厢周围等位置。

采集到的音频信号需要进行数字化处理，得到时域和频域特征变量。

我们选取频谱密度、谐波含量、信号能量等几个特征，作为BP神经网络输入层的变量。

2. BP神经网络模型设计BP神经网络是一种有监督学习方法，可以通过训练得到一组权值和偏置值，将输入层中的特征变量映射到输出层中的评价指标。

我们选取噪声评价指标为声级和噪声频率分布，这两个指标比较能够反映出电梯噪声对人类健康的影响。

BP神经网络模型可分为三层：输入层、隐藏层和输出层。

输入层的节点数是选定的特征变量个数；隐藏层的节点数是根据经验确定的，一般在输入层节点数的1-2倍之间；输出层的节点数是评价指标的个数。

3. 模型训练与测试在模型训练过程中，我们要将已知的噪声数据集分为训练集和测试集。

训练集用来训练BP神经网络模型，测试集用来测试模型的泛化能力。

模型训练的目标是减小输入变量和输出指标之间的误差，使模型具有更好的拟合性能。

4. 电梯噪声评价方法研究利用已训练好的BP神经网络模型，我们可以对新采集的噪声数据进行评价。

根据输入的特征变量值，BP神经网络就可以计算出声级和噪声频率分布等评价指标。

经过多次测试，得出的评价结果可作为电梯噪声评价的依据，为有效地控制电梯噪声提供了条件。

总的来说，基于BP神经网络的电梯噪声评价方法较为简单，通过对输入特征变量的处理和BP神经网络模型的训练，可以很好地评价电梯噪声对人类健康的影响。

同时，该方法还可以为工程师提供一定的参考意见，以便他们采取适当的措施控制电梯噪声。

基于BP 神经网络城市环境噪声预测及实证研究马俊文　(北京市环境保护监测中心,北京100044)摘　要:城市噪声污染严重影响着人们的生活与工作,采用合适的方法对噪声污染进行评价并预测,进而提出有效的预防及治理措施是噪声污染防治的关键问题,文章利用灰色关联分析选取了影响环境噪声的主要因素,采用BP (Backpropagation ,BP )神经网络对北京市1994～2006年的环境噪声污染进行评价并预测,验证结果误差较小,说明基于灰色关联的BP 神经网络能够有效地对城市环境噪声污染进行评价和预测。

关键词:北京环境噪声;BP 神经网络;预测中图分类号:X 826 文献标识码:A 文章编号:100226002(2009)0520083205The Forecast and Demonstration R esearch of U rb an E nvironment N oise B ased on BP N eural N etw ork M A Jun 2wen (Beijing Environmental Protection M onitoring Centre ,Beijing 100044,China )Abstract :The urban noise pollution in fluence people πs life and w ork seriously ,use the appropriate method to carry on the appraisal and forecast of the noise pollution ,then proposed the effective prevention measures is the key question about noise pollution prevention ,the article have selected the primary factors which in fluence the urban environment noise through the gray correlation analysis ,used the Back propagation (BP )neural netw orks to carry on the appraisal and forecast of Beijing πs urban environment noise from year 1994to 2006,the con firmation result error was small ,showed the BP neural netw ork based on the gray correlation analysis is the effective way to appraise and forecast the urban environment noise pollution.K ey w ords :Beijing urban environment noise ;BP neural netw orks ;F orecast收稿日期:2008212220作者简介:马俊文(1979-),男,北京人,工程师. 近年来环境噪声已成为一种严重公害,环境噪声污染越来越受到人们的重视。