蔡良才，董豪昊，王海服，劉 洲，邵 斌，戴圣睿

(1.93801部隊(duì)，陜西 咸陽(yáng) 712201；2.94804部隊(duì)，上海 200000)

NPD(Noise-Power-Distance)數(shù)據(jù)為對(duì)飛機(jī)噪聲輻射特性的簡(jiǎn)化描述，其將噪聲數(shù)據(jù)處理集成為基準(zhǔn)條件下噪聲級(jí)L為垂直噪聲傳播距離d及功率P的函數(shù)[1-3]。該數(shù)據(jù)為飛機(jī)噪聲環(huán)境影響評(píng)價(jià)基本資料，飛機(jī)噪聲計(jì)算模型及軟件均由其配合修正公式實(shí)現(xiàn)任意位置噪聲計(jì)算[1, 4-6]。NPD 數(shù)據(jù)由飛機(jī)制造商提供，但由于我國(guó)至今尚無(wú)標(biāo)準(zhǔn)軍用飛機(jī)NPD曲線資料，會(huì)影響軍用機(jī)場(chǎng)及軍民合用機(jī)場(chǎng)飛機(jī)噪聲環(huán)境影響評(píng)價(jià)。

為填補(bǔ)空白，曾有研究通過(guò)飛機(jī)噪聲特性測(cè)量建立軍用飛機(jī)NPD數(shù)據(jù)[7-8]，但實(shí)際操作中遇到諸多問(wèn)題，即①小樣本問(wèn)題。噪聲測(cè)量所需數(shù)據(jù)主要為飛行軌跡距測(cè)點(diǎn)最短距離及單次飛行事件噪聲級(jí)。因此在保證測(cè)量過(guò)程順利情況下，飛機(jī)每飛行1次，測(cè)點(diǎn)僅能采集到1組數(shù)據(jù)樣本。為保證數(shù)據(jù)可靠性，要求對(duì)每個(gè)測(cè)點(diǎn)測(cè)量6次以上，并取算術(shù)平均值與90%置信區(qū)間[9]。即每增加1個(gè)測(cè)點(diǎn)，測(cè)量工作量大大增加，從而產(chǎn)生巨大人力、財(cái)力需求。因此，實(shí)際測(cè)量難以密集布點(diǎn)，所得樣本數(shù)量有限。②小范圍問(wèn)題。由于機(jī)場(chǎng)地形地物限制和背景噪聲干擾，實(shí)際測(cè)量時(shí)較難獲得2 km以上數(shù)據(jù)，而為滿足評(píng)價(jià)要求，NPD數(shù)據(jù)應(yīng)給出5 km甚至7 km范圍內(nèi)數(shù)據(jù)，因此面臨由小范圍數(shù)據(jù)外推大范圍數(shù)據(jù)的精度問(wèn)題。③數(shù)據(jù)真實(shí)性問(wèn)題。實(shí)測(cè)數(shù)據(jù)樣本雖為6次測(cè)量結(jié)果平均，但由于機(jī)場(chǎng)本身特殊性及計(jì)算經(jīng)驗(yàn)公式的近似性，樣本值與真實(shí)值間仍存一定偏差，該偏差會(huì)在數(shù)據(jù)外推過(guò)程中放大，導(dǎo)致預(yù)測(cè)值誤差更大。

因此，本文據(jù)現(xiàn)有條件，基于范例推理(Case-Based Reasoning, CBR)與支持向量機(jī)(Support Vector Machines, SVM)等數(shù)據(jù)處理技術(shù)提出經(jīng)濟(jì)可行的預(yù)測(cè)方法。

1 方法設(shè)計(jì)

1.1 預(yù)測(cè)模型選擇

鑒于測(cè)量數(shù)據(jù)小樣本、小范圍及失真問(wèn)題，本文選支持向量機(jī)模型進(jìn)行預(yù)測(cè)。該方法基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，不僅考慮對(duì)漸進(jìn)性能要求，且追求最優(yōu)解，在解決小樣本、非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出特有優(yōu)勢(shì)。SVM作為新型機(jī)器學(xué)習(xí)算法，通過(guò)非線性映射將低維非線性函數(shù)映射到高維空間，但求解SVM無(wú)需獲知非線性映射的具體形式，只需選擇適當(dāng)核函數(shù)，通過(guò)計(jì)算核函數(shù)進(jìn)行優(yōu)化求解[10]。輸入?yún)?shù)為距離lgS，輸出參數(shù)為噪聲級(jí)L，選具有普適性的高斯徑向基核函數(shù)為

(1)

式中：σ2=1為核參數(shù)，經(jīng)反復(fù)試驗(yàn)確定；C=10 000為懲罰因子；e=0.005為不敏感系數(shù)。

1.2 范例推理監(jiān)督

范例推理為實(shí)際經(jīng)驗(yàn)或人工智能的推理方法[11-12]。與傳統(tǒng)專家系統(tǒng)相比，該方法所用主要知識(shí)非規(guī)則而為范例，對(duì)問(wèn)題求解并非通過(guò)規(guī)則鏈推理建立問(wèn)題描述與結(jié)論間一般性聯(lián)系，而是基于過(guò)去處理類似問(wèn)題經(jīng)驗(yàn)及獲取的知識(shí)進(jìn)行類比推理，通過(guò)修改相似范例以適應(yīng)當(dāng)前問(wèn)題。此獨(dú)特求解策略，使其具有良好的自學(xué)習(xí)功能，能有效利用過(guò)去的成功案例較好解決知識(shí)獲取的瓶頸問(wèn)題，因此較適合一般理論模型、領(lǐng)域知識(shí)不完全但經(jīng)驗(yàn)積累較豐富領(lǐng)域。

圖1 范例推理對(duì)NPD預(yù)測(cè)監(jiān)督流程

因建立軍用飛機(jī)噪聲源輻射物理模型較困難，故噪聲特性測(cè)試所得NPD數(shù)據(jù)有限，擬合的NPD曲線精度缺乏足夠說(shuō)服力，使NPD數(shù)據(jù)預(yù)測(cè)陷入困境。范例推理可為該問(wèn)題的解決提供有效手段。已有研究對(duì)各種機(jī)型進(jìn)行大量實(shí)測(cè)，建立NPD數(shù)據(jù)，且廣泛用于各類軟件，如INM軟件幾乎包含所有民用飛機(jī)與100多種軍用飛機(jī)NPD數(shù)據(jù)，此可構(gòu)成龐大范例庫(kù)，為范例推理用于我國(guó)軍用飛機(jī)NPD預(yù)測(cè)，提供有力數(shù)據(jù)支撐。

范例推理在軍用飛機(jī)NPD預(yù)測(cè)中應(yīng)用思路為：以有限測(cè)試數(shù)據(jù)為目標(biāo)范例，通過(guò)范例推理在范例庫(kù)中檢索相似機(jī)型的NPD數(shù)據(jù)為相似范例，用相似范例監(jiān)督NPD數(shù)據(jù)回歸與預(yù)測(cè)。流程見(jiàn)圖1。

2 范例推理監(jiān)督下NPD數(shù)據(jù)SVM預(yù)測(cè)

2.1 范例庫(kù)建立

飛機(jī)噪聲影響因素眾多，① 飛機(jī)聲源因素，即發(fā)動(dòng)機(jī)類型、數(shù)量及安裝方式等；② 聲音傳播因素，即大氣條件、地形及地面特征等；③ 飛行狀態(tài)因素，即操作模式(起飛或著陸)、發(fā)動(dòng)機(jī)功率、速度及側(cè)傾角等。諸多因素交織一起，使整個(gè)飛機(jī)噪聲輻射過(guò)程非常復(fù)雜。NPD算法為對(duì)該輻射特性的簡(jiǎn)化描述，主要表現(xiàn)在給定統(tǒng)一的基準(zhǔn)大氣條件及參考速度確定飛機(jī)沿徑直航線平穩(wěn)飛行的飛行方式、噪聲級(jí)L與垂直噪聲傳播距離d之間關(guān)系，使在描述各型飛機(jī)NPD數(shù)據(jù)時(shí)從氣象條件、速度、轉(zhuǎn)彎側(cè)傾、地形地面等影響中脫離。因此，完整描述一條NPD曲線數(shù)據(jù)需給出飛機(jī)類型、評(píng)價(jià)量類型、操作模式(起飛或著陸)、發(fā)動(dòng)機(jī)功率及不同距離的噪聲級(jí)等信息，而該信息的合并即為完整范例。飛機(jī)類型對(duì)NPD意義主要在于指定聲源類型，而在相似性檢索時(shí)飛機(jī)類型不便直接參與，因此建立范例庫(kù)時(shí)需增加發(fā)動(dòng)機(jī)類型及數(shù)量作為聲源相似性檢索指標(biāo)，飛機(jī)類型僅作為標(biāo)識(shí)符使用。為便于國(guó)際國(guó)內(nèi)數(shù)據(jù)融合，噪聲級(jí)數(shù)據(jù)按INM樣式給出200～25 000 ft范圍內(nèi)噪聲距離。完整范例屬性見(jiàn)表1。

表1 NPD范例屬性表

2.2 范例檢索與相似度計(jì)算

范例檢索極其重要，直接影響范例推理效率及質(zhì)量，且決定范例復(fù)用與修改的難易。為簡(jiǎn)化檢索及相似度計(jì)算過(guò)程，將NPD范例屬性分為兩部分，一部分為噪聲距離數(shù)據(jù)序列，僅含不同距離的噪聲數(shù)據(jù)；一部分涵蓋除噪聲距離數(shù)據(jù)外的其它屬性，稱為范例頭。將范例檢索分兩步：先在范例庫(kù)中檢索與目標(biāo)范例頭相似范例，再計(jì)算噪聲距離數(shù)據(jù)相似度確定相似范例。可在一定程度上避免將噪聲距離數(shù)據(jù)表面相似視為本質(zhì)相似，導(dǎo)致錯(cuò)誤判斷。

2.2.1 范例頭相似性檢索

范例頭屬性有字符型與數(shù)值型兩種。檢索時(shí)先對(duì)字符型進(jìn)行匹配，發(fā)動(dòng)機(jī)類型、評(píng)價(jià)量類型及操作模式會(huì)從本質(zhì)上導(dǎo)致NPD數(shù)據(jù)差異，因此對(duì)屬性檢索采用一票否決制，只有全部與目標(biāo)范例匹配的源范例才能進(jìn)入數(shù)值型檢索。發(fā)動(dòng)機(jī)數(shù)量及其功率會(huì)影響飛機(jī)噪聲大小，對(duì)其相似度計(jì)算可用近鄰法的歐氏距離公式，但考慮其對(duì)飛機(jī)噪聲影響已含在具體噪聲距離數(shù)據(jù)中，因此可跳過(guò)直接進(jìn)行噪聲距離數(shù)據(jù)的相似度計(jì)算。

2.2.2 噪聲距離數(shù)據(jù)相似性檢索

相似性檢索常用近鄰法，通過(guò)距離(如歐幾里德距離，海明距離及切比雪夫距離等)度量目標(biāo)范例與源范例間相似程度。距離越小兩者越相似。該度量方式為模糊度量，只能給出范例所有屬性加權(quán)后綜合結(jié)論，較適用于一般分類問(wèn)題(如邊坡穩(wěn)定性評(píng)價(jià))，因該類問(wèn)題各屬性間通常相對(duì)獨(dú)立，無(wú)需考慮數(shù)據(jù)間約束關(guān)系。NPD數(shù)據(jù)描述噪聲級(jí)隨距離變化關(guān)系，其性質(zhì)類似時(shí)間序列范例，各數(shù)據(jù)間存在某種制約與關(guān)聯(lián)，共同決定未來(lái)數(shù)據(jù)的變化趨勢(shì)。即對(duì)該類數(shù)據(jù)考察不僅在于數(shù)據(jù)本身大小，更重要的對(duì)數(shù)據(jù)背后變化規(guī)律的認(rèn)識(shí)。對(duì)此類數(shù)據(jù)進(jìn)行范例推理目的為找到此規(guī)律，運(yùn)用該規(guī)律指導(dǎo)目標(biāo)數(shù)據(jù)的外推預(yù)測(cè)。顯然，僅通過(guò)計(jì)算目標(biāo)范例與源范例間的歐氏距離無(wú)法獲得此規(guī)律。本文提出基于坡度的相似性搜索算法，通過(guò)對(duì)目標(biāo)范例、源范例噪聲距離數(shù)據(jù)分段處理，求出各點(diǎn)間坡度，用一系列坡度衡量各范例變化趨勢(shì)，考察源范例與目標(biāo)范例間相似程度。

2.2.2.1 坡度計(jì)算

設(shè)某范例在距離序列{Si,i=1,2,…,n}的對(duì)應(yīng)噪聲級(jí)序列為{Li,i=1,2,…,n}，則在圖2的對(duì)數(shù)坐標(biāo)系中NPD曲線從點(diǎn)(lgSi,Li)到(lgSi+1,Li+1)坡度ki可近似為

(2)

按式(2)對(duì)所有點(diǎn)依次計(jì)算即可得坡度序列{ki,i=1,2,…,n-1}。需注意的是，大數(shù)情況下測(cè)試所得噪聲距離數(shù)據(jù)其距離向量并非INM樣式，需對(duì)目標(biāo)范例、源范例數(shù)據(jù)在距離上進(jìn)行統(tǒng)一。將源范例數(shù)據(jù)回歸內(nèi)插可在不損失精度情況下獲得目標(biāo)范例對(duì)應(yīng)距離的噪聲級(jí)。

圖2 坡度計(jì)算示意圖

2.2.2.2 相似度計(jì)算

求出各范例坡度序列后可利用坡度進(jìn)行相似性檢索，獲得與目標(biāo)范例變化趨勢(shì)相似的范例。相似度計(jì)算式為

(3)

式中：σjT為目標(biāo)范例T與源范例庫(kù)中第j個(gè)范例間累計(jì)坡度差；kj(i)為源范例庫(kù)中第j個(gè)范例第i個(gè)坡度值；kT(i)為目標(biāo)范例第i個(gè)坡度值；n-1為坡度總數(shù)。

據(jù)式(3)的物理意義，σjT越小即目標(biāo)范例與源范例間累計(jì)坡度差越小，表明目標(biāo)范例與源范例坡度變化趨勢(shì)越接近，因此可認(rèn)為目標(biāo)范例與源范例越相似。計(jì)算所有相似范例與目標(biāo)范例間累計(jì)坡度差，按由小到大可得排序結(jié)果。

2.3 相似范例對(duì)數(shù)據(jù)預(yù)測(cè)檢驗(yàn)與校正

獲得相似范例目的即為對(duì)數(shù)據(jù)預(yù)測(cè)過(guò)程進(jìn)行監(jiān)督，對(duì)回歸、預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)、校正。該過(guò)程據(jù)坡度進(jìn)行。檢驗(yàn)前需獲得目標(biāo)NPD初始回歸及預(yù)測(cè)結(jié)果，利用SVM模型對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行首次回歸擬合，計(jì)算各INM距離樣式噪聲級(jí)，獲得初始預(yù)測(cè)結(jié)果，對(duì)相似范例進(jìn)行檢驗(yàn)與校正，步驟為：① 對(duì)初始預(yù)測(cè)結(jié)果進(jìn)行坡度計(jì)算，獲得待檢驗(yàn)坡度序列；② 分別計(jì)算該坡度序列與所有相似范例坡度序列間累計(jì)坡度差；③ 對(duì)累計(jì)坡度差按從小到大排序，將排序結(jié)果與前相似性檢索排序結(jié)果對(duì)比，若排序不變說(shuō)明待檢驗(yàn)結(jié)果良好，預(yù)測(cè)結(jié)果有效；排序改變說(shuō)明預(yù)測(cè)結(jié)果需校正；④ 由于曲線回歸誤差主要產(chǎn)生于外推預(yù)測(cè)部分，故校正僅對(duì)較大距離點(diǎn)進(jìn)行。校正起點(diǎn)在實(shí)測(cè)數(shù)據(jù)距離范圍內(nèi)，選取與實(shí)測(cè)數(shù)據(jù)吻合最好的點(diǎn)。采用相似度最大范例進(jìn)行坡度校正，即將相似范例坡度賦給目標(biāo)范例，計(jì)算各點(diǎn)修正值；⑤ 將修正后預(yù)測(cè)數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)并檢驗(yàn)；⑥ 輸出檢驗(yàn)合格的預(yù)測(cè)結(jié)果。

3 實(shí)例驗(yàn)證

為確保數(shù)據(jù)的真實(shí)性及權(quán)威性，本文利用INM軟件中部分飛機(jī)NPD數(shù)據(jù)進(jìn)行驗(yàn)證[4]。按表1建立范例庫(kù)，見(jiàn)表2。取第2組數(shù)據(jù)(F16A-LEPN-D-95)為目標(biāo)范例，其它為源范例。先進(jìn)行范例頭相似性搜索，主要以字符型屬性匹配為主。通過(guò)搜索，第4組評(píng)級(jí)量類型不同，第6組操作模式不同，第9、10組發(fā)動(dòng)機(jī)類型不同，因此對(duì)這些范例不予考慮。由于B2飛機(jī)發(fā)動(dòng)機(jī)數(shù)目與F16A相差過(guò)大，為4:1，故排除該組數(shù)據(jù)。經(jīng)范例頭檢索，與目標(biāo)范例較接近的為第1組(F16A-LEPN-D-96.3)、第3組(F16A-LEPN-D-90)、第5組(F15A-LEPN-D-92.2)及第7組(U2-LEPN-D-100)，對(duì)該4組進(jìn)行相似度計(jì)算，確定其相似排序。為更清楚展示范例推理對(duì)外推預(yù)測(cè)的監(jiān)督作用，對(duì)目標(biāo)范例(F16A-LEPN-D-95)噪聲距離序列，對(duì)假設(shè)當(dāng)前僅測(cè)量的前5個(gè)數(shù)據(jù)進(jìn)行相似度計(jì)算。

表2 范例庫(kù)部分NPD數(shù)據(jù)

3.1 坡度計(jì)算

利用坡度計(jì)算公式，對(duì)目標(biāo)范例及1、3、5、7組源范例噪聲距離數(shù)據(jù)序列進(jìn)行坡度計(jì)算，獲得各范例坡度序列，見(jiàn)表3。目標(biāo)范例因只有5個(gè)數(shù)據(jù)，故其坡度序列只4個(gè)數(shù)據(jù)，其它范例坡度序列均有9個(gè)數(shù)據(jù)。

表3 各范例坡度序列

3.2 相似度計(jì)算

利用相似度公式計(jì)算各源范例與目標(biāo)范例間累計(jì)坡度差，結(jié)果見(jiàn)表4。

表4 相似度計(jì)算結(jié)果

累計(jì)坡度差越小，相似度越大。由表4看出，范例(F16A-LEPN-D-96.3)與目標(biāo)范例相似度最大，各范例相似度排序?yàn)?>5>7>3。

3.3 目標(biāo)數(shù)據(jù)預(yù)測(cè)檢驗(yàn)與校正

檢驗(yàn)前需獲得目標(biāo)范例的初始回歸與預(yù)測(cè)結(jié)果，利用SVM模型對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行首次回歸擬合，預(yù)測(cè)結(jié)果見(jiàn)表5。

對(duì)初始預(yù)測(cè)結(jié)果進(jìn)行坡度計(jì)算，獲得待檢驗(yàn)的坡度序列為

{ki,i=1,2,…,9}={-1.83,-2.16,-2.36,-3.06,

-4.63,-6.19,-7.17,-7.62,-7.40}

(4)

表5 目標(biāo)范例首次回歸預(yù)測(cè)結(jié)果

計(jì)算該坡度序列與所有相似范例坡度序列間累計(jì)坡度差，結(jié)果見(jiàn)表6。由表6看出，初始回歸結(jié)果與相似范例間累計(jì)坡度差均明顯增大，說(shuō)明初始回歸曲線發(fā)展趨勢(shì)與相似范例均出現(xiàn)較大差別；由相似度排序知，初始回歸結(jié)果相似度排序(3>7> 5>1)與目標(biāo)范例(1>5>7>3)截然相反，說(shuō)明初始回歸結(jié)果改變了目標(biāo)范例本來(lái)的數(shù)據(jù)發(fā)展規(guī)律，須對(duì)其進(jìn)行校正。

表6 相似度計(jì)算結(jié)果

采用相似度最大范例進(jìn)行坡度校正，以第5組測(cè)量數(shù)據(jù)即2000 ft處為起點(diǎn)。將范例(F16A-LEPN-D-96.3)的坡度賦給目標(biāo)范例計(jì)算各點(diǎn)較正值，并與實(shí)測(cè)數(shù)據(jù)一起再次進(jìn)行SVM回歸與預(yù)測(cè)，結(jié)果見(jiàn)表7。

表7 校正后目標(biāo)范例預(yù)測(cè)結(jié)果

將校正后預(yù)測(cè)結(jié)果進(jìn)行再檢驗(yàn)，其坡度序列為

{ki,i=1,2,…,9}={-1.83,-2.23,-2.52,-2.81,

-2.85,-2.54,-2.11,-1.65,-1.34}

(5)

計(jì)算該坡度序列與所有相似范例坡度序列間累計(jì)坡度差，結(jié)果見(jiàn)表8。由表8看出，校正后其與相似范例間相似性關(guān)系明顯改善，檢驗(yàn)合格。由此所得目標(biāo)范例為最終預(yù)測(cè)結(jié)果。

圖3為對(duì)目標(biāo)范例(F16A-LEPN-D-95)的SVM回歸預(yù)測(cè)結(jié)果、范例推理監(jiān)督下SVM回歸預(yù)測(cè)結(jié)果及實(shí)測(cè)值對(duì)比。由圖3看出，范例推理已使數(shù)據(jù)回歸與預(yù)測(cè)精度極大提高。

表8 相似度計(jì)算結(jié)果

圖3 范例推理對(duì)預(yù)測(cè)結(jié)果影響對(duì)比

4 結(jié) 論

(1) 本文針對(duì)缺乏軍用飛機(jī)標(biāo)準(zhǔn)NPD曲線，影響各種機(jī)場(chǎng)飛機(jī)噪聲環(huán)境評(píng)價(jià)，而飛機(jī)噪聲輻射理論模型應(yīng)用尚不成熟及對(duì)實(shí)測(cè)數(shù)據(jù)回歸擬合過(guò)程中出現(xiàn)的問(wèn)題，立足現(xiàn)有條件，給出基于范例推理監(jiān)督的支持向量機(jī)預(yù)測(cè)模型。該模型充分利用測(cè)量數(shù)據(jù)本身及背后的演變規(guī)律降低預(yù)測(cè)模型對(duì)數(shù)據(jù)樣本的敏感性及依賴性，可極大提高回歸及預(yù)測(cè)精度。

(2) 對(duì)范例推理在類似時(shí)間序列范例預(yù)測(cè)中如何實(shí)現(xiàn)其監(jiān)督作用缺乏行之有效的方法，相關(guān)研究缺乏有效措施[11]?；谄露鹊南嗨菩詸z索、檢驗(yàn)、修正方法仍待進(jìn)一步研究及完善。

[1] 劉洲, 蔡良才, 方華, 等. 飛機(jī)噪聲計(jì)算通用模型研究[J]. 振動(dòng)與沖擊, 2012, 31(17): 124-128.

LIU Zhou, CAI Liang-cai, FANG Hua, et al. Research on the general model for aircraft noise calculation[J]. Journal of Vibration and Shock, 2010, 31(17): 124-128.

[2] 徐志勝, 曾慶華, 白紅元, 等. 機(jī)場(chǎng)周圍飛機(jī)噪聲預(yù)測(cè)輔助系統(tǒng)[J]. 交通運(yùn)輸工程學(xué)報(bào), 2007, 7(6): 123-126.

XU Zhi-sheng, ZENG Qing-hua, BAI Hong-yuan,et al. Aided system of aircraft noise prediction around airport[J]. Journal of Traffic and Transportation Engineering, 2007, 7(6): 123-126.

[3] 沈洪艷, 劉勁松. 機(jī)場(chǎng)噪聲預(yù)測(cè)模型及應(yīng)用實(shí)例[J]. 河北師范大學(xué)學(xué)報(bào)(自然科學(xué)版), 2000, 24(1): 137-140.

SHEN Hong-yan, LIU Jin-song. Airport noise prediction model and applied example[J]. Journal of Hebei Normal University (Natural Science), 2000, 24(1): 137-140.

[4] 國(guó)家環(huán)境保護(hù)總局. 環(huán)境影響評(píng)價(jià)技術(shù)導(dǎo)則-民用機(jī)場(chǎng)建設(shè)工程[S]. 2002.

[5] Dinges, Hemann, Rickel, et al. Integrated noise model (INM) version 7.0 user’s guide[R]. Washington, D.C.: Federal Aviation Administration, 2007.

[6] Horonjeff R D.Noisemap 5.1 computer program update, operator’s manual[R].AMRL-TR-78-109 Addendum 2, 1986.

[7] SAE Committee A-21, Procedure for the calculation of airport noise in the vicinity of airports[S]. SAE AIR-1845, 1986.

[8] 王治. 某型飛機(jī)噪聲距離特性曲線測(cè)試與研究[D]. 西安：空軍工程大學(xué)，2002.

[9] 中國(guó)民用航空總局. CCAR-36-R1,航空器型號(hào)和適航合格審定噪聲規(guī)定 [S]. 2007.

[10] 李應(yīng)紅, 尉詢楷, 劉建勛. 支持向量機(jī)的工程應(yīng)用[M]. 北京: 兵器工業(yè)出版社, 2004.

[11] Barletta R. An introduction to case based reasoning[J]. Computer Science, 1993, 20(1): 10-14.

[12] 董輝, 侯俊敏, 傅鶴林, 等. 基于范例推理的公路隧道拱頂變形時(shí)序支持向量機(jī)外延預(yù)測(cè)[J]. 巖土力學(xué), 2011, 32(7): 2099-2105.

DONG Hui, HOU Jun-min, FU He-lin,et al. Support vector machine extrapolation prediction of tunnel arch-top deformation time series based on case-based reasoning[J]. Rock and Soil Mechanics, 2011, 32(7): 2099-2105.