一种航空噪声识别方法

摘要

本发明公开了一种航空噪声识别方法，以泛网格化机场噪声感知为前提，在监测区域内布置密集、均匀分布的噪声检测设备，根据各监测设备之间的位置相互关系与其产生的实时噪声监测值，实现泛网格化机场噪声感知的航空噪声识别。

权利要求

1.一种航空噪声识别方法，其特征在于，通过整个监测区域内噪声监测点的噪声值，计算每个目标监测点相对于临近监测点的噪声值差异，并计算其噪声增长向量；计算整个监测区域监测点噪声增长向量与一点到该监测点位置的距离向量的内积，并求出其最大值作为存在航空噪声源的存在程度大小，若存在程度大小大于设定阈值，则表明监测区域存在航空噪声源，而该点则是航空噪声源所在地面投影的估计位置。

说明书

一种航空噪声识别方法

技术领域

[0001] 本发明涉及一种航空噪声识别方法，属于噪声监测技术领域。

背景技术

[0002] 近些年，虽然我国民航事业发展十分迅猛，但是空运资源依然十分紧张。无论是基础设施方面，还是机场数量和容量都已处于严重不足的状态。据统计，2010年年末全国吞吐量排名前50位的机场中，有26个机场容量饱和，预计其他24个机场在2015年也将达到饱和。为了解决空运资源紧张的问题，全国规划到“十二五”末期民用运输机场数量达到230个以上。而2011年实际新增的机场只有5个，2012年3个，2013年年初预计新增14个的机场，但实际只建成10个。究其原因，是由于机场噪声污染严重影响了我国民用机场的建设速度。据中国民航总局的研究报告统计：在我国，有超过150个民用机场存在噪声污染问题，这其中将近三分之一的机场噪声污染问题十分严重。随着人民群众对生活环境质量要求的日益提高，日益严重的机场噪声污染问题引发了民间反对机场建设的浪潮，使机场经营者渐趋被动，所承受的舆论压力也越来越大，严重影响和制约着我国民航业的可持续发展。

[0003] 目前世界上大部分发达国家的主要机场都已安装应用了机场噪声监测系统，如德国法兰克福机场(Fraport)在机场周围增加了两个监测站，以及一些移动检测设备，来监测飞机噪声情况；比利时的布鲁塞尔机场设置了21个噪声监测设备不间断地提供周围的噪声情况，可以生成一天的平均噪声大小分布比例和等值线图。国内的北京首都国际机场、香港国际机场、台湾桃园国际机场等主要机场也使用着类似的监测系统。机场噪声监测系统可以实现对机场噪声的全天监测，其监测数据作为机场噪声污染的可靠依据，极大的方便了机场管理者对噪声实施综合管控。但现有的机场噪声监测系统均采用传统监测模式，监测节点的成本高昂，节点对布置环境要求高，系统稳定性差，数据传输模式固定，传输线路铺设和后期维护的成本很高。由于上述原因，传统监测模式不可能实现机场噪声监测节点的大规模密集部署，也不能实现对机场及其周界噪声的全面度量。

[0004] 针对机场噪声感知的全面实时感知需求，已有的物联网理论成果为机场噪声感知的研究提供了理论基础及实践经验。但是这些研究大多针对通用的物联网技术或特定应用场景，在机场噪声感知方面还没有研究和应用先例。基于物联网理论，以大量的噪声监测设备均匀、密集、广泛的布局在机场环境周围，形成泛网格化的布局，对机场周围提供全方面实时的噪声感知数据。

[0005] 当前普遍的噪声识别方法是对噪声的频率进行分析判别，主要有通过小波分解、降噪等方法，以此分离出需要识别的噪声信号，并对其进行识别与判定；或者在此基础上，通过使用数据挖掘中分类、聚类等方法，对噪声情况进行识别与分类。但是上述噪声识别方法仅使用了单个噪声监测点的噪声数据进行分析，不仅忽略了泛网格环境下众多的监测点的特性，也没有考虑各监测点数据间的相关性。若考虑多监测点数据，对各监测点的噪声数据均进行分析，将会大大增加其计算量，但由于各检测点噪声数据变换后在频率上的相似度较高，因而并不能够显著提高其噪声的识别水平。

发明内容

[0006] 本发明所要解决的技术问题是提供一种航空噪声识别方法，在机场周围布局均匀、密集、广泛的噪声监测设备，并且各监测点能够实时的产生噪声值，以此获得实时的泛网格化机场噪声监测数据。由于非航空噪声相对航空噪声而言声强较小，其噪声影响随距离的变大明显衰减及消除，噪声影响半径较短，能够影响的监测点数目较少，因此可以根据目标监测点及附近监测点的噪声值差异，计算相邻监测点之间噪声的相似度关系，判别是否属于非航空噪声覆盖，进而进行过滤操作。而航空噪声的影响半径较远，往往能够达到几公里之多。因而在航空噪声的情况下，足够多广泛分布的噪声监测点会受到影响，以此判别航空噪声的存在。根据监测点噪声的分布情况，计算各个监测点之间的噪声增长向量，判别噪声增长方向是否指向同一方向或是否聚集于同一位置，计算其航空噪声可能性大小，以此判别是否存在航空噪声，大概估计其范围。

[0007] 本发明为解决上述技术问题采用以下技术方案：

[0008] 一方面，本发明提供一种非航空噪声过滤方法，通过目标监测点与临近监测点之间的噪声值大小，建立噪声监测网格，并分别计算水平方向、垂直方向以及两个对角线方向上的噪声波动情况；基于干扰噪声点的孤立性，对噪声波动情况进行放大预处理，选取最合适方向并对该方向上噪声情况进行相似度分析，若相似度低于设定阈值，则存在非航空噪声干扰，对其进行过滤操作，否则不对其进行过滤。

[0009] 作为本发明的进一步优化方案，目标监测点与临近监测点构成以目标监测点为中心的3×3噪声监测网格。

[0010] 另一方面，本发明提供一种航空噪声识别方法，通过整个监测区域内噪声监测点的噪声值，计算每个目标监测点相对于临近监测点的噪声值差异，并计算其噪声增长向量；计算整个监测区域监测点噪声增长向量与一点到该监测点位置的距离向量的内积，并求出其最大值作为存在航空噪声源的存在程度大小，若存在程度大小大于设定阈值，则表明监测区域存在航空噪声源，而该点则是航空噪声源所在地面投影的估计位置。

[0011] 另一方面，本发明提供一种航空噪声识别及非航空噪声过滤方法，首先，采用非航空噪声过滤方法，过滤非航空噪声；其次，采用航空噪声识别方法，估计航空噪声源的位置。

[0012] 作为本发明的进一步优化方案，若监测区域内某监测点处缺失噪声值，则以其最近N个点噪声值的反距离加权均值替代，N为正整数。

[0013] 本发明采用以上技术方案与现有技术相比，具有以下技术效果：

[0014] 1、本发明根据各监测点设备之间的相互位置关系与其产生的实时噪声监测值进行分析，可以实现基于机场噪声感知的航空噪声识别及非航空噪声过滤。本发明大大提高了航空噪声的识别正确率，为航空噪声的合理管理提供了重要依据；

[0015] 2、本发明能够对机场周围监测区域产生的非航空噪声源进行识别同时对非航空噪声源进行过滤；对监测区域内的航空噪声源进行识别判定，确定机场周围监测范围是否有飞机起降；预估飞机大概位置。本发明不仅可以有效的过滤非航空噪声，对于飞机大概位置的预估也可以为飞机起飞的航线规划提供可靠依据；

[0016] 3、本发明能够为进一步实现机场噪声实时等值线绘制，为飞机航迹再现等提供判别条件和理论依据，为对我国机场建设做出巨大贡献，对我国航空事业发展具有重要意义。

具体实施方式

[0017] 下面对本发明的技术方案做进一步的详细说明：

[0018] 航空器的噪声一般影响范围较广，当航空器进入机场噪声监测范围时，由于物联网大范围感知的特性，多个噪声监测点均可监测到噪声的波动，且噪声分布具有明显的趋势。而如果是一般的汽车鸣笛或动物叫声等，因其声音强度较航空器噪声小的多，噪声衰减过程中会影响的范围较小，往往只有声源周围2、3个监测点监测的噪声值会发生变化，而其他噪声监测点则不会产生明显的变化。

[0019] 非航空噪声过滤算法

[0020] 通过邻近监测点间监测值的关联相似性分析，可以将局部区域监测到的干扰噪声源滤除，能够提高航空器噪声识别的精确度。算法具体过程如下：

[0021] 在泛网格化的监测点布局中，监测点依照网格情况分布，但允许监测点的位置存在偏差及监测点的缺失等。若某点处缺失噪声值情况，先以其最近N个点噪声值的反距离加权均值替代。

[0022] 为判断某点P(x，y)是否存在非航空噪声时，选择以P(x，y)为中心点的3×3噪声监测网格W，

[0023] W＝{P(i-1,j-1),P(i-1,j),P(i-1,j+1),P(i,j-1),P(i,j),P(i,j+1),P(i+1,j-1),P(i+1,j),P(i+1,j+1)}

[0024] 其中，i表示噪声监测网格的横坐标，j表示网格的纵坐标。对该噪声监测网格W中的监测节点按表1进行方向标记。

[0025] 表1噪声监测网格W

[0026]NW N NE
W P(x,y) E
SW S SE

[0027] 取该网格中的4个子集(id为监测网格中各方向上邻近监测点的噪声值，d表示监测网格中所表示的8个方向)：

[0028] W1＝{iNW,P(x,y)，iSE}

[0029] W2＝{iW,P(x,y)，iE}

[0030] W3＝{iSW,P(x,y)，iNE}

[0031] W4＝{iN,P(x,y)，iS}

[0032] 求取得的4个子集的标准差，并找出最小的那组，记为Wmin。标准差越小，则说明该组数据的波动越小，它们的噪声监测值就越接近。

[0033] 对最小的那组的中心点的噪声值进行加强处理，即Wmin*L，其中L＝[-1,3,－1]，得到新的中心点监测值P(x,y)'。如果中心点为干扰噪声源，通过上述的加权处理，可以将该监测点的噪声值进一步突出，增大该监测点与周围正常监测点之间的差值，结合下文中的相似性计算能更好地检测出干扰噪声源的存在。如果中心监测点为正常噪声，即附近不存在非航空噪声源，则其检测到的噪声值应与邻近监测点的噪声值非常接近，加强后中心点噪声值几乎不变，因此不会对下文中的相似性计算造成影响，也不会被误判为干扰噪声点。

[0034] 经过上述处理，网格中心点变为P(x，y)'，将网格W内除中心点P(x，y)'外的其他监测值组成新序列，得到新序列B＝{B(1),B(2),B(3),B(4),B(5),B(6),B(7),B(8)}，并将其中每个元素与P(x，y)'进行相减，对所有差值取绝对值得到

[0035] Dj＝|B(j)-P(x,y)'|

[0036] 其中1≤j≤8。考虑虑算法的容错性，及中心监测点周围不存在非航空噪声源，而周围的监测点周围存在非航空噪声源时，该噪声点受影响，而其他7个噪声监测点及中心噪声监测点则受影响较小，因此，我们从Dj中选出最小的4个值构成新的一维矩阵，以此可以除去受边上影响噪声点。

[0037] D＝{Di}，其中1≤i≤4。

[0038] 对于监测网格W，如果中心点为干扰噪声点，那么基于噪声点的孤立性，D中4个元素的值将会比较大；反之，如果中心点为正常监测点，则D中的4个元素的值较小。为了表示中心点与邻近监测点之间的相似性程度，定义一个新函数T，表示如下式所示：

[0039]

[0040] 其中：Di表示上述新矩阵D中的元素，t为判断噪声的阈值。如果T

[0041] 航空噪声识别算法

[0042] 与非航空噪声过滤算法相同，航空噪声的识别需要对各个目标监测点计算其与周围监测点的相似度。由于航空噪声的影响范围较广，噪声衰减与噪声监测点与噪声源之间距离的对数相关，而且飞机噪声源与监测点距离不会太近，至少是百米的距离，因此，相互临近的几个噪声监测点的噪声值相差不大，不会被非航空噪声过滤算法误识别。同时，各监测点与噪声源之间距离的远近，会影响噪声值上的大小。W1＝{iNW,P(x,y)，iSE}，W2＝{iW,P(x,y)，iE}，W3＝{iSW,P(x,y)，iNE}，W4＝{iN,P(x,y)，iS}中，各监测点由于其距离噪声源位置的远近，除非噪声源就在P点附近，或者这些监测点距离航空噪声源距离太远，这些监测点之间的距离相对到航空噪声源的距离太小，导致其噪声值都相差不大；否则W1，W2，W3，W4序列会形成递增或递减序列。根据各方向上噪声值增加或减少的程度，可以判别噪声增长的方向，或噪声源的方向。具体算法步骤如下：

[0043] 假设机场周围监测点布局是一个M*N的泛网格化网络。对于每一个附近存在噪声检测设备的网格点，对其计算非航空噪声判别及过滤算法，将过滤后的网格设为矩阵A＝[aij],(1≤i≤M,1≤j≤N)，其中aij对应网格点的噪声值。

[0044] 当存在航空噪声时，航空噪声的覆盖区域为以航空噪声源为圆心，影响半径在1Km以上的的圆形区域。大范围内监测点监测到的噪声值都会受到航空噪声的影响，而其噪声值的大小主要依赖监测点到航空噪声源的距离。因此我们使用矩阵 用于表示各网格点对应的噪声增长向量。

[0045] 对于A中过滤后的每一个网格点，对以其为中心的3*3网格的W1，W2，W3，W4进行判断，若Wi(1≤i≤4)是一个递增或递减序列，则标记出其噪声增长方向，否则不对其进行标记。对W1，W2，W3，W4的噪声增长方向进行向量相加， 其中 是Wi的噪声增长向量。

[0046] 设(x,y)为当前点的坐标，经过滤算法可得到矩阵A，并进一步得到B，计算矩阵B中各噪声增长向量指向同一区域的程度： 其中，(xi,yj)表示第i行第j列网格点的坐标，α表示距离平衡权重，网格点距离(x,y)距离越远，权重越小，来表示其指向同一区域的程度大小，也就是航空噪声存在可能性的大小。t表示其存在航空噪声的阈值，即T>t表明存在航空噪声，在存在航空噪声源的情况下，则(x,y)是航空噪声源所在地面投影的估计位置。若T

[0047] 以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。