随着民航事业的持续发展,航空运输在给人们带来便捷和繁荣的同时,也带来了一系列的环境问题,而机场噪声污染问题尤为严重。为了更好地安排航班班次,合理地规划机场布局,有效地防治噪声污染,需要掌握机场噪声的动态变化规律并进行机场噪声预测。现存的机场噪声预测方法中大多数缺乏学习能力和推广性,得到的模型无法随着机场实时数据而进行修正和优化,所以预测精度的很难提高。为解决这些问题,需要对机场噪声增量学习预测模型进行研究。本文的主要工作如下:(1)总结并分析传统增量过程中冗余数据的约减方法,结合信念修正思想,提出基于AGM理论的冗余数据约减方法,旨在解决海量高维噪声数据的存储问题,并不断提高训练集样本的质量,从而增强模型的预测精度和鲁棒性。(2)提出机场噪声预测SVR在线增量模型,对采集的数据进行实时分析及处理,既可以减少数据存储开销,又可以及时地根据新增数据信息对模型进行调整,保证模型的预测精度。机场噪声预测SVR在线增量模型根据新增样本的特点判断是否调整当前的预测模型,通过引入样本相似性度量来保证训练样本的质量,并结合样本标记的方法和误差驱动的原则实现对历史样本的删减。(3)针对数据分析及处理能力不足以及系统故障导致的实时数据累积问题,提出机场噪声预测SVR批增量模型。该模型抛弃传统的模型依赖的增量学习算法,从历史样本信息中提取相似样本集,根据相似样本集和新增数据的特点选择相应的相似样本集建立模型进行预测,然后对相似样本集进行修正,调整当前认知状态。同时,提出了相似情形的概念,强调周边样本在预测中起到的重要性。