论文部分内容阅读
近年来随着民航事业的迅速发展，机场噪声越来越成为人们关注的话题。借助机场噪声监测点数据集挖掘机场噪声分布情况和发展趋势，才能为有效地预测并采取有效措施防治飞机噪声污染和有计划地开发利用机场及周边区域的土地提供重要的科学依据。本文主要研究的是机场噪声监测点噪声值之间的关联规则。关联规则是目前数据挖掘与知识发现的主要研究内容之一，侧重于确定数据中不同属性之间的联系，找出满意约定支持度(Support)和信任度(Confidence)阈值的多个属性之间的依赖关系。自1993年R.Agrawal，R.Srikant首次提出该问题来，已经出现了许多关联规则挖掘算法。本文的工作主要分为以下几个方面：1)研究当前主要的关联规则挖掘算法。研究当前主要的关联规则挖掘算法，并分析总结各种算法存在的优势和不足。2)研究机场噪声监测点数据集的特点。根据监测点数据集的特点，本文采用DENCLUE算法对监测点数据集进行聚类，并根据改进的爬山算法找出每一类中的代表点。3)分析机场噪声监测点数据集的影响因素。监测点噪声值主要与天气、温湿度、航迹、跑道、机型等信息密切相关。本文采用了灰色关联度分析法对同一航班不同机型的噪声影响进行分析，并进行了实验验证。结果表明，灰色关联度分析方法在对于影响噪声值条件的选择具有可行性。4)建立关联规则的初始集。首先根据噪声值的分贝数，删除那些非噪声事件的噪声值，然后再根据航迹，删除非航迹上的监测点的噪声值，最后采用等分法将噪声值转变为噪声值区间。5)挖掘监测点噪声值之间的关联规则。本文应用Apriori算法挖掘关联规则，并指出了Apriori算法的不足，在此基础上提出了ATNSOA-Apriori算法，最后将两者进行了实验对比。结果表明ATNSOA-Apriori算法更有效率。6)关联规则的数量的回归分析。利用回归分析法设计几种回归方程，然后利用复相关系数检验各个回归方程的拟合效果，最后用显著性检验来验证参数的系数是否显著为零。本文采用复相关系数最大的回归方程作为最优方程来预测给定参数下的关联规则的数量。