臺灣博碩士論文加值系統

本研究以南部某航空站為例，擷取噪音監測資料庫中各季飛行時段及非飛行時段最大噪音值及5型航空器之噪音紀錄，設定最大噪音量監測值為依變數（Dependent variable），另將各季飛行時段及非飛行時段及5型航空器飛行事件之主要氣象參數(例如風向、風速、溫度、溼度、氣壓等)資料等視為自變數（Independent variables），採用皮爾森相關係數法（Pearson Correlation Coefficient）方法及P值檢定法計算各自變數與依變數間關聯強度，再將關聯度最大之自變數配合各季飛行時段及非飛行時段噪音值分析相關性，並以類神經網路（Artificial Neural Networks，ANN）方法，探討建立各季飛行時段及非飛行時段最大噪音及5型航空器最大音壓預測模型之適用性。研究結果顯示，航空站於各季飛行時段噪音振幅較大，而非飛行時段振幅小，噪音強度與溫度及溼度間具關聯性；經擷取飛行時段及非飛行時段溫度及氣壓參數配合噪音值以類神經網路分析（ANN），應用於各季飛行時段及非飛行時段噪音強度預測，發現飛行時段航空站噪音因數值高低變化過大，導致預測誤差過大；而非飛行時段則因噪音數值變化較小，因此預測值接近實際值，顯示氣象參數與噪音間具有關聯性。而在5型航空器最大音壓之預測建模，不論在模擬及預測結果上，均接近實際值，驗證航空器噪音量與氣象參數間有一定之關聯度；未來可依據氣象參數預測最大音壓，作為現行噪音監測系統與作業之精進、及制定相關管制策略之參考工具。

This study takes the maximum noise value from both day and night during every season and the five types of aviation noise monitored and recorded from a data base at a certain southern Airport. It sets the maximum noise events data as a Dependent variable parameter and meteorological data of day and night in every season and five type events as an Independent variable parameter. These include wind direction, wind speed, temperature, relative humidity, and atmospheric pressure. The Pearson Correlation Coefficient method and P-Value were use to find correlation between Dependent variable parameters and Independent variable parameters. it chooses the maximum correlation umber and through Artificial Neural Networks, develops a model for predicting the maximum noise level of both day and night in every season and the five types of aviation events. The result of research reveals that day’s noise amplitude at the airport was larger than the night amplitude in every season. It also showed that the noise correlated with temperature and atmospheric pressure. After processing day and night’s temperature and atmospheric pressure factors with related noise value, an artificial neural network method was applied for the prediction of day and night’s noise level. The results showed the airport noise level amplitude was too high causing prediction error to be too large. But night’s noise level amplitude was smoother; the prediction result was more precise. In the prediction model of maximum noise level of five types of aviation events, no matter in simulation or prediction, the result was more precise. This has proved that positive correlation exists between the aviation noise level and meteorological parameters. It is available to predict aviation maximum noise level through the meteorological parameters in the future, and improve noise monitor system in operation and provide reference for ruling association policy.

中文摘要 ----------------------------------------------------------------------------- i
英文摘要 ----------------------------------------------------------------------------- ii
目錄 ----------------------------------------------------------------------------- iii
表目錄 ----------------------------------------------------------------------------- v
圖目錄 ----------------------------------------------------------------------------- vi
一、 緒論---------------------------------------------------------------------------- 1
1.1 研究動機----------------------------------------------------------------- 1
1.2 研究目的----------------------------------------------------------------- 1
1.3 研究範圍與限制-------------------------------------------------------- 2
1.4 名詞界說----------------------------------------------------------------- 2
1.5 研究內容及流程-------------------------------------------------------- 3
二、 文獻探討----------------------------------------------------------------------- 7
2.1 航空噪音概述----------------------------------------------------------- 7
2.1.1 聲音的基本參數------------------------------------------------ 7
2.1.2 聲音單位換算--------------------------------------------------- 9
2.1.3 人類對聲音的感知量------------------------------------------ 10
2.2 噪音對人健康影響----------------------------------------------------- 11
2.3 現行航空噪音研究現況----------------------------------------------- 11
三、 理論推導----------------------------------------------------------------------- 13
3.1 皮爾森相關係數法----------------------------------------------------- 13
3.2 P值檢定法--------------------------------------------------------------- 14
3.3 類神經網路簡介-------------------------------------------------------- 15
3.3.1 類神經網路研究現況------------------------------------------ 16
3.3.2 類神經網路架構簡介------------------------------------------ 18
3.3.3 類神經網路運作模式------------------------------------------- 20
3.3.4 倒傳遞類神經網路演算法------------------------------------- 21
四、 結果與討論-------------------------------------------------------------------- 26
4.1 背景說明----------------------------------------------------------------- 26
4.2 使用工具說明------------------------------------------------------------ 27
4.2.1 倒傳遞類神經網路模式建立------------------------------------------ 28
4.3 航空站飛行時段及非飛行時段噪音差異分析及預測------------ 29
4.3.1 飛行時段及非飛行時段噪音差異分析---------------------- 29
4.3.2 飛行時段及非飛行時段噪音預測---------------------------- 42
4.3.2.1 飛行噪音與氣象參數關聯性分析----------------- 42
4.3.2.2 倒傳遞類神經網路----------------------------------- 45
4.4 航空器最大噪音分析及預測----------------------------------------- 53
4.4.1 飛行噪音與氣象參數關聯性分析--------------------------- 54
4.4.2 倒傳遞類神經網路--------------------------------------------- 55
五、 結論與建議------------------------------------------------------------------- 78
5.1 結論----------------------------------------------------------------------- 78
5.2 建議----------------------------------------------------------------------- 79
參考文獻 ----------------------------------------------------------------------------- 80

英文部分：
Chang, F. J., and Chang, Y. T., “ Adaptive neuro-fuzzy inference system for prediction of water level in reservoir”, Journal of Mathematics and Computers in Simulation archive, 75, 87-96, 2007.
Chang, T. C., “Risk degree of debris flow applying neural networks ”, Journal of Natural Hazards, 42, 209-224, 2007.
Christophe, B., Sebastien, B., Vincent, F., Christophe, B., and Daniel, J., “Experimental study of the spectral properties of near-field and far-field jet noise”, International Journal of Aeroacoustics, 6, 73-92, 2007.
Contador, J., Maneta, M., Schnabel, S., “Prediction of near-surface soil moisture at large scale by digital terrain modeling and neural networks”, Journal of Environmental Monitoring and Assessment, 121, 211-230, 2006.
Diamantopoulou, M., Antonopoulos, V., and Papamichail, D., “Cascade correlation artificial neural networks for estimating missing monthly values of water quality parameters in rivers”, Journal of Water Resources Management, 21, 649-662, 2007.
Feng, S., Kang, S., Huo, Z., Chen, S., and Mao, X., “Neural Networks to Simulate Regional Ground Water Levels Affected by Human Activities”, Journal of Ground Water in Science, 46, 80-90, 2007.
Imamoglu, B., Baysal, O., and Balakumar, P., “Computation of shock induced noise in imperfectly expanded supersonic jets”, International Journal of Aeroacoustics, 6, 127-146, 2007.
James, I., Hileman, and Samimy, M., “Mach number effects on jet noise sources and radiation to shallow angles”, AIAA Journal, 44, 8, 2006.
Kisi, O., and Cigizoglu, H. K., “Comparison of different ANN techniques in river flow prediction”, Journal of Civil Engineering and Environmental Systems, 24, 211-231, 2007.
Liu, M., Wang, J. B., and Wu, K. Q., “The direct aero-acoustics simulation of flow around a square cylinder using the CE/SE scheme”, Journal of Algorithms & Computation al Technology, 1, 525∼537, 2007.
Maier, R., Zillmann, J., Enghardt, L., and Genoulaz, N., “Experimental results on active control of buzz saw noise tones of aero engines”, International Journal of Aeroacoustics, 6, 17-30, 2007.
Mungiolea, M., and Wilson, D. K., “Prediction of outdoor sound transmission loss with an artificial neural network”, Journal of Applied Acoustics in Science Direct, 67, 324-345, 2006.
Sabine1, R., Roland, F., Thomas, S., and Munz, C. D., “The numerical modeling of acoustic wave propagation using the multiple pressure variables approach”, Journal of Computing and Visualization in Science, 9, 229-237, 2006.
Samimy, M., Kim, J. H., Kastner, J., and Adamovich, I., “Noise mitigation in high speed and high reynolds number jets using plasma actuators”, AIAA/CEAS Aero acoustics Conference, 3622, 2007.
Tamburello, D., and Amitay, M., “Manipulation of an axisymmetric jet using a single perpendicular control jet”, AIAA Flow Control Conference, 3700, 2006.
Wolfgang, N., and Lars, E., “Technology approach to aero engine noise reduction”, International Journal of Aerospace Science and Technology, 7, 352–363, 2003.
Zhang, X., Chen, X. X., and Morfey, C. L., “Acoustic radiation from a semi-infinite duct with a subsonic jet ”, International Journal of Aeroacoustics, 4, 169-184, 2005.
Yeh, and Wenyu., Noise-induced hearing loss and its prevention, R&D annual reports, 2004.
中文部分：
陳重信，環境白皮書，行政院環保署，台北，2007。

呂宗晰，吳偉宏，聲學原理與噪音量測控制，全華圖書，台北，2005。

百明憲，工程聲學，全華圖書，台北市，2006。

羅華強,，類神經網路-MATALAB的應用，清蔚科技，新竹，2001。

田麗文，物理，全華圖書，台北市，2005。

張斐章、張麗秋，類神經網路，東華書局，台北，2005。

葉世瑋，“宜蘭縣土石流潛勢溪流區域內永續性之研究─模糊倒傳遞類神經推論模式之應用”，宜蘭大學土木工程研究所，碩士論文，2005。

王克仁，“以FLAC程式探討傾斜互層地盤之承載行為”， 中原大學土木工程研究所，碩士論文，2002。
余政剛，“結合高解析度遙測影像與倒傳遞類神經網路對山崩潛感地區分布之評估”，中國文化大學地學研究所，碩士論文，2006。

林世峻，“以植生指標探討九份二山崩塌地植生變遷之研究”， 中興大學水土保持研究所，碩士論文，2006。

王文奇，“類神經網路在鄰近機場噪音預測之研究”，立德管理學院資源環境研究所，碩士論文，2007。

黃靜宜，“狹帶延遲類神經網路於主動噪音控制之應用”， 中興大學機械工程研究所，碩士論文，2006。

張淑勤，“模糊決策在防洪之應用”， 中原大學土木工程研究所，碩士論文，2005。

余燕慧，“台灣桃園國際機場飛機起降噪音污染對居民的衝擊與調適”，臺灣師範大學地理學系研究所，碩士論文，2006。

林國豐，“高雄國際機場不同運量情境之航空噪音影響分佈模擬及評估”，中山大學環境工程研究所，碩士論文，2005。

陳琳琳，“中正國際機場噪音影響分布模擬及評估”，中央大學環境工程研究所，碩士論文，2004。

楊順帆，“台南機場週遭居民對航空噪音防制及補助措施滿意度之研究”， 立德管理學院資源環境研究所，碩士論文，2006。

蕭登科，“航空噪音防制及回饋制度合理性之研究 — 以澎湖馬公機場為例”，中山大學公共事務管理研究所，碩士論文，2003。

吳秋霞，“以特徵價格法探討航空噪音對於大園鄉房地產之影響”，中央大學產業經濟研究所，碩士論文，2006。

馮鑑昌，“以機場航空噪音影響觀點論中正機場第三跑道區位之研究”，台北科技大學建築與都市設計研究所，碩士論文，2003。

袁再麒，“軍用航空器噪音預測模式之研究－以嘉義機場F-16型機為例”，立德管理學院資源環境研究所，碩士論文，2006。

詹萬芳，“花蓮縣航空噪音防制區國小學童噪音概念與噪音防制行為之研究”，花蓮教育大學生態與環境教育研究所，碩士論文，2006。

郭秋城，“中正國際機場週邊居民對航空噪音防制補助措施滿意度調查之研究”，開南管理學院空運管理學研究所，碩士論文，2005。

劉定強，“機場航空噪音防制與居民補助措施之關聯性研究－以北部某機場為例”， 大葉大學事業經營研究所，碩士論文，2004。

林惠玲，陳正倉， 應用統計學 第三版，雙葉書廊，台北，2005。