01
噪声预测概述
环境噪声的定义、噪声污染的危害、传统预测方法的局限性、神经网络的优势。
基础概念
02
神经网络基础
感知机模型、激活函数（Sigmoid、ReLU、Tanh）、前向传播与反向传播。
感知机激活函数
03
数据采集与预处理
噪声监测设备介绍、数据采集频率与时长、缺失值处理、异常值检测与修正。
数据清洗监测
04
特征工程
时域特征（均值、方差、峰值）、频域特征（FFT、频谱能量）、特征选择与降维（PCA）。
时频域PCA
05
数据集构建
训练集/验证集/测试集划分、数据标准化与归一化、时间序列数据的滑动窗口处理。
滑动窗口归一化
06
全连接神经网络（DNN）
网络结构设计、隐藏层数与神经元数量选择、Dropout防止过拟合。
DNNDropout
07
卷积神经网络（CNN）基础
卷积核与特征图、池化层的作用、一维CNN在时序数据中的应用。
1D-CNN池化
08
循环神经网络（RNN）基础
RNN结构、梯度消失与爆炸问题、LSTM与GRU的核心思想。
RNN梯度问题
09
LSTM网络详解
遗忘门、输入门、输出门、细胞状态更新、双向LSTM。
LSTM门控
10
GRU网络详解
重置门与更新门、GRU vs LSTM的对比、轻量化模型选择。
GRU轻量化
11
注意力机制
自注意力原理、多头注意力、Transformer在时序预测中的尝试。
注意力Transformer
12
混合模型设计
CNN-LSTM混合架构、并行特征提取、多尺度特征融合。
CNN-LSTM融合
13
模型训练技巧
学习率调度（StepLR、CosineAnnealing）、早停法（Early Stopping）、梯度裁剪。
学习率早停
14
损失函数选择
均方误差（MSE）、平均绝对误差（MAE）、Huber损失、自定义损失函数。
MSEHuber
15
模型评估指标
RMSE、MAE、R²、MAPE、预测误差分布分析。
RMSER²
16
超参数调优
网格搜索、随机搜索、贝叶斯优化、Optuna框架使用。
Optuna贝叶斯
17
模型部署与推理
ONNX模型导出、TensorRT加速、边缘设备部署（树莓派/Jetson Nano）。
ONNXTensorRT
18
实时噪声监测系统
数据流处理（Kafka/Flume）、在线预测架构、延迟优化。
Kafka实时
19
多站点协同预测
空间相关性分析、图神经网络（GNN）引入、联邦学习框架。
GNN联邦学习
20
噪声源识别
基于频谱的声源分类、CNN分类器设计、多标签分类任务。
声源分类多标签
21
环境噪声地图绘制
GIS数据融合、克里金插值、热力图生成。
GIS热力图
22
低频噪声预测
低频噪声特性、特殊特征提取、模型针对性优化。
低频特征提取
23
交通噪声预测
车流量数据融合、路网拓扑结构、高峰期动态预测。
交通动态预测
24
工业噪声预测
设备振动信号、工况参数融合、异常预警机制。
工业异常预警
25
施工噪声预测
施工阶段划分、时间模式学习、扰民风险预警。
施工风险预警
26
模型可解释性
SHAP值分析、特征重要性排序、注意力权重可视化。
SHAP可解释性
27
不确定性量化
蒙特卡洛Dropout、贝叶斯神经网络、预测区间估计。
贝叶斯区间估计
28
迁移学习应用
预训练模型微调、跨城市迁移、少样本学习策略。
迁移学习少样本
29
对比实验设计
传统机器学习基线（SVR、随机森林）、消融实验、统计显著性检验。
SVR消融实验
30
项目实战
城市区域噪声预测系统——从数据采集到Web可视化全流程。
实战全流程