CN105225007A - 一种基于gabp神经网络的扇区运行性能综合检测方法及系统 - Google Patents

Abstract

本发明公开了一种空中交通管制扇区运行性能检测方法及系统，该方法包括步骤：步骤1：确定BP神经网络拓扑结构，采集不同时段的扇区性能检测指标样本，建立样本集；步骤2、利用遗传算法优化BP神经网络的权值和阈值，进行网络训练，输出优化后的BP神经网络；步骤3：根据输入的扇区性能检测指标实时数据，通过步骤2优化后的BP神经网络预测扇区性能综合指数。本方法全面、综合地涵盖了管制扇区运行性能的各类影响因素，能够满足空中交通管制单位对扇区性能综合指数进行实时检测和告警的实际需求，对于提升管制运行管理水平、优化管制空域结构具有数据支持作用；所设计的管制扇区运行性能综合检测系统，能够应用于空中交通管制单位，具有很强的应用工程操作性。

Description

一种基于GABP神经网络的扇区运行性能综合检测方法及系统

技术领域

本发明涉及航空领域，尤指一种空中交通管制扇区运行性能综合检测方法及系统。

背景技术

伴随着航空运输业的发展，为了保证各类飞行活动的安全和有序，空中交通管制服务应运而生并不断得到发展完善，至20世纪80年代趋于成熟。现代空中交通管制服务的主要内容是：空中交通管制员(简称为“管制员”，下同)依托现代通信、导航、监视技术，对所辖航空器实施管理和控制，协调和指导其运动路径和模式，以防止空中航空器与航空器相撞及在机场机动区内航空器与障碍物相撞，维护和加快空中交通的有序流动。空中交通管制扇区(简称为“管制扇区”，下同)是空中交通管制(简称为“管制”，下同)的基本空间单元。一般情况下，为航空器提供空中交通管制服务的空域被划设为若干管制扇区，每个管制扇区对应一个管制员工作席位。管制扇区运行性能是管制扇区内航空器运行态势的技术性指标提炼，既反映管制员对所辖管制扇区提供管制服务的质量和水准，又反映特定管制空域使用效能。因此，对管制扇区运行性能的有效检测是调整管制运行策略、优化管制空域结构的基础和前提。

比如，公开号为CN104332073A的专利文献在2015-02-04公开了一种智能空中交通管制系统，包括数据接收接口模块、数据处理中心、应急超控模块、电子飞行计划显示模块、航班监控显示模块和航班控制指令发送模块。通过接收飞机准确的实时飞行信息，数据处理中心即可展开飞行计划的精确计算，并优化整个飞行队列，如缩短飞机间距，合理调配对应跑道的起降顺序，实时更改着陆角，曲线进近等，有效提高整个飞行队列的效率，加强安全性。最终，整个飞行计划将显示在管制员的监控显示器上。航空管制员可以随时通过显示器观察飞行队列起飞着陆的优先顺序，并通过更改飞机起飞/着陆航迹，航速等参数，调整队列顺序。从而提高机场通勤率，提高管制员的工作效率。

但即便如此，目前针对空中交通管制扇区运行性能的研究较少，大部分研究主要体现在以下几个孤立方面：(1)空中交通流密度，分为战略和战术两层面，其中前者主要体现为空域复杂性指标，后者主要体现为管制单元空中交通拥挤程度判定。目前，空中交通流密度指标在应用上仍以管制单元的航空器架次统计作为主要呈现。(2)管制运行安全性能，包括定量和定性两方面。定量方面，国际民航组织(ICAO)依据碰撞风险分析制定的总的安全目标等级(TLS)是1.5×10-8次致命飞行事故/飞行小时，而我国民航空管系统根据危险接近风险分析将事故征候万架次率作为关键安全指标。定性方面，ICAO推荐采用威胁差错管理(ThreatandErrorManagement，TEM)或日常运行安全监测(NormalOperationsSafetySurvey，NOSS)方法，实施定性的管制运行安全性能评价。国内学者围绕人、机、环、管理等4类因素分别建立了安全风险评估指标体系，并开展了指标权重分析。(3)管制运行效率性能，主要围绕航班延误指标方面。目前，国外航班延误统计指标涉及延误架次率及延误时间。我国民航欠缺航班延误时间的细化统计，在航班延误原因界定、统计指标设计、统计方法及流程等方面亟待改善。(4)管制员工作负荷，是管制扇区容量评估的重要考量。国外学者从生理/行为特征、主观测评、工作细分的角度，分别提出了电击皮肤的反应、心率、心电图、血压、体液等生理指标，设备操作次数、陆空通话时间记录等行为指标；ATWIT技术、NASA-TLX量表、SWAT量表和MCH法等主观测评技术；DORATASK、MBB法、RAMS法等衡量管制员工作时间的方法。国内学者发展了主观测评方法，提出了基于可拓学的管制员工作负荷评价模型。

例如，公开号为CN104636890A的专利文献在2015-05-20公开了一种空中交通管制员工作负荷测量方法，包括：步骤A：确定管制负荷测量指标，该管制负荷测量指标包括眼动指标和语音指标；步骤B：实时记录各眼动指标对应的眼动指标数据，以及各语音指标对应的语音指标数据；步骤C：对记录的眼动指标数据进行因子分析，计算出眼动指标数据的眼动综合因子；步骤D：以眼动综合因子和语音指标为输入因素，管制综合指标值为输出因素，建立管制负荷回归模型。该方法能够实时、无干扰的测量管制员的综合指标，实用性强。

但该方法参考的数据比较局限，指标维度单一，不够全面、综合，该测量方法仅利用局限的数据片面地对管制员工作负荷进行了测量，存在一定的局限性，预测可靠度不高。

发明内容

本发明提供一种可以提高扇区性能综合指数的检测结果的可靠性的空中交通管制扇区运行性能检测方法和系统。

本发明的目的是通过以下技术方案来实现的：

一种空中交通管制扇区运行性能检测方法，包括步骤：

步骤1：确定BP神经网络拓扑结构，采集不同时段的扇区性能检测指标样本，建立样本集；

步骤2、利用遗传算法优化BP神经网络的权值和阈值，进行网络训练，输出优化后的BP神经网络；

步骤3：根据输入的扇区性能检测指标实时数据，通过步骤2优化后的BP神经网络预测扇区性能综合指数。

优选的，所述步骤1包括：

步骤1.1确定BP神经网络结构；

步骤1.2建立样本集。

优选的，所述步骤1.1包括：

根据经验公式确定：H为隐含层节点数目，C取从1到10的整数，I为指标总数；

隐含层和输出层的节点传递函数均采用tansig函数：

$L_{j,k,p}=\tan sig\left({\mathrm{\Σ}}_{i=1}^{17}{\mathrm{\ω}}_{i,k,p}{x}_{j,i}^{\′}-{\mathrm{\α}}_{k,p}\right)$

$Y_{j,p}=\tan sig({\mathrm{\Σ}}_{k=1}^H{\mathrm{\ω}}_{k,p}^{\′}{L}_{j,k,p}-{\mathrm{\β}}_p)$

对于第p次训练，L_j，k，p表示第j(j＝1，2，...，N)组样本数据所对应的BP神经网络第k(k＝1，2，...，H)个隐含层节点的输出值，Y_j，p表示第j(j＝1，2，...，N)组样本数据所对应的BP神经网络输出层的输出值，ω_i，k，p表示从输入层第i个节点到隐含层第k个节点的权值，a_k，p表示隐含层第k个节点的阈值，ω′_k，p表示从隐含层第k个节点到输出层单一节点的权值，β_p表示输出层单一节点的阈值。

优选的，所述步骤1.2包括：

采集不同时段的扇区性能检测指标样本，取样本对应扇区运行历史时段的管制录音录像，组织资深管制专家以听录音、看录像的方式，分析所复现的管制情境，参照扇区运行性能检测指标数据对样本进行扇区运行性能综合分类，将综合分类结果标定为扇区运行性能综合指数；将不同时段的扇区性能检测指标样本及其对应的扇区性能综合指数样本组成n组样本数据对，建立样本集。

所述扇区性能检测指标包括扇区通行性检测指标、扇区复杂性检测指标、扇区安全性检测指标、扇区经济性检测指标和管制员工作负荷指标。

所述扇区通行性检测指标为扇区流量、扇区航行里程、扇区航行时间和扇区交通流密度；扇区复杂性检测指标为扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改航次数；扇区安全性检测指标为扇区短期冲突告警频率和扇区最低安全高度告警频率；扇区经济性检测指标为扇区饱和度、扇区排队长度、扇区航空器延误架次率、扇区航空器延误时间、扇区航空器平均延误时间；管制员工作负荷检测指标为陆空通话信道占用率、陆空通话次数。

优选的，所述步骤2包括如下步骤：

步骤2.1使用遗传算法优化BP神经网络权值和阈值；

步骤2.2以最优初始化权值和阈值，对扇区性能检测指标样本进行BP神经网络训练，输出优化后的BP神经网络。

优选的，所述步骤2.1包括：

步骤2.1.1随机初始化BP神经网络权值和阈值，对权值和阈值进行编码，形成个体及种群；

步骤2.1.2构造个体适应度函数；

步骤2.1.3选择操作；

步骤2.1.4交叉操作；

步骤2.1.5变异操作；

步骤2.1.6根据遗传算法结束条件，选取适应度值最大的个体基因编码，作为BP神经网络的最优初始化权值和阈值。

优选的，所述步骤2.1.1包括：

个体的编码采用实数编码方式，每个个体由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值构成。

优选的，步骤2.1.2包括：

将不同时段的扇区性能检测指标样本数据归一化处理后作为网络输入数据，将对应的扇区性能综合指数作为网络期望输出，以种群中第l(l＝1，2，...，L)个个体作为BP神经网络权值和阈值，L表示种群规模，并以训练输出与期望输出之间误差(绝对值)之和的倒数，作为在第d次迭代后的适应度值F_l，d：

$F_{l,d}=1/\left({\mathrm{\Σ}}_{j=1}^{N}abs\right(Y_{j,d}^l-E_{j,d}^l))$

其中，分别表示在第d次迭代时，第j(j＝1，2，...，N)组样本数据所对应的BP神经网络的训练输出与期望输出。可取1，2，3，4，5，分别表示扇区运行性能为最好、较好、一般、较差、最差。步骤2.1.3选择操作。

优选的，所述步骤2.1.3包括：

通过选择操作处理个体适应度值，选择输出部分个体适应度值对应的个体；

个体l在第d次迭代时的选择概率为：

${\mathrm{\δ}}_{l,d}=F_{l,d}/\underset{l=1}{\overset{L}{\Σ}}{F}_{l,d}.$

优选的，所述步骤2.1.4包括：

使用交叉操作对选择输出的个体进行处理，并输出交叉操作结果。第l个个体和第l′个个体在m位进行基因交叉操作方法为：

$\left.\begin{array}{c}{g}_{l,m,d}^{\′}=g_{l,m,d}\left(1-r\right)+g_{l^{\′},m,d}r\\ g_{l^{\′},m,d}^{\′}=g_{l^{\′},m,d}\left(1-r\right)+g_{l,m,d}r\end{array}\right\}$

其中：g_l，m，d和g_l′，m，d分别表示第l个个体和第l′个个体在m位的基因，g′_l，m，d和g′_l′，m，d分别表示第l个个体和第l′个个体对m位的基因进行交叉操作之后的基因，r是[0，1]间的随机数。

优选的，所述步骤2.1.5包括：

使用变异操作对交叉操作结果进行处理，得到变异操作结果：

$g_{l,m,d}^{\′\′}=\left\{\begin{array}{cc}{g}_{l,m,d}^{\′}+\left(g_{\max }-g_{l,m,d}^{\′}\right)*f\left(d\right)& a>0.5\\ g_{l,m,d}^{\′}+\left(g_{l,m,d}^{\′}-g_{\min }\right)*f\left(d\right)& a\≤0.5\end{array}\right.$

其中，g_max、g_min分别为基因g′_l，m，d取值的上界和下界，f(d)＝b(1-d/D_max)²，其中a和b是[0，1]间的随机数，d为当前的迭代次数，D_max为最大迭代次数。

优选的，所述步骤2.1.6包括：

根据最大迭代次数，判断是否满足遗传算法结束条件，如达到最大迭代次数，结束遗传算法计算，选取适应度值最大的个体基因编码，作为BP神经网络的最优初始化权值和阈值；若不满足算法结束条件，则返回步骤2.1.3。

优选的，所述步骤2.2包括：

步骤2.2.1基于遗传算法输出BP神经网络的最优初始化权值和阈值，进行网络训练，得到训练输出值，计算训练输出与期望输出之间的误差；

步骤2.2.2根据计算出的误差，更新网络的权值和阈值；

步骤2.2.3输出优化后的BP神经网络。

优选的，所述步骤2.2.3包括：

以误差收敛精度、训练步长以及确认检查的次数，设定网络训练结束条件；判断是否满足网络训练结束条件，若满足，则输出优化后的BP神经网络；若不满足，则将步骤2.2.2更新后的权值和阈值作为初始化权值和阈值，执行步骤2.2.1。

优选的，在步骤2中的训练BP神经网络之前，先对扇区性能检测指标样本数据进行归一化处理；在步骤3中的扇区性能检测指标实时数据输入之前，先对实时数据进行归一化处理。

所述样本数据归一化处理的函数表示为：

$x_{j,i}^{\′}=2\×\frac{x_{j,i}-\min \left(x_{1,i},\mathrm{...},x_{j,i},\mathrm{...},x_{N,i}\right)}{\max \left(x_{1,i},\mathrm{...},x_{j,i},\mathrm{...},x_{N,i}\right)-\min \left(x_{1,i},\mathrm{...},x_{j,i},\mathrm{...},x_{N,i}\right)}-1$

其中，x_j，i表示第j(j＝1，2，...，N)个样本的第i(i＝1，2，...，17)项指标的原始数据，x′_j，i表示对x_j，i进行归一化处理之后的数据，x′_j，i∈[-1，1]。

所述扇区性能检测指标实时数据x_tj，经过归一化处理得到x′_t，i为：

$x_{t,i}^{\′}=2\×\frac{x_{t,i}-\min \left(x_{1,i},\mathrm{...},x_{j,i},\mathrm{...},x_{N,i}\right)}{\max \left(x_{1,i},\mathrm{...},x_{j,i},\mathrm{...},x_{N,i}\right)-\min \left(x_{1,i},\mathrm{...},x_{j,i},\mathrm{...},x_{N,i}\right)}-1.$

优选的，若输入扇区性能检测指标实时数据预测扇区性能综合指数结果符合预设条件，则响应警告。

一种空中交通管制扇区运行性能检测系统，包括：

BP神经网络模块：用于确定BP神经网络拓扑结构，利用遗传算法优化BP神经网络的权值和阈值，根据样本数据对训练BP神经网络；

检测模块：输入扇区性能检测指标实时数据检测输出扇区性能综合指数。

优选的，系统还包括警告模块；所述检测模块基于归一化处理后的扇区性能检测指标实时数据检测输出扇区性能综合指数，若检测结果符合预设条件，则所述警告模块响应警告。

优选的，系统还包括管制扇区运行性能检测数据库、以及分别耦合于所述管制扇区运行性能检测数据库的数据引接模块和管制扇区运行性能指标检测模块；所述数据接引模块包括电报数据接口、综合航迹数据接口和管制语音数据接口；所述管制扇区运行性能指标检测模块用于采集管制扇区运行通行性指标、管制扇区运行复杂性指标、管制扇区运行安全性指标、管制扇区运行经济性指标和管制员工作负荷指标；所述管制扇区运行性能检测数据库耦合于所述BP神经网络模块和检测模块的输入端。

优选的，所述BP神经网络模块还包括遗传算法单元和BP神经网络训练单元；所述遗传算法单元通过对输入的个体适应度值进行选择操作、交叉操作和变异操作处理得到最优适应度值对应的个体，判断所述最优适应度值对应的个体是否满足预设条件，若是，则根据所述最优适应度值对应的个体输出最优初始化权值和阈值，若否，则返回执行选择操作、交叉操作和变异操作处理；所述BP神经网络训练单元基于最优初始化权值和阈值进行网络训练，输出优化后的BP神经网络。

本发明的有益效果：

本发明由于采用定量分析方法，依靠对历史数据的挖掘，获取扇区性能检测指标数据与扇区性能综合指数之间的关系，而通过BP(BackPropagation)神经网络能学习和存贮大量的输入-输出模式映射关系，无需事前揭示描述这种映射关系的数学方程，具有突出的大规模并行处理、信息分布存储及自学习功能。在此基础上对扇区性能综合指数进行检测，具有客观、高效、准确的优势，规避了人工预测易疲劳、易主观化等经验型管理的缺陷问题；而且，本发明利用遗传算法对BP神经网络进行了优化，遗传算法是基于生物进化原理“自然界优胜劣汰，适者生存”的自适应优化方法，该方法通过维持一组可行解，并对可行解进行重新组合，使好的可行解被保留，差的可行解被淘汰；这样新的可行解既继承了上一代的信息，又优于上一代，这样反复循环，直至最优；如此，本发明用于扇区性能综合指数检测的BP神经网络也将不断进化，逐渐优化和适应扇区性能综合指数检测工作，保证了指数检测的可靠性和与时俱进性。更为重要的是，本方法全面、综合地涵盖了管制扇区运行性能的各类影响因素，能够满足空中交通管制单位对扇区性能综合指数进行实时检测和告警的实际需求，对于提升管制运行管理水平、优化管制空域结构具有数据支持作用。

附图说明

图1是本发明实施例一的一种扇区性能综合指数的检测方法的流程图；

图2是本发明一个优选实施例的一种扇区性能综合指数的检测方法的流程图；

图3是本发明实施例的BP神经网络的基本原理结构图；

图4是本发明实施例二的一种空中交通管制扇区运行性能检测系统的示意图；

图5是本发明一个优选实施例的一种空中交通管制扇区运行性能检测系统的示意图；

图6是本发明实施例的一种空中交通管制扇区运行性能检测系统的逻辑结构图；

图7是本发明实施例的系统对应的网络结构图；

图8是本发明实施例的系统对应的功能结构图；

图9是本发明实施例的综合航迹数据接口，对应的综合航迹数据采集功能结构图；

图10是本发明实施例的管制语音数据接口对应的语音数据采集流程图；

图11是本发明实施例的电报数据接口对应的电报数据采集功能结构图。

其中，1：BP神经网络模块；2、检测模块；3、警告模块；4、管制扇区运行性能检测数据库；5、数据引接模块；6、扇区性能检测指标数据检测模块；11、输入端；12、遗传算法单元；13、BP神经网络训练单元；21、输入端；100、空中交通管制扇区运行性能检测系统。

具体实施方式

对管制扇区运行性能的有效检测是调整管制运行策略、优化管制空域结构的基础和前提。

目前针对空中交通管制扇区运行性能的既有研究内容，主要存在以下不足：(1)研究方法方面，定性研究较多，定量研究较少，客观性不足。(2)检测指标方面，指标维度较为单一，不够全面、综合，导致综合检测能力不足。(3)应用性方面，既有研究仍停留在实验室研究阶段，主要服务于战略决策，而面向空中交通管制单位的实际工程应用少。由于上述不足，导致目前国内外对于管制扇区运行性能检测的研究在客观性、全面性、可操作性等方面均有所欠缺，特别是对于实际中需要对管制扇区运行性能进行实时检测和响应告警这一需求，尚未有效实现。

因此，本专利所采用的定量研究的方法，能够将影响管制扇区运行性能的各指标，全面、综合的进行考虑。所设计的管制扇区运行性能综合检测方法和系统，能够应用于工程单位，具有很强的操作性。

下面结合附图和较佳的实施例对本发明作进一步说明。

实施例一：

图1是本发明实施例一种扇区性能综合指数的检测方法的流程图，如图所示，该方法包括步骤：

S1：确定BP神经网络拓扑结构，采集不同时段的扇区性能检测指标样本，建立样本集；

S2：利用遗传算法优化BP神经网络的权值和阈值，进行网络训练，输出优化后的BP神经网络；

S3：根据输入的扇区性能检测指标实时数据，通过步骤S2优化后的BP神经网络预测扇区性能综合指数。

本发明由于采用定量分析方法，依靠对历史数据的挖掘，获取扇区性能检测指标数据与扇区性能综合指数之间的关系，而通过BP(BackPropagation)神经网络能学习和存贮大量的输入-输出模式映射关系，无需事前揭示描述这种映射关系的数学方程，具有突出的大规模并行处理、信息分布存储及自学习功能。在此基础上对扇区性能综合指数进行检测，具有客观、高效、准确的优势，规避了人工预测易疲劳、易主观化等经验型管理的缺陷问题；而且，本发明利用遗传算法对BP神经网络进行了优化，遗传算法是基于生物进化原理“自然界优胜劣汰，适者生存”的自适应优化方法，该方法通过维持一组可行解，并对可行解进行重新组合，使好的可行解被保留，差的可行解被淘汰；这样新的可行解既继承了上一代的信息，又优于上一代，这样反复循环，直至最优；如此，本发明用于扇区性能综合指数的检测的BP神经网络也将不断进化，逐渐优化和适应扇区性能综合指数检测工作，保证了指数检测的可靠性和与时俱进性。更为重要的是，本方法全面、综合地涵盖了管制扇区运行性能的各类影响因素，能够满足空中交通管制单位对扇区性能综合指数进行实时监测和告警的实际需求，对于提升管制运行管理水平、优化管制空域结构具有数据支持作用。

如图2所示是本发明一个优选实施例的流程图；如图所示，具体的，在步骤1中还包括过程：

S1-1：确定网络拓扑结构；

S1-2：归一化处理并输入扇区性能样本数据。

BP神经网络中，输入信号经由输入层、隐含层，前向传播到达输出层，并且上一层的神经元状态会影响下一层神经元状态。如果输出层得不到期望输出，则转入误差方向传播，即根据预测误差调整输入层与隐含层之间的权值、隐含层与输出层之间的权值，以及隐含层阈值、输出层阈值，从而使BP神经网络预测输出不断逼近期望输出，即BP神经网络本身就具有自主调整和逼近与其输出的优点，而计算个体适应度值，则是逼近程度的一个重要的衡量，可以让用户确定预测输出逼近期望输出的程度。而针对管制扇区性能样本数据，在步骤S1中还包括过程：

S1-2：对管制扇区性能样本数据进行归一化处理。

对应的，即在步骤S3中还包括过程：

S3-1：对扇区性能检测指标实时数据进行归一化处理，然后输入归一化处理后数据输出扇区性能综合指数。当然，扇区性能检测指标实时数据输入的时机可以是在步骤S3中，也可以在此之前就输入，然后等到BP神经网络的权值和阈值进行更新后才使用。

对输入的扇区性能样本数据和扇区性能检测指标实时数据进行归一化处理，可以消除管制扇区性能样本数据和扇区性能检测指标数据各检测指标间的量纲差异。

而在步骤S3之后还包括步骤S4：若输入扇区性能检测指标实时数据检测输出扇区性能综合指数的检测结果符合预设条件，则响应警告。响应警告的存在，使得扇区性能综合指数的检测方法可以落于实际，更具实用性。

结合实施例二可知，本研究以管制扇区运行性能为因变量；扇区性能检测指标数据共计17项，记自变量X＝{X_i，i＝1，2，...，17}。

其中，扇区通行性检测指标为{X₁，X₂，X₃，X₄}，分别表示扇区流量、扇区航行里程、扇区航行时间和扇区交通流密度；扇区复杂性检测指标为{X₅，X₆，X₇，X₈}，分别表示扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改航次数；扇区安全性检测指标为{X₉，X₁₀}，分别表示扇区短期冲突告警频率和扇区最低安全高度告警频率；扇区经济性检测指标为{X₁₁，X₁₂，X₁₃，X₁₄，X₁₅}，分别表示扇区饱和度、扇区排队长度、扇区航空器延误架次率、扇区航空器延误时间、扇区航空器平均延误时间；管制员工作负荷检测指标为{X₁₆，X₁₇}，分别表示陆空通话信道占用率、陆空通话次数。

根据N组以小时为时长的样本输入数据，得到上述17个指标的输入值。同时，根据上述指标的输入值X，由资深管制专家对扇区运行性能进行综合分类，作为扇区运行性能综合指数(取1，2，3，4，5，分别表示扇区性能为最好，较好，一般，较差，最差)。得到的样本数据示例如下表1所示：

表1：扇区性能样本数据示例

对样本数据进行预处理，以消除样本数据各检测指标间的量纲差异。设x_j，i表示第j(j＝1，2，...，N)个样本的第i项指标的原始数据，x′_j，i表示对x_j，i进行归一化处理之后的数据，样本数据进行归一化处理的函数表示为：

对于扇区性能检测指标实时数据x_tj，经过归一化处理得到x′_t，i为：

转入步骤S2：

BP神经网络本身就具有自主调整和逼近与其输出的优点，而权值和阈值则是BP神经网络的关键，再配合以遗传算法对BP神经网络进行优化和更新，可以使得管制扇区运行性能综合指数检测可以更加快速和可靠。遗传算法通过维持一组可行解，按照所选择的适应度函数对可行解进行重新组合，使适应度值好的可行解被保留，适应度差的可行解被淘汰；这样新的可行解既继承了上一代的信息，又优于上一代，这样反复循环，直至最优；本发明根据最优个体来更新BP神经网络的权值和阈值，可以使得BP神经网络可以更好地根据输入的扇区性能检测指标数据进行可靠的扇区性能综合指数的检测；而且，结合BP神经网络的训练输出和期望输出作为个体的适应度值，可以更好地统合实际和理论，以使得BP神经网络具有更优的实用性。

步骤S2还包括过程：

步骤S2-1使用遗传算法优化BP神经网络权值和阈值；

步骤S2-2以最优初始化权值和阈值，对扇区性能检测指标样本进行BP神经网络训练，输出优化后的BP神经网络。

在步骤S2-1中包括：

步骤S2-1-1随机初始化BP神经网络权值和阈值，对权值和阈值进行编码，形成个体及种群。

个体编码采用实数编码方式，每个个体均为一个实数串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值构成。其中，输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值一组数值，这四个构成一个个体。

步骤S2-1-2构造个体适应度函数。

将不同时段的扇区性能检测指标样本数据归一化处理后作为网络输入数据，将对应的扇区性能综合指数作为网络期望输出，以种群中第l(l＝1，2，...，L)个个体作为BP神经网络权值和阈值，L表示种群规模，并以训练输出与期望输出之间误差(绝对值)之和的倒数，作为在第d次迭代后的适应度值F_l，d：

其中，分别表示在第d次迭代时，第j(j＝1，2，...，N)组样本数据所对应的BP神经网络的训练输出与期望输出。可取1，2，3，4，5，分别表示扇区运行性能为最好、较好、一般、较差、最差。

步骤S2-1-3选择操作。

通过选择操作处理个体适应度值，选择输出部分个体适应度值对应的个体；个体l在第d次迭代时的选择概率为：

${\mathrm{\δ}}_{l,d}=F_{l,d}/\underset{l=1}{\overset{L}{\Σ}}{F}_{l,d}.$

步骤S2-1-4交叉操作。

使用交叉操作对选择输出的个体进行处理，并输出交叉操作结果。第l个个体和第l′个个体在m位进行基因交叉操作方法为：

$\left.\begin{array}{c}{g}_{l,m,d}^{\′}=g_{l,m,d}\left(1-r\right)+g_{l^{\′},m,d}r\\ g_{l^{\′},m,d}^{\′}=g_{l^{\′},m,d}\left(1-r\right)+g_{l,m,d}r\end{array}\right\}$

其中：g_l，m，d和g_l′，m，d分别表示第l个个体和第l′个个体在m位的基因，g′_l，m，d和g′_l′，m，d分别表示第l个个体和第l′个个体对m位的基因进行交叉操作之后的基因，r是[0，1]间的随机数。

步骤S2-1-5变异操作。

使用变异操作对交叉操作结果进行处理，得到变异操作结果：

$g_{l,m,d}^{\′\′}=\left\{\begin{array}{cc}{g}_{l,m,d}^{\′}+\left(g_{\max }-g_{l,m,d}^{\′}\right)*f\left(d\right)& a>0.5\\ g_{l,m,d}^{\′}+\left(g_{l,m,d}^{\′}-g_{\min }\right)*f\left(d\right)& a\≤0.5\end{array}\right.$

其中，g_max、g_min分别为基因g′_l，m，d取值的上界和下界，f(d)＝b(1-d/D_max)²，其中a和b是[0，1]间的随机数，d为当前的迭代次数，D_max为最大迭代次数。

步骤S2-1-6根据遗传算法结束条件，选取适应度值最大的个体基因编码，作为BP神经网络的最优初始化权值和阈值。

根据最大迭代次数，判断是否满足遗传算法结束条件，如达到最大迭代次数，结束遗传算法计算，选取适应度值最大的个体基因编码，作为BP神经网络的最优初始化权值和阈值；若不满足算法结束条件，则返回步骤S2-1-3。

选择操作是指从上一代可行解中以一定概率选择个体作为新的可行解，个体被选中的概率取决于适应度值大小，个体适应度值越好，其被选中的概率越大；交叉操作是指从个体中选择两个个体，随机选择一点或多点“染色体位”，实现对两个“染色体”的交换组合，从而产生新的优秀个体；变异操作是指从群体中任意选择一个个体，选择“染色体”的一点进行变异，以产生更加优秀的个体；如此个体适应度值在通过选择操作、交叉操作和变异操作后，可以保证计算得到的最优个体的准确性，而最优个体则可以通过以其为根据更新BP神经网络的权值和阈值，进而提高扇区性能综合指数的检测的可靠性。

具体到本案，对输入的经过交叉操作处理的个体进行变异操作处理，并得到变异操作处理结果，然后根据该变异操作处理结果得到最优适应度值对应的个体。若变异操作的输出结果满足遗传优化结束条件，则输出优化的权值和阈值；若不满足遗传算法结束条件，则重新执行遗传算法。很多时候，使用遗传算法去优化个体适应度值并不是一次性能够完成优化的，设置遗传算法结束条件，可以判断产生的最优个体是否准确可用，若产生的最优个体不可行，则可以重新返回进行遗传算法，如此可以更好地保证产生的最优个体的准确性，进而保证扇区性能综合指数的可靠性。

在步骤S2-2中包括：

步骤S2-2-1基于遗传算法输出BP神经网络的最优初始化权值和阈值，进行网络训练，得到训练输出值，计算训练输出与期望输出之间的误差。

步骤S2-2-2根据计算出的误差，更新网络的权值和阈值。

步骤S2-2-3输出优化后的BP神经网络。

以误差收敛精度、训练步长以及确认检查的次数，设定网络训练结束条件；判断是否满足网络训练结束条件，若满足，则输出优化后的BP神经网络；若不满足，则将步骤S2-2-2更新后的权值和阈值作为初始化权值和阈值，执行步骤S2-2-1。

根据上述算法流程，采用MATLABR2014a软件进行算法实现。设定BP神经网络的学习速率初始值为0.05，训练误差收敛精度目标为10^-5，训练步长为500，确认检查次数为6次。此外，为了保证遗传算法能够有效地对BP神经网络的初始权值和阈值进行优化，设定遗传算法的种群数目为10，迭代次数为50，交叉概率为0.4，变异概率0.1。同时，由于扇区运行性能分类结果为1到5的整数，因此，利用GABP神经网络得到的输出结果需要进行取整处理。

其中，BP神经网络的隐含层数目H∈[5，14]，为了确定GABP神经网络的最优的隐含层数目，选取350组训练样本数据，计算、比较不同隐含层数目下，GABP神经网络的训练误差，以训练样本误差总和最小为原则，确定最终的隐含层数目为H＝5，因此，确定GABP神经网络结构为17-5-1的三层网络结构。同时，为进一步检验GABP神经网络的泛化能力，以50组数据进行测试。

加入传统BP神经网络训练测试进行对比验证，比较相同网络结构下，GABP神经网络和BP神经网络的各项误差参数，结果如表2所示。

表2：神经网络训练误差对比

可以看出，GABP神经网络的误差均值和误差均方差相对BP神经网络分别降低了44％和32％，虽然两种方法产生的最大误差和最小误差一致，但BP神经网络出现误差的概率约是GABP神经网络的1.78倍，验证了GABP神经网络对于空中交通管制扇区的运行性能测评具有很高的精度。同时，由于GABP神经网络的初始权值和阈值经过了遗传算法的全局优化，使得GABP神经网络算法的求解结果具有高度的稳定性。GABP神经网络的测试结果和测试误差分别如下所示。

图GABP神经网络测试结果

图GABP神经网络测试误差

根据得到的优化后的GABP神经网络，通过将扇区运行性能各项指标的实时检测数据进行归一化处理，并导入优化后的GABP神经网络，即可得到扇区运行性能的综合指数。

其中，如图3所示是本发明所涉及的BP神经网络的基本原理结构图；

BP神经网络，是人工神经网络(ArtificialNeuralNetwork，简称ANN)中应用较为广泛的一种形式。作为一种多层前馈神经网络，BP神经网络能学习和存贮大量的输入-输出模式映射关系，无需事前揭示描述这种映射关系的数学方程，具有突出的大规模并行处理、信息分布存储及自学习功能，并已广泛应用于分类、函数逼近、模式识别、优化预测及数据压缩等方面。BP神经网路中，输入信号X经由输入层、隐含层，前向传播到达输出层，并且上一层的神经元状态会影响下一层神经元状态。如果输出层得不到期望输出，则转入误差方向传播，即根据预测误差调整输入层与隐含层之间的权值、隐含层与输出层之间的权值，以及隐含层阈值、输出层阈值，从而使BP神经网络预测输出不断逼近期望输出。

在确定BP神经网络的拓扑结构中：

输入层和输出层的节点数目取决于管制扇区运行性能检测指标和综合检测结果的表示方式，设定输入层节点数目为17、输出层节点数目为1。设隐含层节点数目为H，根据公式：(c取从1到10的整数)确定。隐含层节点数的选择对误差精度影响很大。节点数太少，网络不能很好地学习；节点数太多，网络容易过拟合，影响泛化能力。

另外，本发明所涉及的遗传算法，即GA，是基于生物进化原理“自然界优胜劣汰，适者生存”的自适应优化方法，该方法通过维持一组可行解，按照所选择的适应度函数并通过遗传中的选择交叉和变异对可行解进行重新组合，使适应度值好的可行解被保留，适应度差的可行解被淘汰。这样新的可行解既继承了上一代的信息，又优于上一代，这样反复循环，直至最优。

遗传算法的基本要素包括染色体编码方法、适应度函数、遗传操作以及运行参数。

染色体编码方法是指个体的编码方法，包括二进制编码、实数制编码等，二进制编码是指将个体编码成一个二进制串，实数制编码是将个体编码成一个实数串。

适应度函数是指根据进化目标编写的计算个体适应度值得函数，通过适应度函数计算每个个体的适应度值，提供给选择算子进行选择。

运行参数主要包括群体规模、遗传代数、交叉概率和变异概率。

遗传算法的基本操作包括选择操作、交叉操作和变异操作。选择操作是指从上一代可行解中以一定概率选择个体作为新的可行解，个体被选中的概率取决于适应度值大小，个体适应度值越好，其被选中的概率越大；交叉操作是指从个体中选择两个个体，随机选择一点或多点染色体位，实现对两个染色体的交换组合，从而产生新的优秀个体；变异操作是指从群体中任意选择一个个体，选择染色体的一点进行变异，以产生更加优秀的个体。

实施例二：

如图4所示是本发明实施例二的一种空中交通管制扇区运行性能检测系统的示意图，结合实施例一可知，该空中交通管制扇区运行性能检测系统100包括：

BP神经网络模块1：用于确定BP神经网络拓扑结构，利用遗传算法优化BP神经网络的权值和阈值，根据样本数据对训练BP神经网络；

检测模块2：输入扇区性能检测指标实时数据检测输出扇区性能综合指数。

其中，BP神经网络模块1与检测模块2耦合。

本系统由于采用定量分析方法，依靠对历史数据的挖掘，获取扇区性能检测指标数据与扇区性能综合指数之间的关系，而通过BP(BackPropagation)神经网络能学习和存贮大量的输入-输出模式映射关系，无需事前揭示描述这种映射关系的数学方程，具有突出的大规模并行处理、信息分布存储及自学习功能。在此基础上对扇区性能综合指数进行检测，具有客观、高效、准确的优势，规避了人工预测易疲劳、易主观化等经验型管理的缺陷问题；而且，本发明利用遗传算法对BP神经网络进行了优化，遗传算法是基于生物进化原理“自然界优胜劣汰，适者生存”的自适应优化方法，该方法通过维持一组可行解，并对可行解进行重新组合，使好的可行解被保留，差的可行解被淘汰；这样新的可行解既继承了上一代的信息，又优于上一代，这样反复循环，直至最优；如此，本发明用于扇区性能综合指数的检测的BP神经网络也将不断进化，逐渐优化和适应扇区性能综合指数检测工作，保证了指数检测的可靠性和与时俱进性。更为重要的是，本系统能够满足空中交通管制单位对扇区性能综合指数进行实时监测和告警的实际需求，对于提升管制运行管理水平、优化管制空域结构具有数据支持作用。

如图5所示是本发明另一个优选实施例的一种空中交通管制扇区运行性能检测系统的示意图，其中，所述BP神经网络模块还包括遗传算法单元和BP神经网络训练单元；所述遗传算法单元通过对输入的个体适应度值进行选择操作、交叉操作和变异操作处理得到最优适应度值对应的个体，判断所述最优适应度值对应的个体是否满足预设条件，若是，则根据所述最优适应度值对应的个体输出最优初始化权值和阈值，若否，则返回执行选择操作、交叉操作和变异操作处理；所述BP神经网络训练单元基于最优初始化权值和阈值进行网络训练，输出优化后的BP神经网络。

空中交通管制扇区运行性能检测系统还包括警告模块；所述检测模块基于归一化处理后的扇区性能检测指标实时数据检测输出扇区性能综合指数，若检测结果符合预设条件，则所述警告模块响应警告。

空中交通管制扇区运行性能检测系统还包括管制扇区运行性能检测数据库、以及分别耦合于所述管制扇区运行性能检测数据库的数据引接模块和管制扇区运行性能指标检测模块；所述数据接引模块包括电报数据接口、综合航迹数据接口和管制语音数据接口；所述管制扇区运行性能指标检测模块用于采集管制扇区运行通行性指标、管制扇区运行复杂性指标、管制扇区运行安全性指标、管制扇区运行经济性指标和管制员工作负荷指标；所述管制扇区运行性能检测数据库耦合于所述BP神经网络模块和检测模块的输入端。

空中交通管制扇区运行性能检测系统面向空中交通管制单位进行设计和部署，针对管制员工作的扇区，构建具有完备性、普适性的扇区性能检测指标数据指标体系(包括管制扇区运行通行性指标、管制扇区运行复杂性指标、管制扇区运行安全性指标、管制扇区运行经济性指标和管制员工作负荷指标)，提出管制扇区运行性能各项数据计算方法及基于GABP神经网络的管制扇区运行性能综合指数算法，集成实现具有数据计算、综合检测和响应告警功能的管制扇区运行性能综合检测系统。

本专利采用定量研究方法，将影响扇区性能综合指数检测的扇区性能检测指标数据的多维度指标进行全面、综合考虑，从而实现对扇区性能综合指数的有效检测；所设计的空中交通管制扇区运行性能检测系统，能够应用于工程单位，具有很强的操作性。而且，本发明克服了现有技术定性研究较多，定量研究较少，导致客观性不足的情况；不仅从反映管制员工作负荷的指标下手，同时考虑综合指标的影响因子，将影响扇区性能综合指数检测的扇区性能检测指标数据的多维度指标进行全面、综合考虑，能够实现对扇区性能综合指数的有效检测，检测可靠性得以保证；而且，将遗传算法单元、BP神经网络训练单元、管制扇区运行性能检测数据库、数据引接模块和管制扇区运行性能指标检测模块进行关联工作，构建出了具有完备性、普适性的扇区性能检测指标数据指标体系，能够对扇区性能综合指数进行检测，并提供对指标异常情况的告警功能，能够应用于工程单位，具有很强的操作性。

如图6所示是本发明的空中交通管制扇区运行性能检测系统的逻辑结构图；空中交通空中交通管制扇区运行性能检测系统主要包括一套管制扇区运行性能检测数据库和数据引接、数据计算三大功能模块。

管制扇区运行性能检测数据库将各信息采集点采集的空中交通管制数据(包括雷达综合航迹数据、电报数据、VHF录音数据等)归类、保存，以及检测到的管制扇区运行性能指标(包括管制扇区通行性指标、管制扇区复杂性指标、管制扇区安全性指标、管制扇区经济性指标、管制员工作负荷指标等)，为扇区性能综合指数的检测提供数据依据。

如图7所示是系统对应的网络结构图，系统通过数据采集服务器收集实时数据，通过管制扇区运行性能指标检测服务器和综合检测服务器实时监视运行数据，检测和分析管制扇区运行性能状况，并对扇区性能综合指数超出阈值的时段进行告警。整个系统的网络平台将依托现有的管理信息网，采集平台和空管生产网络进行物理隔离，保证数据的单向传递，阻止网络攻击，以保障相关数据安全性和生产运行系统可靠性。

如图8所示是本发明实施例的系统对应的功能结构图；主要包括管制运行数据采集、管制扇区运行性能指标检测、管制扇区运行性能综合检测以及管制扇区运行性能告警等功能模块。

在数据接引模块中，包括综合航迹数据接口，对应的综合航迹数据采集功能结构图如图9所示，空管自动化系统对航管一、二次雷达等监视信号进行数据融汇和数据处理，输出综合航迹信息，其主要的处理模块包括雷达前端处理模块，雷达数据处理模块和飞行计划处理模块。

本系统从空管自动化系统采集综合航迹数据，通过网络的方式进行传输。数据采集服务器对采集的综合航迹数据进行解析，获取航空器的高度、速度、位置等信息用于指标的计算。

综合航迹数据采集模块包括航迹数据格式转换模块、航迹数据解析模块、航迹数据存储模块。

如图10所示是本发明的管制语音数据接口对应的语音数据采集流程图，管制员与飞行员通过VHF通信系统实现陆空语音通话。该系统由甚高频(VeryHighFrequency，VHF)收发电台及信号传输、处理装置组成。

语音数据采集从配线架上并接采集语音信号，将陆空通话信息进行解码和存储，用于管制员管制指挥通话负荷的分析。

如图所示，席位语音数据由内话系统配线架通过带屏蔽网线并接引入系统数据采集服务器，语音通道与席位(扇区)对应。语音信号从配线架上高阻抗(录音模块为200K欧姆)采集(管制员地空通话)席位语音，不影响地空通话和语音记录，采用多对电缆线将语音信号从配线架引接至语音处理器，实现对多个席位语音的采集和分析。

如图11所示是本发明的电报数据接口对应的电报数据采集功能结构图，转报系统是收发民用航空飞行动态固定电报的枢纽装置，民用航空飞行动态固定电报的报文由若干个规定的数据编组按固定顺序排列而成。

电报数据采集模块引接转报系统输出的电报数据，并对数据进行格式转换、解析和存储，获取飞行计划数据，如图所示，该模块将接收到的电报数据解析后存储到数据库中保存，用于扇区性能检测指标数据计算。

本发明的管制扇区运行性能指标检测模块具体如下：管制扇区运行通行性指标，包括扇区流量、扇区航行里程、扇区航行时间、扇区交通流密度；管制扇区运行复杂性指标，包括扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改航次数；管制扇区运行安全性指标，包括扇区短期冲突告警(STCA，Short-termconflictalert)频率、扇区最低安全高度告警(MSAW，Minimumsafealtitudewarning)频率；扇区经济性指标，包括扇区饱和度、扇区排队长度、扇区航空器延误架次率、扇区航空器延误时间、扇区航空器平均延误时间；管制员工作负荷指标，包括陆空通话信道占用率、陆空通话次数。并基于指标体系输出管制扇区性能检测指标数据计算结果。系统提供良好的人机界面，供用户查看各种实时统计图形。

其中，管制扇区运行通行性指标是指：

(1)扇区流量

扇区流量是指管制扇区单位时间内所管辖的航空器架次。系统通过引接空管自动化系统综合航迹数据获取空中航空器的位置信息，结合已配置的扇区边界信息，计算得到扇区流量。

(2)扇区航行里程

扇区航行里程是指管制扇区单位时间内所管辖的航空器航行里程的总和。设管制扇区单位时间内航空器架次数为Q，第q架航空器的航行里程为M_q，扇区航行里程为M_total，则通过引接空管自动化系统综合航迹数据获取空中航空器的位置信息，结合已配置的扇区边界信息，计算得到扇区航行里程。

(3)扇区航行时间

扇区航行时间是指管制扇区单位时间内所管辖的航空器航行时间的总和。设管制扇区单位时间内航空器架次数为Q，第q架航空器的航行时间为T_q，扇区航行时间为T_total，则通过引接空管自动化系统综合航迹数据获取空中航空器的位置信息，结合已配置的扇区边界信息，计算得到扇区航行时间。

(4)扇区交通流密度

扇区交通流密度是对管制扇区单位时间内所管辖的航空器架次密集程度的测度。设扇区面积为S_sec，管制扇区单位时间内航空器架次数为Q，单位时间内扇区交通流密度为D_sec，则D_ses＝Q/S_sec。系统读取配置的扇区边界信息得到扇区面积，结合扇区流量计算得到扇区交通流密度。

扇区复杂性指标是指：

(1)扇区航空器爬升次数

扇区航空器爬升次数是指管制扇区单位时间内所管辖的航空器爬升次数的总和。设管制扇区单位时间内航空器架次数为Q，第q架航空器的爬升次数为C_q，扇区航空器爬升次数为C_total，则引接实时综合航迹数据，对扇区中航空器的爬升情况进行监视与统计，一个航空器爬升一个高度层为爬升一次，计算得到扇区航空器爬升次数。

(2)扇区航空器下降次数

扇区航空器下降次数是指管制扇区单位时间内航空器下降次数的总和。设管制扇区单位时间内航空器架次数为Q，第q架航空器的下降次数为D_q，扇区航空器下降次数为D_total，则引接实时综合航迹数据，对扇区中航空器的下降情况进行监视与统计，一个航空器下降一个高度层为下降一次，计算得到扇区航空器爬升次数。

(3)扇区航空器改速次数

扇区航空器改速次数是指管制扇区单位时间内航空器速度改变次数的总和。设管制扇区单位时间内航空器架次数为Q，第q架航空器的改速次数为S_q，扇区航空器改速次数为S_total，则引接实时综合航迹数据，对扇区中航空器的速度改变情况进行监视与统计，一个航空器速度连续改变达到设定参数为一次速度改变，计算得到扇区航空器改速次数。

(4)扇区航空器改航次数

扇区航空器改航次数是指管制扇区单位时间内航空器航向改变次数的总和。设管制扇区单位时间内航空器架次数为Q，第q架航空器的改航次数为H_q，扇区航空器改航次数为H_total，则引接实时综合航迹数据，对扇区中航空器的航向改变情况进行监视与统计，一个航空器航向连续改变达到设定参数为一次航向改变，计算得到扇区航空器改航次数。

而，扇区安全性指标是指：

(1)扇区短期冲突告警频率

扇区短期冲突告警频率是指管制扇区单位时间内所管辖的航空器短期冲突告警次数，由系统引接空管自动化系统的STCA告警数据统计得到。

(2)扇区最低安全高度告警频率

扇区最低安全高度告警频率是指管制扇区单位时间内所管辖的航空器最低安全高度告警次数，由系统引接空管自动化系统的MSAW告警数据统计得到。

再者，扇区经济性指标是指：

(1)扇区饱和度

扇区饱和度是指管制扇区单位时间内流量与容量的比值，管制扇区单位时间内所能管辖的航空器最大数量标定为管制扇区容量。设管制扇区单位时间内航空器架次数为Q，管制扇区容量为C，扇区饱和度为Satu_sec，则Satu_sec＝Q/C。系统读取配置的扇区容量参数，结合扇区流量计算得到扇区饱和度。

(2)扇区排队长度

在管制扇区单位时间内所管辖的航空器中，如进入扇区时出现盘旋等待等排队状况，则定义其为排队航空器，定义扇区排队长度为排队航空器的数量。系统引接综合航迹数据，判断目标航空器是否在扇区边界进行盘旋等待，并计算得到扇区排队长度。

(3)扇区航空器延误架次率

在管制扇区单位时间内所管辖的航空器中，航行时间超出了正常范围的航空器定义为延误航空器，航行时间超出正常范围的部分定义为延误时间。设管制扇区单位时间内航空器架次数为Q，扇区航空器的延误架次数为d，扇区航空器的延误架次率为Drat_sec，则Drat_sec＝d/Q。引接综合航迹数据，对每架航空器在管制扇区中的实际飞行时间与经验飞行时间进行对比，若实际飞行时间大于经验飞行时间，则视为延误航空器，并计算得到扇区航空器延误架次率。

(4)扇区航空器延误时间

在管制扇区单位时间内所管辖的航空器中，航行时间超出了正常范围的航空器定义为延误航空器，航行时间超出正常范围的部分定义为延误时间，延误时间总和定义为扇区航空器延误时间。设管制扇区单位时间内航空器架次数为Q，第q架航空器的延误时间为Delay_q，扇区航空器延误时间为Delay_sec，则引接综合航迹数据，对每架航空器在管制扇区中的实际飞行时间与经验飞行时间进行对比，若实际飞行时间大于经验飞行时间，则视为延误航空器，并计算得到扇区航空器延误时间。

(5)扇区航空器平均延误时间

在管制扇区单位时间内所管辖的航空器中，航行时间超出了正常范围的航空器定义为延误航空器，航行时间超出正常范围的部分定义为延误时间。设扇区航空器延误时间为Delay_sec，扇区航空器的延误架次数为Q，扇区航空器的平均延误时间为Davg_sec，则Davg_sec＝Delay_sec/Q。引接综合航迹数据，对每架航空器在管制扇区中的实际飞行时间与经验飞行时间进行对比，若实际飞行时间大于经验飞行时间，则视为延误航空器，并计算得到扇区航空器平均延误时间。

另外，管制员工作负荷检测指的是：

管制员为完成管制任务需承受身体上和精神上的压力，这些压力可以转化为时间上的消耗，通过时间消耗来缓解承受到的压力和完成客观任务的要求，这个时间消耗的长短就是管制员工作负荷的大小。在可测计的管制员工作时间消耗中，陆空通话信道占用率和陆空通话次数是反映管制员工作负荷的基础指标。

(1)陆空通话信道占用率检测

陆空通话信道占用率是指管制扇区单位时间内陆空通话时长占比。设管制扇区在单位时间T内共陆空通话R次，第r次陆空通话的时间长度为T_r，陆空通话信道占用率为T_rate，则引接管制语音数据，分析对应扇区管制席位的管制员与飞行员通话开始时间和结束时间，然后将每段通话的时长进行累加，从而得到扇区陆空通话时长，进而计算得到陆空通话信道占用率。

(2)陆空通话次数检测

陆空通话次数是指管制扇区单位时间内陆空通话的次数。系统对管制语音数据进行分析，每次通话计为一次陆空通话，对单位时间内通话次数进行累加得出陆空通话次数。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (20)

1.一种空中交通管制扇区运行性能检测方法，其特征在于：包括步骤：

步骤1：确定BP神经网络拓扑结构，采集不同时段的扇区性能检测指标样本，建立样本集；

步骤2、利用遗传算法优化BP神经网络的权值和阈值，进行网络训练，输出优化后的BP神经网络；

步骤3：根据输入的扇区性能检测指标实时数据，通过步骤2优化后的BP神经网络预测扇区性能综合指数。

2.如权利要求1所述的空中交通管制扇区运行性能检测方法，其特征在于：

所述步骤1包括：

步骤1.1确定BP神经网络结构；

步骤1.2建立样本集。

3.如权利要求2所述的空中交通管制扇区运行性能检测方法，其特征在于：

所述步骤1.1包括：

根据经验公式确定：H为隐含层节点数目，C取从1到10的整数，I为指标总数；

隐含层和输出层的节点传递函数均采用tansig函数：

$L_{j,k,p}=\tan sig\left({\Σ}_{i=1}^{17}{\mathrm{\ω}}_{i,k,p}{x}_{j,i}^{\′}-{\mathrm{\α}}_{k,p}\right)$

$Y_{j,p}=\tan sig\left({\Σ}_{k=1}^H{\mathrm{\ω}}_{k,p}^{\′}{L}_{j,k,p}-{\mathrm{\β}}_p\right)$

对于第p次训练，L_j，k，p表示第j(j＝1，2，...，N)组样本数据所对应的BP神经网络第k(k＝1，2，...，H)个隐含层节点的输出值，Y_j，p表示第j(j＝1，2，...，N)组样本数据所对应的BP神经网络输出层的输出值，ω_i，k，p表示从输入层第i个节点到隐含层第k个节点的权值，α_k，p表示隐含层第k个节点的阈值，ω′_k，p表示从隐含层第k个节点到输出层单一节点的权值，β_p表示输出层单一节点的阈值。

4.如权利要求2所述的空中交通管制扇区运行性能检测方法，其特征在于：

所述步骤1.2包括：

采集不同时段的扇区性能检测指标样本，取样本对应扇区运行历史时段的管制录音录像，组织资深管制专家以听录音、看录像的方式，分析所复现的管制情境，参照扇区运行性能检测指标数据对样本进行扇区运行性能综合分类，将综合分类结果标定为扇区运行性能综合指数；将不同时段的扇区性能检测指标样本及其对应的扇区性能综合指数样本组成n组样本数据对，建立样本集。

所述扇区性能检测指标包括扇区通行性检测指标、扇区复杂性检测指标、扇区安全性检测指标、扇区经济性检测指标和管制员工作负荷指标。

所述扇区通行性检测指标为扇区流量、扇区航行里程、扇区航行时间和扇区交通流密度；扇区复杂性检测指标为扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改航次数；扇区安全性检测指标为扇区短期冲突告警频率和扇区最低安全高度告警频率；扇区经济性检测指标为扇区饱和度、扇区排队长度、扇区航空器延误架次率、扇区航空器延误时间、扇区航空器平均延误时间；管制员工作负荷检测指标为陆空通话信道占用率、陆空通话次数。

5.如权利要求1所述的空中交通管制扇区运行性能检测方法，其特征在于：

所述步骤2包括：

步骤2.1使用遗传算法优化BP神经网络权值和阈值；

步骤2.2以最优初始化权值和阈值，对扇区性能检测指标样本进行BP神经网络训练，输出优化后的BP神经网络。

6.如权利要求5所述的空中交通管制扇区运行性能检测方法，其特征在于：

所述步骤2.1包括：

步骤2.1.1随机初始化BP神经网络权值和阈值，对权值和阈值进行编码，形成个体及种群；

步骤2.1.2构造个体适应度函数；

步骤2.1.3选择操作；

步骤2.1.4交叉操作；

步骤2.1.5变异操作；

步骤2.1.6根据遗传算法结束条件，选取适应度值最大的个体基因编码，作为BP神经网络的最优初始化权值和阈值。

7.如权利要求6所述的空中交通管制扇区运行性能检测方法，其特征在于：

所述步骤2.1.1包括：

个体的编码采用实数编码方式，每个个体由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值构成。

8.如权利要求6所述的空中交通管制扇区运行性能检测方法，其特征在于：

所述步骤2.1.2包括：

将不同时段的扇区性能检测指标样本数据归一化处理后作为网络输入数据，将对应的扇区性能综合指数作为网络期望输出，以种群中第l(l＝1，2，...，L)个个体作为BP神经网络权值和阈值，L表示种群规模，并以训练输出与期望输出之间误差(绝对值)之和的倒数，作为在第d次迭代后的适应度值F_i，d：

$F_{l,d}=1/\left({\Σ}_{j=1}^{N}abs\left(Y_{j,d}^l-E_{j,d}^l\right)\right)$

其中，分别表示在第d次迭代时，第j(j＝1，2，...，N)组样本数据所对应的BP神经网络的训练输出与期望输出；可取1，2，3，4，5，分别表示扇区运行性能为最好、较好、一般、较差、最差。

9.如权利要求6所述的空中交通管制扇区运行性能检测方法，其特征在于：

所述步骤2.1.3包括：

通过选择操作处理个体适应度值，选择输出部分个体适应度值对应的个体；个体l在第d次迭代时的选择概率为：

${\mathrm{\δ}}_{l,d}=F_{l,d}/\underset{l=1}{\overset{L}{\Σ}}{F}_{l,d}.$

10.如权利要求6所述的空中交通管制扇区运行性能检测方法，其特征在于：

所述步骤2.1.4包括：

使用交叉操作对选择输出的个体进行处理，并输出交叉操作结果。第l个个体和第l'个个体在m位进行基因交叉操作方法为：

$\left.\begin{array}{c}{g}_{l,m,d}^{\′}=g_{l,m,d}\left(1-r\right)+g_{l^{\′},m,d}r\\ g_{l^{\′},m,d}^{\′}=g_{l^{\′},m,d}\left(1-r\right)+g_{l,m,d}r\end{array}\right\}$

其中：g_l，m，d和g_l′，m，d分别表示第l个个体和第l'个个体在m位的基因，g′_l，m，d和g′_l′，m，d分别表示第l个个体和第l'个个体对m位的基因进行交叉操作之后的基因，r是[0,1]间的随机数。

11.如权利要求6所述的空中交通管制扇区运行性能检测方法，其特征在于：

所述步骤2.1.5包括：

使用变异操作对交叉操作结果进行处理，得到变异操作结果：

$g_{l,m,d}^{\′\′}=\left\{\begin{array}{cc}{g}_{l,m,d}^{\′}+\left(g_{\max }-g_{l,m,d}^{\′}\right)*f\left(d\right)& a>0.5\\ g_{l,m,d}^{\′}+\left(g_{l,m,d}^{\′}-g_{\min }\right)*f\left(d\right)& a\≤0.5\end{array}\right.$

其中，g_max、g_min分别为基因g′_l，m，d取值的上界和下界，f(d)＝b(1-d/D_max)²，其中a和b是[0,1]间的随机数，d为当前的迭代次数，D_max为最大迭代次数。

12.如权利要求6所述的空中交通管制扇区运行性能检测方法，其特征在于：

所述步骤2.1.6包括：

根据最大迭代次数，判断是否满足遗传算法结束条件，如达到最大迭代次数，结束遗传算法计算，选取适应度值最大的个体基因编码，作为BP神经网络的最优初始化权值和阈值；若不满足算法结束条件，则返回步骤2.1.3。

13.如权利要求5所述的空中交通管制扇区运行性能检测方法，其特征在于：

所述步骤2.2包括：

步骤2.2.1基于遗传算法输出BP神经网络的最优初始化权值和阈值，进行网络训练，得到训练输出值，计算训练输出与期望输出之间的误差；

步骤2.2.2根据计算出的误差，更新网络的权值和阈值；

步骤2.2.3输出优化后的BP神经网络。

14.如权利要求13所述的空中交通管制扇区运行性能检测方法，其特征在于：

所述步骤2.2.3包括：

以误差收敛精度、训练步长以及确认检查的次数，设定网络训练结束条件；判断是否满足网络训练结束条件，若满足，则输出优化后的BP神经网络；若不满足，则将步骤2.2.2更新后的权值和阈值作为初始化权值和阈值，执行步骤2.2.1。

15.如权利要求1所述的空中交通管制扇区运行性能检测方法，其特征在于：

在步骤2中的训练BP神经网络之前，先对扇区性能检测指标样本数据进行归一化处理；在步骤3中的扇区性能检测指标实时数据输入之前，先对实时数据进行归一化处理；

所述样本数据归一化处理的函数表示为：

$x_{j,i}^{\′}=2\×\frac{x_{j,i}-\min \left(x_{1,i},...,x_{j,i},...,x_{N,i}\right)}{\max \left(x_{1,i},...,x_{j,i},...,x_{N,i}\right)-min\left(x_{1,i},...,x_{j,i},...,x_{N,i}\right)}-1$

其中，x_j，i表示第j(j＝1，2，...，N)个样本的第i(i＝1，2，...，17)项指标的原始数据，x′_j，i表示对x_j，i进行归一化处理之后的数据，x′_j，i∈[-1，1]；

所述扇区性能检测指标实时数据x_tj，经过归一化处理得到x′_t，i为：

$x_{t,i}^{\′}=2\×\frac{x_{t,i}-\min \left(x_{1,i},...,x_{j,i},...,x_{N,i}\right)}{\max \left(x_{1,i},...,x_{j,i},...,x_{N,i}\right)-min\left(x_{1,i},...,x_{j,i},...,x_{N,i}\right)}-1.$

16.如权利要求1所述的空中交通管制扇区运行性能检测方法，其特征在于：

若输入扇区性能检测指标实时数据预测扇区性能综合指数结果符合预设条件，则响应警告。

17.一种空中交通管制扇区运行性能检测系统，其特征在于：包括：

BP神经网络模块：用于确定BP神经网络拓扑结构，利用遗传算法优化BP神经网络的权值和阈值，根据样本数据对训练BP神经网络；

检测模块：输入扇区性能检测指标实时数据检测输出扇区性能综合指数。

18.根据权利要求17所述的空中交通管制扇区运行性能检测系统，其特征在于：

系统还包括警告模块；所述检测模块基于归一化处理后的扇区性能检测指标实时数据检测输出扇区性能综合指数，若检测结果符合预设条件，则所述警告模块响应警告。

19.根据权利要求17所述的空中交通管制扇区运行性能检测系统，其特征在于：

系统还包括管制扇区运行性能检测数据库、以及分别耦合于所述管制扇区运行性能检测数据库的数据引接模块和管制扇区运行性能指标检测模块；所述数据接引模块包括电报数据接口、综合航迹数据接口和管制语音数据接口；所述管制扇区运行性能指标检测模块用于采集管制扇区运行通行性指标、管制扇区运行复杂性指标、管制扇区运行安全性指标、管制扇区运行经济性指标和管制员工作负荷指标；所述管制扇区运行性能检测数据库耦合于所述BP神经网络模块和检测模块的输入端。

20.根据权利要求17所述的空中交通管制扇区运行性能检测系统，其特征在于：

所述BP神经网络模块还包括遗传算法单元和BP神经网络训练单元；所述遗传算法单元通过对输入的个体适应度值进行选择操作、交叉操作和变异操作处理得到最优适应度值对应的个体，判断所述最优适应度值对应的个体是否满足预设条件，若是，则根据所述最优适应度值对应的个体输出最优初始化权值和阈值，若否，则返回执行选择操作、交叉操作和变异操作处理；所述BP神经网络训练单元基于最优初始化权值和阈值进行网络训练，输出优化后的BP神经网络。