个个体和第1'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。 阳化0] 优选的，所述步骤2. 1.5包括：
[0051] 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：
[0052]
阳化引其中，gmax、gmm分别为基因g' 1,m,d取值的上界和下界，fW=b( 1-d/D。J2，其中a和b是[0, 1]间的随机数，d为当前的迭代次数，Dm。、为最大迭代次数。
[0054] 优选的，所述步骤2. 1.6包括：
[0055] 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 阔值；若不满足算法结束条件，则返回步骤2. 1. 3。
[0056] 优选的，所述步骤2. 2包括：
[0057] 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阔值，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；
[0058] 步骤2. 2. 2根据计算出的误差，更新网络的权值和阔值；
[0059] 步骤2. 2. 3输出优化后的BP神经网络。
[0060] 优选的，所述步骤2. 2. 3包括：
[0061]W误差收敛精度、训练步长W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更新后的权值和阔值作为初始化权值和阔值，执行步骤2. 2. 1。
[0062] 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。
[0063] 所述样本数据归一化处理的函数表示为：
[0064]
阳0化]其中，Xj,i表示第j(j= 1，2，...，脚全样本的第i(i= 1，2，. . .，17)项指标的原 始数据，X' ,,1表示对x,,i进行归一化处理之后的数据，X'
[0066] 所述扇区性能检测指标实时数据Xt,，经过归一化处理得到X' 为：
[0067]
。中：
[0068] 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。 W例一种空中交通管制扇区运行性能检测系统，包括：
[0070] 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 络的权值和阔值，根据样本数据对训练BP神经网络；
[0071] 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。
[0072] 优选的，系统还包括警告模块；所述检测模炔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。
[0073] 优选的，系统还包括管制扇区运行性能检测数据库、W及分别禪合于所述管制扇 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 检测数据库禪合于所述BP神经网络模块和检测模块的输入端。
[0074] 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阔值，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阔值进行网 络训练，输出优化后的BP神经网络。
[00巧]本发明的有益效果：
[0076] 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度ack Propagation)神经网络能学习和存 胆大量的输入-输出模式映射关系，无需事前掲示描述运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；运样新的可行解既继承了上一 代的信息，又优于上一代，运样反复循环，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】
[0077] 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；
[0078]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；
[0079] 图3是本发明实施例的BP神经网络的基本原理结构图；
[0080] 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；
[0081] 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；
[0082] 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；
[0083] 图7是本发明实施例的系统对应的网络结构图；
[0084] 图8是本发明实施例的系统对应的功能结构图；
[0085]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；
[0086] 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；
[0087] 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。
[008引其中，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】
[0089] 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。
[0090] 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W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运一 需求，尚未有效实现。
[0091] 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。
[0092] 下面结合附图和较佳的实施例对本发明作进一步说明。 阳〇9引实施例一：
[0094]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：
[0095] 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；
[0096] S2:利用遗传算法优化BP神经网络的权值和阔值，进行网络训练，输出优化后的 BP神经网络；
[0097] 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。
[0098] 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度ack Propagation)神经网络能学习和存 胆大量的输入-输出模式映射关系，无需事前掲示描述运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；运样新的可行解既继承了上一 代的信息，又优于上一代，运样反复循环，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。
[0099] 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： 阳100] S1-1:确定网络拓扑结构； 阳101] S1-2:归一化处理并输入扇区性能样本数据。 阳102] 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