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，W及隐 含层阔值、输出层阔值，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W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： 阳103] S1-2:对管制扇区性能样本数据进行归一化处理。
[0104] 对应的，即在步骤S3中还包括过程：
[01化]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W是在步骤S3 中，也可W在此之前就输入，然后等到BP神经网络的权值和阔值进行更新后才使用。 阳106]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W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。 阳107]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W落于实际，更具实用性。
[0108] 结合实施例二可知，本研究W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= {Xi，i= 1，2，...，17}。
[0109]其中，扇区通行性检测指标为找1，X2,X3,XJ，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找5,而，X,，而}，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 全性检测指标为找9,Xi。}，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找11，Xi2,X。，Xi4,XiJ，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 标为找WXJ，分别表示陆空通话信道占用率、陆空通话次数。
[0110]根据N组W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： 阳1川表1 :扇区性能样本数据示例 阳112]
[0113]对样本数据进行预处理，W消除样本数据各检测指标间的量纲差异。设X，,1表示 第j(j= 1，2，...，脚个样本的第i项指标的原始数据，X',,康示对X,,进行归一化处理 之后的数据，為,;S|-心皆样本数据进行归一化处理的函数表示为： 阳114]
[0115]对于扇区性能检测指标实时数据Xt,，经过归一化处理得到X' 为： 阳116]
u
[0117] 转入步骤S2:
[0118] BP神经网络本身就具有自主调整和逼近与其输出的优点，而权值和阔值则是BP 神经网络的关键，再配合W遗传算法对BP神经网络进行优化和更新，可W使得管制扇区运 行性能综合指数检测可W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；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； 本发明根据最优个体来更新BP神经网络的权值和阔值，可W使得BP神经网络可W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W更好地统合实际和理论，W使得 BP神经网络具有更优的实用性。
[0119] 步骤S2还包括过程：
[0120] 步骤S2-1使用遗传算法优化BP神经网络权值和阔值； 阳121] 步骤S2-2W最优初始化权值和阔值，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。 阳m] 在步骤S2-1中包括：
[012引步骤S2-1-1随机初始化BP神经网络权值和阔值，对权值和阔值进行编码，形成个 体及种群。
[0124] 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、隐含层阔值、隐含层与输出层连接权值W及输出层阔值构成。其中，输入层与隐含层 连接权值、隐含层阔值、隐含层与输出层连接权值W及输出层阔值一组数值，运四个构成一 个个体。 阳1巧]步骤S2-1-2构造个体适应度函数。 阳126] 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，W种群中第1(1 = 1，2, ...，L)个个体作为BP 神经网络权值和阔值，L表示种群规模，并W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Fi,d: 阳 127]
阳1測其中，巧&、踪分别表示在第d次迭代时，第j(j= 1，2,...，脚组样本数据所对 应的BP神经网络的训练输出与期望输出。f3、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。
[0129] 步骤S2-1-3选择操作。
[0130] 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 1在第d次迭代时的选择概率为：
[0131]
[0132] 步骤S2-1-4交叉操作。
[0133] 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1个个体和 第r个个体在m位进行基因交叉操作方法为： 阳 134]
[013引其中：gi,m,d和gl, ,m,d分别表示第1个个体和第1'个个体在m位的基因，g'I,m,d和g'r,m,d分别表示第1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。
[0136] 步骤S2-1-5变异操作。 阳137] 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： 阳13引
[0139] 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。
[0140] 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阔值。 阳141] 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S2-1-3。 阳142] 选择操作是指从上一代可行解中W-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，W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W保证计算得到的最优个体的准确性，而最优个体则可W通过W其为根据更新BP 神经网络的权值和阔值，进而提高扇区性能综合指数的检测的可靠性。
[0143] 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阔值；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W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W重新返回进行遗传算法，如此可W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。
[0144] 在步骤S2-2中包括：
[0145] 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。 阳146] 步骤S2-2-2根据计算出的误差，更新网络的权值和阔值。
[0147] 步骤S2-2-3输出优化后的BP神经网络。
[0148] 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 S2-2-2更新后的权值和阔值作为初始化权值和阔值，执行步骤S2-2-1。
[0149] 根据上述算法流程，采用MTLABR2014a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阔值进行优化，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。
[0150] 其中，BP神经网络的隐含层数目HG[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，W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=层网络结构。同时，为进一步检验GABP神经网络的泛化能力，W 50组数据进行测试。 阳151] 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。
[0152] 表2 :神经网络训练误差对比阳153]