本发明属于空中交通管制技术领域，具体涉及一种空中交通管制模拟训练评估方法。
背景技术：
管制员是空中交通管制的重要组成部分，他肩负着保障飞机飞行安全的重任，由于工作的特殊性，管制员不能依靠实际飞行管制进行训练，因此，为了达到训练的目的，模拟训练系统已经被广泛使用在管制员训练中，现有的管制员模拟训练系统已经具有很高的仿真能力，基本能够覆盖到管制员日常工作的方方面面，确保了管制员训练的质量。
但是已有的管制员训练系统评估方式主要依赖于教员的评价，教员现场观察管制员的表现，对管制员进行评分，这样的评估方式存在着主观性强、工作量大等问题，难以完全客观反映管制员的训练情况，而且很多对管制员训练评估起指导作用的训练数据存储在系统中没有使用，未能完全发挥出数据的潜力。
为了使评估结果更加客观，需要研究一种管制员模拟训练中评估规则的建立方法，让系统能够依据评估规则对管制员训练情况进行评估，实现评估的自动化、客观化。
技术实现要素：
有鉴于此，本发明提供了一种空中交通管制模拟训练评估方法，该方法能够根据历史积累的学员训练数据进行评估规则的自动生成，采用该评估规则进行管制员训练评估时，评估更加自动和准确。
为了达到上述目的，本发明的技术方案为：一种空中交通管制模拟训练评估方法，包括如下步骤：
步骤一、整合模拟训练中各个训练科目的评估指标，并将评估指标分为开关指标和变化指标。
当评估指标的发生与否直接决定训练结果时，将该评估指标划为开关指标；
若评估指标在每一次训练中对应量化后的数值不同，则将该评估指标划为变化指标。
将开关指标的量化值为布尔值，其中当开关指标指示的训练结果为合格时，其量化值为1，否则为0。
将变化指标进行量化获得对应量化值，并将变化未超出设定范围的变化指标过滤掉。
本步骤中划分的开关指标数量为m，分别为b1～bm；变化指标数量为n，分别为a1～an。
步骤二、获取N条历史训练数据，每条历史训练数据取其中对应的变化指标和开关指标以及成绩建立一个样本，组成样本集；
所建立的第x个样本为(ax1,…,axn,bx1,…,bxm,δx)，其中ax1,…,axn为第x条历史训练数据中n个变化指标，bx1,…,bxm为m个开关指标，δx为第x条实际训练数据的成绩；
每一个变化指标axi对应一个区间：[min(axi),max(axi)]
min(axi)和max(axi)分别表示该变化指标axi的下限和上限，则axi与其对应区间[min(axi),max(axi)]之间的距离为wxi，表达式如下所示：
设定合格分值ω，如果δx大于或者等于ω，则第x个样本为正样本，反之则第x个样本为反样本；将样本集划分为正样本集和反样本集。
步骤三、将样本集中的样本逐个取出，判断若该样本中有一个开关指标为0，将该样本从样本集中删除；针对正样本集中每一条正样本均进行如下s301～s304的操作，获得该正样本对应规则，所有正样本对应规则的集合作为规则集。
s301、所选正样本为第i条样本，其变化指标包括ai1～ain；针对每一个变化指标aik，k取遍整数1～n，设定区间范围μik，μik∈(0,1)，计算变化指标aik的区间[min(aik),max(aik)]，其中min(aik)＝(1-μik)*aik，max(aik)＝(1+μik)*aik；则得到该正样本i对应的区间集合[[min(ai1),max(ai1)],…,[min(ain),max(ain)]]。
s302、针对样本集中所有样本，计算样本中各变化指标与区间集合中对应区间的距离并取平均值，得到样本距离。
s303、获取反样本的样本距离中的最小距离Dmin，当Dmin不为0时，将各正样本的样本距离与Dmin各反样本的相比，选择所有样本距离小于Dmin的正样本，生成一条规则：
Ru(ID)＝{[min(ai1),max(ai1)],…,[min(ain),max(ain)],ID,Dmin}；其中[min(ai1),max(ai1)],…,[min(ain),max(ain)]记为规则区间集，ID为规则标识，Dmin规则距离。
步骤四、获取实际训练数据，作为新的样本，将新的样本与规则集中所有规则的区间集合进行样本距离计算，若存在一条规则符合如下条件：新的样本的样本距离小于该条规则中的规则距离，则该新的样本符合该条规则，对应的实际训练数据合格。
进一步地，步骤一中，将变化未超出设定范围的变化指标过滤掉的具体步骤为：在历史训练数据中，针对变化指标ap，若ap对应的所有实际数据值的方差小于设定阈值，则将该变化指标ap过滤掉。
进一步地，s303中，若Dmin＝0，则预设区间缩小参数值ε，ε∈(0.9,1)，重新设定区间范围μik为原值的ε倍返回s301。
有益效果：
1、本发明将基于大量历史训练数据，建立评估规则，能够通过对历史训练数据中的各类指标划分、样本区间设定以及样本距离判定来实现对新的训练数据的评估，即判断新的训练数据距离合格的样本区间的样本距离是否达到合格距离，采用数据匹配的方式进行评估，改善了以往的人力评估方式带来的主观性强和工作量大的缺陷，通过构建的评估规则能够实现主动客观地评估，并且由于数据匹配更加精确，能够使评估结果更加公正、准确。同时本发明在处理历史训练数据时，能够针对其中的各指标进行分析处理，因此能够挖掘出很多有价值的信息，充分挖掘了数据潜力。
2、本发明中选定评估指标以后，不是所有涉及到的指标都能够有效的反映出学员的训练情况，有的变化指标在每一次训练中都基本保持不变，对评估结果影响较小，同时还增加了运算的成本，因此在建立评估规则的过程中，需要将这些指标过滤掉。过滤方法为将变化未超出设定范围的变化指标过滤掉；即针对变化指标ap，若ap对应的所有实际数据值的方差小于设定阈值，就认为该指标属于较稳定的指标，将这个指标过滤掉，这样能够滤除掉对成绩影响不大的变化指标，有利于节省运算量。
3、本发明中在计算反样本的样本距离时，若Dmin＝0，代表所有的反样本可能均符合规则，因此预设区间缩小参数值ε，ε∈(0.9,1)，重新设定区间范围μik为原值的ε倍然后重复操作，这样能够将区间缩小，从而滤除掉更多反样本，使得结果更加准确。
附图说明
图1为本发明生成评估规则流程。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
一种空中交通管制模拟训练评估方法，包括如下步骤：
步骤一、整合模拟训练中各个训练科目的评估指标，并将评估指标分为开关指标和变化指标；
当评估指标的发生与否直接决定训练结果时，将该评估指标划为开关指标；
若评估指标在每一次训练中对应量化后的数值不同，则将该评估指标划为变化指标；
将开关指标的量化值为布尔值，对于开关指标的评价，由于它能够直接决定成绩是否合格，因此开关指标使用布尔值表示，当开关指标发生时取值为0，如表示航空器相撞时，赋值为0，表示规定时间内未完成训练时，赋值为0，反之则赋值为1。当开关指标赋值为0是，表示本次训练未通过。
将变化指标进行量化获得对应量化值对于某个训练科目，选定评估指标以后，不是所有涉及到的指标都能够有效的反映出学员的训练情况，有的变化指标在每一次训练中都基本保持不变，对评估结果影响较小，同时还增加了运算的成本，因此在建立评估规则的过程中，需要将这些指标过滤掉。过滤方法为将变化未超出设定范围的变化指标过滤掉；即针对变化指标ap，若ap对应的所有实际数据值的方差小于设定阈值，就认为该指标属于较稳定的指标，将这个指标过滤掉。
本步骤中划分的开关指标数量为m，分别为b1～bm；变化指标数量为n，分别为a1～an；
步骤二、获取N条历史训练数据，每条历史训练数据取其中对应的变化指标和开关指标以及成绩建立一个样本，组成样本集；
所建立的第x个样本为(ax1,…,axn,bx1,…,bxm,δx)，其中ax1,…,axn为第x条历史训练数据中n个变化指标，bx1,…,bxm为m个开关指标，δx为第x条实际训练数据的成绩；
每一个变化指标axi对应一个区间：[min(axi),max(axi)]
min(axi)和上限max(axi)分别表示该变化指标axi的下限和上限，则axi与其对应区间[min(axi),max(axi)]之间的距离为wxi，表达式如下所示：
该处计算的变化指标与区间的距离能够用于评判变化指标对应的实际训练数值与历史的合格训练数据之间差距，因此可以作为判断实际训练数据是否合格的依据。
设定合格分值ω，如果δx大于或者等于ω第x个样本为正样本，反之则第x个样本为反样本；将样本集划分为正样本集和反样本集；在具体实施的过程中可以设定分值ω为及格分数线，当合格分值ω确定之后，划分出的正样本即为合格的样本，反样本即为不合格的样本。
步骤三、将样本集中的样本逐个取出，判断若该样本中有一个开关指标为0，代表该样本无论变化指标如何，一定为不合格，因此将该样本从样本集中删除；从针对正样本集中每一条正样本均进行如下s301～s304的操作，获得该正样本对应规则，所有正样本对应规则的集合作为规则集；
s301、所选正样本为第i条样本，其变化指标包括ai1～ain；针对每一个变化指标aik，k取遍整数1～n，设定区间范围μik，μik∈(0,1)，计算变化指标aik的区间[min(aik),max(aik)]，其中min(aik)＝(1-μik)*aik，max(aik)＝(1+μik)*aik；则得到该正样本i对应的区间集合[[min(ai1),max(ai1)],…,[min(ain),max(ain)]]。
由于本步骤中以正样本的变化指标计算区间，因此此处的区间集合中的区间均为合格区间。
s302、针对样本集中所有样本，计算样本中各变化指标与区间集合中对应区间的距离并取平均值，得到样本距离；可以看出本步骤中的样本距离即为样本中距离合格区间的距离值。
s303、反样本的样本距离中的最小距离Dmin，此时若Dmin＝0，将各正样本的样本距离与Dmin各反样本的样本距离中的最小距离相比，由于样本的样本距离较大，可以选取反样本的最小样本距离对正样本进行筛选，代表所有的反样本可能均符合规则，因此预设区间缩小参数值ε，ε∈(0.9,1)，重新设定区间范围μik为原值的ε倍返回s301，这样能够将区间缩小，从而滤除掉更多反样本。
当Dmin不为0时，选择所有样本距离小于Dmin的正样本，代表这些正样本符合同一条规则，可以进行一条规则的生成，因此此处生成一条规则，Ru(ID)＝{[min(ai1),max(ai1)],…,[min(ain),max(ain)],ID,Dmin}；其中[min(ai1),max(ai1)],…,[min(ain),max(ain)]记为规则区间集，ID为规则标识，Dmin规则距离。该规则区间中的组成要素具备规则的标识、以及进行新的样本是否该规则所需要件，因此能够用于后续新样本的判定。
步骤四、获取实际训练数据，作为新的样本，将新的样本与规则集中所有规则的区间集合进行样本距离计算，若存在一条规则符合如下条件：新的样本的样本距离小于该条规则中的规则距离，则该新的样本符合该条规则，对应的实际训练数据合格。
2、如权利要求1的一种管制员模拟训练中评估规则自动生成，其特征在于，步骤一中，将变化未超出设定范围的变化指标过滤掉的具体步骤为：
在历史训练数据中，针对变化指标ap，若ap对应的所有实际数据值的方差小于设定阈值，则将该变化指标ap过滤掉。
综上，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。