近年来随着民航运输量迅速增长,管制人员短缺和航班延误现象的不断加剧,管制员面临疲劳问题也越来越严重。如果管制员身处于疲劳状态仍旧上岗或是继续工作将会直接威胁到航空安全,如何确定管制员疲劳状态成为一个至关重要的问题。本文借鉴多种其他领域疲劳判定方法,以多生理参数和疲劳度分别作为输入量与输出量,在信息融合基础上,以人工智能学习算法为框架,构造管制疲劳评价模型,论文要点如下:对当下国内外管制疲劳的研究现状进行了归纳总结,分析了管制疲劳成因与体现,对目前其他领域最为实用的三种疲劳判定方法进行比较,分析了各自的优缺点,最终确定通过信息融合模型判定管制疲劳状态。实验设计基于模拟塔台管制软件TOWER,本课题招募了20名管制学员参加试验,利用MP150生理多导记录仪与眼动记录仪分别记录了正常组与剥夺睡眠组被试的生理指标。通过滤波筛除异常数据后观察其数据处理后的时域及频域指标,并利用重复变量测量分析了正常组与疲劳组的四大类生理指标,比较各类生理数据的组间差异显著性与随时间变化的显著性。数据分析基于SPSS,由于单纯从生理参数出发无法对疲劳等级进行合理的定标,本文通过研究分析了KSS量表结果与管制绩效结果,综合修正后得到被试在不同时段的疲劳等级作为管制疲劳判定的基准。为了避免维数灾难,利用偏相关分析确定了随疲劳度变化相关性较高的五项生理指标,剔除了相关度低的生理指标,从而确定了模型的输入输出量。模型构建基于MATLAB,本文比较了目前应用最为广泛的一些人工智能学习算法。最后分别利用BP神经网络,CART决策树和高斯核支持向量机三种算法构建疲劳预测模型,比较其预测准确度与其他性能,其中以支持向量机模型预测准确度最高。从而可以根据当前生理参数判定当前管制疲劳度,为进入疲劳状态的管制员提供告警。