衛(wèi)星系統(tǒng)在役考核對數(shù)據(jù)挖掘的應用需求＊

錢昭勇，曹裕華，張 雷，王曉乾

（1.航天工程大學航天保障系，北京 101416；2.國防大學聯(lián)合勤務學院，北京 100858；3.西安衛(wèi)星測控中心，陜西 西安 710043）

衛(wèi)星系統(tǒng)在役考核意義非凡，內容豐富，要求嚴格，是一個復雜的系統(tǒng)工程問題。數(shù)據(jù)挖據(jù)的應用具有明顯的工程性和集合性，涵蓋了統(tǒng)計、分類、聚類、關聯(lián)、預測等多種數(shù)據(jù)分析與處理思想，一次數(shù)據(jù)挖掘可視為由多個步驟組成的工程化過程，能夠較好地用于分析解決衛(wèi)星系統(tǒng)在役考核相關問題。顯然，數(shù)據(jù)是衛(wèi)星系統(tǒng)在役考核的核心資源，考核的籌劃設計、組織實施、分析評估3個階段都離不開對數(shù)據(jù)的采集、存儲和各種有針對性的分析處理。同時，數(shù)據(jù)挖掘集合了對數(shù)據(jù)采集、存儲和預處理，對算法的選擇和應用，對結果的展示和驗證的完整過程[1]?？己酥胁煌膽眯枨髮煌臄?shù)據(jù)挖掘思想和方法，為更好地服務于衛(wèi)星系統(tǒng)在役考核過程，厘清數(shù)據(jù)挖掘在衛(wèi)星系統(tǒng)在役考核中的應用需求顯得非常必要。

1 數(shù)據(jù)挖掘經(jīng)典技術原理

數(shù)據(jù)挖掘是指從大量的、不完全的、有噪聲的、隨機的數(shù)據(jù)中，綜合運用各種技術與方法，獲取隱藏在其中的、有價值的知識（特征、規(guī)則、趨勢等）的過程[2]。最早的數(shù)據(jù)挖掘理論基礎主要源于統(tǒng)計、機器學習和數(shù)據(jù)庫系統(tǒng)。經(jīng)過不斷的發(fā)展，數(shù)據(jù)挖掘領域逐漸形成了一套經(jīng)典的基礎理論，主要包括關聯(lián)規(guī)則、分類、聚類、時間序列等。

1.1 關聯(lián)規(guī)則

數(shù)據(jù)挖掘的一個重要應用是尋找數(shù)據(jù)關聯(lián)性，即發(fā)現(xiàn)2個或多個參數(shù)數(shù)據(jù)之間存在的某種內在規(guī)律，包括簡單關聯(lián)、因果關聯(lián)、時序關聯(lián)等。關聯(lián)規(guī)則分析是數(shù)據(jù)挖掘中非常典型的一類技術方法。一個典型的關聯(lián)規(guī)則案例就是某超市的啤酒與尿布銷售問題。啤酒與尿布是兩類看似無關的商品，但是該超市卻發(fā)現(xiàn)這兩類商品經(jīng)?！敖壎ā变N售。關聯(lián)分析中的支持度和置信度分別反映關聯(lián)規(guī)則的準確度和重要性，所以關聯(lián)規(guī)則分析的主要目的是找出同時滿足最小支持度和置信度的強關聯(lián)規(guī)則。實踐表明，Apriori算法和FP-growth算法是最為經(jīng)典的2種不同類型的代表性關聯(lián)分析算法。通常情況下，最小支持度閾值越大，頻繁項和挖掘的關聯(lián)規(guī)則數(shù)量就越少；最小支持度閾值越小，頻繁項和挖掘的關聯(lián)規(guī)則數(shù)量就越多。為此，算法性能的表現(xiàn)受頻繁項集長度的影響，一般廣度優(yōu)先算法針對短頻繁項集挖掘相比深度優(yōu)先算法表現(xiàn)更好，反之亦然。

1.2 分類

分類作為數(shù)據(jù)挖掘的重要組成部分，屬于有監(jiān)督學習模式，通過使用已知類別標簽的樣本數(shù)據(jù)訓練分類器，并通過訓練出的分類器對未知的新樣本進行分類。分類算法主要包括單一分類和集成學習分類2種類型。經(jīng)典的單一分類算法主要有K-鄰近（KNN）、支持向量機（SVM）、樸素貝葉斯分類（BNC）、邏輯回歸（LR）、決策樹（DT）、神經(jīng)網(wǎng)絡（ANN）等。集成學習分類是為保證分類效果和防止過學習，通過將多個單一的基分類器按照一定的方式集成起來進行分類的方法，集成學習分類算法主要有Bagging系列和Boosting系列算法等。

1.3 聚類

聚類是一種無監(jiān)督學習的方法，在許多領域得到了重要的應用。聚類通過數(shù)據(jù)間的相似性把數(shù)據(jù)歸類，并根據(jù)數(shù)據(jù)的概念描述來制定對應的策略。其基本過程是按照特定標準（如距離）把一個數(shù)據(jù)集分割成不同的類或簇，把相似數(shù)據(jù)歸并到一類的過程，形成同類對象具有共同特征，不同類對象之間的有顯著區(qū)別，直到所有數(shù)據(jù)的歸類都完成。聚類算法主要包括層次聚類方法（BIRCH、Ward）、劃分聚類方法（K-means、PAM）、基于密度的方法（DBSCAN、DENCLUE）、基于網(wǎng)格的方法（STING、CLIQUE）和基于模型的方法（COBWEB、EM）等。

1.4 時間序列

時間序列是按照一定的時間順序和時間間隔的數(shù)據(jù)集合，包含著許多潛在有用的信息，時間序列分析不僅可以揭示某一現(xiàn)象的發(fā)展變化規(guī)律，還可以動態(tài)刻畫現(xiàn)象之間的相互關系。主要包括以下幾種模型：①傳統(tǒng)的時間序列分析模型，主要包括自回歸（AR）、滑動平均（MA）、自回歸滑動平均（ARMA）、使用差分的自回歸滑動平均（ARIMA）等模型；②機器學習模型，主要運用Xgboost、LightGBM等算法，能夠解決非線性問題，能夠支持復雜數(shù)據(jù)建模和多變量協(xié)同回歸，挖掘速度快精度高，但是對人工特征工程的能力有較大的依賴；③深度學習模型，主要包括全連接神經(jīng)網(wǎng)絡（如多層感知器MLP）、循環(huán)神經(jīng)網(wǎng)絡（長短時記憶網(wǎng)絡LSTM）、卷積神經(jīng)網(wǎng)絡（CNN）3類，能夠自動地學習時間序列的時間相關性，尤其對于海量時間序列數(shù)據(jù)處理，具有其他方法不能替代的優(yōu)勢。

2 在籌劃設計中的應用

在役考核籌劃設計階段，有很多問題可以通過數(shù)據(jù)挖掘得到更好的解決，例如考核需求的梳理、考核任務的規(guī)劃、考核方案（預案）的設計等。數(shù)據(jù)挖掘技術能夠幫助己方在相關應用信息平臺管理中，及時、準確地收集和分析自身運維情況、空間環(huán)境、軌道、外部航天器及整個自身編組內部的各種數(shù)據(jù)信息，設計科學的考核指標與方案，既可以對衛(wèi)星系統(tǒng)自身的適用性進行綜合考核評估，又可以對運行趨勢進行有效的分析預測，考核不同類型衛(wèi)星的管控模式，從而為衛(wèi)星管控提供有針對性的策略，大大提高各類衛(wèi)星對自身的管控能力和對外部的應急處置能力。

2.1 總體應用矩陣

從任務的視角看，利用數(shù)據(jù)挖掘可以分析未來潛在的風險，整理出相關衛(wèi)星長期的時間序列特點，找出最有興趣的（有威脅的）外部衛(wèi)星，做好相關預案，讓其沒有機會對我方衛(wèi)星作出實質性的干擾或破壞。面對這些衛(wèi)星，數(shù)據(jù)挖掘可以發(fā)現(xiàn)它們的姿態(tài)控制規(guī)律而采取相應的應對措施。在衛(wèi)星系統(tǒng)在役考核籌劃設計階段，最主要的工作就是立足于考核目的需求，充分利用衛(wèi)星系統(tǒng)對各種運控、管理、維護等歷史數(shù)據(jù)進行挖掘分析。主要包括準確進行考核的必要性、可行性和風險分析，厘清考核任務需求，合理分解考核任務，選擇考核科目，設計考核指標，制定并優(yōu)選考核方案。

2.2 具體應用矩陣

在衛(wèi)星系統(tǒng)在役考核籌劃設計的具體應用中，最突出的2類問題是任務規(guī)劃和指標設計。對于任務規(guī)劃，當面對大量的任務需求時，應注意衛(wèi)星系統(tǒng)如何根據(jù)任務的特征以及自身影響因素，科學地對提供天基信息支援的任務進行重要性分類，確定優(yōu)先滿足哪些任務需求，從而為后續(xù)實現(xiàn)衛(wèi)星調度的優(yōu)化分析奠定基礎。對于指標設計，應注意如何立足于考核任務目的，聚焦考核的需求指標，對考核指標的權重進行綜合分析考量，并在此基礎上對指標進行精簡優(yōu)化，使得指標的分析和選取更具全面性和層次性，助力后續(xù)建立更好的考核指標體系。數(shù)據(jù)挖掘在籌劃設計中的具體應用有如下4個方面。

第一，更加正確地判斷優(yōu)先為哪些作戰(zhàn)任務提供衛(wèi)星支援服務。對于每一個作戰(zhàn)任務需求而言，能否得到相應及時的衛(wèi)星系統(tǒng)支援，此類似于回答“是”與“否”的問題，即可等價于一個二分類問題。通過對任務進行特征工程，分別使用數(shù)據(jù)挖掘中的K鄰近、邏輯回歸、決策樹、支持向量機、高斯樸素貝葉斯、隨機森林等多種不同分類模型進行判斷，通過對比可找出更適合的分類模型。

第二，更加科學合理地設計衛(wèi)星系統(tǒng)在役考核指標。關于衛(wèi)星系統(tǒng)在役考核指標的合理選取問題，可使用統(tǒng)計學中的熵權法等對考核指標進行賦權；關于衛(wèi)星系統(tǒng)在役考核指標的精簡優(yōu)化問題，針對初始選取的考核指標大多具有冗余性和相關性等不足，可采用統(tǒng)計學中的因子分析方法進行合并，或數(shù)據(jù)挖掘技術中的關聯(lián)規(guī)則算法（FP-Growth算法）進行指標精簡，適當刪減冗余指標，整合相關性較強的部分指標，使得指標更精簡優(yōu)化。

第三，更加客觀地設置衛(wèi)星系統(tǒng)在役考核科目，優(yōu)選考核方案。對于同一考核任務，常常設置不同的多種考核科目，可通過聚類分析，將功能類似的考核科目進行整合或削減。對于同一考核內容，往往有多種考核方案（預案），可利用灰色關聯(lián)分析，根據(jù)方案的不同指標更加客觀地篩選出更優(yōu)的考核方案。

第四，準確地進行衛(wèi)星系統(tǒng)在役考核的可行性分析。衛(wèi)星系統(tǒng)在役考核具有政治和輿論敏感性強、外在和自身存在一定的風險等特點，將影響考核的不同因素進行特征工程，在役考核的可行性分析便可視為一個二分類問題，可使用支持向量機或邏輯回歸模型進行分析；同時，對實施衛(wèi)星系統(tǒng)在役考核進行風險預測分析，可將風險進行等級劃分，又可將其視為一個多分類問題，可使用隨機森林或神經(jīng)網(wǎng)絡模型進行分析。

3 在組織實施中的應用

在役考核組織實施階段，隨著考核任務的實施開展，不斷產(chǎn)生大量的考核數(shù)據(jù)。通過數(shù)據(jù)挖掘工具能夠更好地進行自動化的數(shù)據(jù)采集，綜合統(tǒng)籌衛(wèi)星系統(tǒng)考核產(chǎn)生的數(shù)據(jù)與歷史運維記錄中包含的非結構化數(shù)據(jù)，可以構建相應的考核任務案例數(shù)據(jù)庫，結合考核任務執(zhí)行的過程，大大增加了產(chǎn)生新知識的速度。

3.1 總體應用矩陣

數(shù)據(jù)挖掘可以提高衛(wèi)星資源的利用率，利用一定的挖掘算法，可以得出一個最優(yōu)解，節(jié)省衛(wèi)星運維調度中的成本，促進科學安排衛(wèi)星參與演習訓練和衛(wèi)星資源調度，這樣既能滿足演習任務，又讓成本消耗降至最低。由于對數(shù)據(jù)資產(chǎn)的不斷重視，不僅衛(wèi)星運維日志記錄和控制管理數(shù)據(jù)可以有效地被存儲和提取，不同衛(wèi)星的星務數(shù)據(jù)和載荷的遙測數(shù)據(jù)都可以更好地被采集利用。從衛(wèi)星系統(tǒng)的在役適用性方面看，利用數(shù)據(jù)挖掘從這些數(shù)據(jù)中尋找潛在的關系或規(guī)律，可以獲得對在軌衛(wèi)星故障進行診斷、維護的有效知識；提高對故障預測的準確性，及早發(fā)現(xiàn)故障，使得保障效率更高；加強對在軌衛(wèi)星剩余壽命的預測分析，有針對性地采取相應的延壽方案和技術，為衛(wèi)星的退役報廢或其他用途奠定基礎。從考核任務的實施過程看，利用數(shù)據(jù)挖掘技術可以有效判斷當前任務是否為考核計劃的關鍵任務、各個任務之間的關聯(lián)關系以及能否并行開展實施等。

3.2 具體應用矩陣

在衛(wèi)星系統(tǒng)在役考核組織實施的具體應用中，最突出的2類問題是遙測數(shù)據(jù)采集監(jiān)測和衛(wèi)星故障診斷與預測。

對于遙測數(shù)據(jù)采集檢測，首先一般將采集的衛(wèi)星遙測數(shù)據(jù)分為模擬量和數(shù)字量，模擬量進一步分為恒定模擬量、區(qū)間模擬量和趨勢變化模擬量，數(shù)字量進一步分為狀態(tài)數(shù)字量、獨立數(shù)字量和關聯(lián)數(shù)字量。其中，模擬量主要包括溫度、壓力、電壓、電流、角度等，數(shù)字量主要包括計數(shù)、指令、狀態(tài)等。然后通過數(shù)據(jù)挖掘的預處理方法，將遙測數(shù)據(jù)分為4種異常類型：脈沖型異常、階躍型異常、漸變型異常、周期型異常。

對于在軌衛(wèi)星故障診斷和預測，首先按故障種類、故障數(shù)量、衛(wèi)星類型、型號和日期等了解每天的衛(wèi)星系統(tǒng)運行和維護情況，記錄遙測參數(shù)的每一點變化。其次建立空間環(huán)境數(shù)據(jù)庫，包括統(tǒng)計每日太陽和地磁活動觀測數(shù)據(jù)、各類軌道環(huán)境數(shù)據(jù)等。再次構建在軌測控信息數(shù)據(jù)庫，統(tǒng)計常規(guī)的測控事件和發(fā)生異常后的測控事件，如某次測控操作的名稱、指令名稱、執(zhí)行部件的工作數(shù)據(jù)等。利用數(shù)據(jù)挖掘工具和統(tǒng)計模型對數(shù)據(jù)庫的數(shù)據(jù)仔細研究，以分析測控事件的發(fā)生習慣、故障發(fā)生率和空間環(huán)境的相關信息。最后通過檢索數(shù)據(jù)庫中近年來的特殊測控事件數(shù)據(jù)進行挖掘分析，可預測出季節(jié)性故障發(fā)生周期，并有利于對測控的時間和調整方式作出決策輔助；將性能退化型模擬數(shù)據(jù)轉換為數(shù)值數(shù)據(jù)，使用數(shù)據(jù)挖掘可有效分析診斷零部件的故障類型；將遙測數(shù)據(jù)轉換為數(shù)值數(shù)據(jù)，使用數(shù)據(jù)挖掘可有效地進行在軌衛(wèi)星實時故障檢測和故障預測，數(shù)據(jù)挖掘在衛(wèi)星系統(tǒng)在役考核組織實施的具體應用有如下5個方面。

第一，實現(xiàn)在軌衛(wèi)星系統(tǒng)在役考核的故障分析。衛(wèi)星系統(tǒng)故障分析是一個綜合性問題，根據(jù)不同的需求，可以用到多種數(shù)據(jù)挖掘方法。通過收集歷史告警數(shù)據(jù)，構建時間序列ARMA模型預測相關類型的告警情況，然后采用支持向量機（SVM）和隨機森林（RF）等預測模型進行分類判斷，進而分析在軌衛(wèi)星是否發(fā)生某具體類型的故障。

第二，實現(xiàn)衛(wèi)星組件或元器件可靠性趨勢分析。建立衛(wèi)星產(chǎn)品性能退化信息數(shù)據(jù)庫，長周期全壽命統(tǒng)計表征衛(wèi)星典型產(chǎn)品性能退化信息的數(shù)據(jù)，如陀螺的電流、軸溫等，蓄電池的放電電流、溫度、放電終壓等，通過利用小波變換將原始信號進行分解，并對子信號進行特征提取，進而將特征數(shù)據(jù)輸入到支持向量機等分類器中進行故障診斷[3]。也可以通過時間序列準確預測各類組件或元器件的質量穩(wěn)定性，從而為其可靠性趨勢分析提供對應的輔助參考。

第三，實現(xiàn)在軌衛(wèi)星故障分組、診斷推薦和故障參照分析。搜集國內外典型故障案例，包括故障發(fā)生原因、發(fā)生機理、嚴重等級、發(fā)生頻度、運行軌道、故障可恢復性、故障發(fā)生時運行時間等衛(wèi)星在軌信息，建立故障案例數(shù)據(jù)庫，通過關聯(lián)規(guī)則算法從故障記錄中挖掘相關信息，可以發(fā)現(xiàn)產(chǎn)生某一種故障時可能產(chǎn)生其他故障。這類關聯(lián)信息可用于形成一定的故障診斷推薦，或者保持一定的相關故障分組，以幫助管理者迅速進行故障診斷，節(jié)省故障診斷時間，并可以針對故障采取有針對性的處理應對方式。

第四，利用遙測數(shù)據(jù)進行故障檢測和預測。由于衛(wèi)星按照軌道周期運行，因此衛(wèi)星遙測數(shù)據(jù)存在周期性，而軌道周期與衛(wèi)星的飛行高度有關，因此不同飛行高度的衛(wèi)星具有不同的軌道周期。利用數(shù)據(jù)挖掘技術可以分析出對應的遙測參數(shù)會在什么時間、以何種方式和對什么樣的組件或者分系統(tǒng)造成影響，大大增強了故障的實時檢測預測能力。通過對遙測參數(shù)進行監(jiān)控與分析，結合長短期記憶網(wǎng)絡（LSTM）和卷積神經(jīng)網(wǎng)絡（CNN）構建數(shù)據(jù)挖掘模型，用于解決在線多任務（多參數(shù)）在軌衛(wèi)星故障預測問題。

第五，實現(xiàn)在軌衛(wèi)星剩余壽命預測。統(tǒng)計表征衛(wèi)星典型產(chǎn)品在軌壽命信息的數(shù)據(jù)，例如推進劑、剩余燃料等消耗類產(chǎn)品，電子類產(chǎn)品的工作壽命、積累工作時間和開關機次數(shù)等，運動機構的累計運動次數(shù)或轉動角度等，蓄電池的累積循環(huán)次數(shù)等，然后在此基礎上建立貝葉斯模型，準確預測衛(wèi)星在軌剩余壽命。

4 在分析評估中的應用

隨著考核任務的逐漸完成，在分析評估階段應進一步處理實施考核任務的各種數(shù)據(jù)。在役考核分析評估階段，最主要的目的是評價和提升，即對考核結果的合理評價以及對考核方法的改進提升。評價著重于在衛(wèi)星系統(tǒng)在役考核中分析發(fā)現(xiàn)存在的主要缺陷和不足等，為衛(wèi)星系統(tǒng)的運維管控、改進升級[4]、中止召回提供決策輔助。提升著重于通過衛(wèi)星系統(tǒng)在役考核中的各種任務實施，發(fā)現(xiàn)和總結部隊在使用衛(wèi)星系統(tǒng)提供天基信息支援時的方式手段或步驟程序的不足之處，改進優(yōu)化技術方法或執(zhí)行流程，進一步提升衛(wèi)星系統(tǒng)核心效能的發(fā)揮。

4.1 總體應用矩陣

在衛(wèi)星系統(tǒng)在役考核評估中通過數(shù)據(jù)挖掘技術的深入應用，一是可以幫助進行挖掘知識的傳播，促進知識助力衛(wèi)星系統(tǒng)性能和效能的進一步提升，有利于管理人員學習最新的模式來指導衛(wèi)星管控實踐，從而為相關衛(wèi)星管控計劃轉變?yōu)橛柧殞嵺`提供機會。二是通過在役考核的評估分析，挖掘更加有效的衛(wèi)星運用方法和應用知識，改進升級利用衛(wèi)星系統(tǒng)的方式和手段，為部隊提供更好的天基信息支援保障，進而讓部隊在訓練演習和實戰(zhàn)過程中發(fā)揮更積極的作用。

4.2 具體應用矩陣

在衛(wèi)星系統(tǒng)在役考核分析評估的具體應用中，最突出的2類問題是準確客觀地評估衛(wèi)星系統(tǒng)效能和分析尋找提升衛(wèi)星系統(tǒng)效能的方法。對于衛(wèi)星系統(tǒng)效能評估，從其所發(fā)揮的核心功能為主的單項效能進行分析，包括通信、導航、遙感衛(wèi)星系統(tǒng)效能；從整體上劃分，主要是運用云模型實現(xiàn)通導遙一體化系統(tǒng)的綜合效能評估。對于衛(wèi)星系統(tǒng)效能提升，通信方面，主要利用基于塊稀疏貝葉斯學習方法處理窄帶干擾抑制問題；導航方面，主要通過改進模糊C均值實現(xiàn)三頻觀測值優(yōu)選；遙感方面，使用深度學習方法實現(xiàn)高效準確的圖像語義分割。數(shù)據(jù)挖掘在衛(wèi)星系統(tǒng)在役考核分析評估的具體應用有如下4個方面。

第一，衛(wèi)星系統(tǒng)直擴通信窄帶干擾抑制。現(xiàn)有基于Nyquist-Shannon采樣定理的窄帶干擾抑制方法存在應用受限于采樣率較高的問題。應用壓縮感知理論解決上述問題，利用窄帶干擾抑制在頻域表現(xiàn)出的塊稀疏特性以及直接序列擴頻信號的類噪聲特性，使用基于塊稀疏貝葉斯學習的方法，建立直接序列擴頻通信窄帶干擾抑制模型。

第二，導航衛(wèi)星BDS-3三頻觀測值線性組合優(yōu)選。三頻線性組合法能夠提供具有不同特征的組合，是實現(xiàn)導航效能提升的重要方法之一。但由于組合數(shù)目龐大、組合性能不一，人工篩選效率極低，大大降低了導航衛(wèi)星系統(tǒng)的效能。以BDS-3三頻觀測值線性組合優(yōu)選為例，使用模糊C均值（FCM）算法以及對其的優(yōu)化改進算法，分別基于公開數(shù)據(jù)集和短基線、長基線以及超長基線BDS實測數(shù)據(jù)，研究改進粒子群優(yōu)化模糊C均值（PSO-FCM）算法對提高優(yōu)選效率的有效性。

第三，遙感衛(wèi)星系統(tǒng)圖像語義分割。隨著深度學習在圖像領域的迅速發(fā)展，作為像素級別的圖像分類方法，語義分割也有了長足的進展?？墒褂没贒eepLab v3等深度學習的語義分割方法，來實現(xiàn)高分辨率遙感圖像的語義分割，并在ISPRS Vaihingen數(shù)據(jù)集上驗證分割準確度及精確度。選擇更優(yōu)的方法作為一種高效的自動化分割工具，有利于提高遙感圖像自動判圖的準確性和效率。

第四，通導遙一體化衛(wèi)星系統(tǒng)綜合效能評估。通導遙一體化衛(wèi)星系統(tǒng)更有利于在支援聯(lián)合作戰(zhàn)中發(fā)揮更強優(yōu)勢，但相關研究目前還不成熟，其綜合效能的評估也面臨隨機性太強、模糊性較大等很多復雜的現(xiàn)實問題。一種可供嘗試的方法是基于云模型的綜合效能評估方法，其能夠較好地克服通導遙系統(tǒng)評估的隨機性過大、主觀性太強等問題。

5 結語

衛(wèi)星系統(tǒng)特殊的工作環(huán)境和本身復雜的組成結構，決定了其在役考核對數(shù)據(jù)挖掘技術的重要需求。將數(shù)據(jù)挖掘技術有效地介入衛(wèi)星系統(tǒng)在役考核全流程，無疑是一種可行而有效的途徑。全文立足衛(wèi)星系統(tǒng)在役考核籌劃設計、組織實施、分析評估3個階段，從總體上梳理了數(shù)據(jù)挖掘思想和技術的應用需求，建立了具體的應用矩陣，為下一步衛(wèi)星系統(tǒng)在役考核的數(shù)據(jù)分析處理奠定了基礎。