基于混合降维森林的天线跟踪数据实时处理

随着卫星数量和星上动作快速增加,卫星测控站测控任务也随之指数式增加,导致传统的24小时人工监视任务难以实现。基于数据挖掘的大数据实时分析技术能有效解决该问题,但面临样本维度高和标记数据不平衡的问题。提出一种新的集成学习模型——混合降维森林（HDRF）,来处理复杂的天线跟踪数据。首先通过提出的样本特征化转换过程（SFTP）将异常样本转化为拓展的样本特征,其次通过基于树的特征选择算法挑选样本的强特征,并使用主成分分析（PCA）算法对新特征和未选择特征进行降维,生成具有有效性和补偿性的新特征。最后,在5个真实数据集上的实验表明,提出的算法优于其他主流的集成分类算法,且对天线跟踪数据实时处理切实有效。