摘要：遥感图像变化检测是识别和量化地表变化的一种重要途径,是遥感技术的主要应用之一。然而在不同光照、季节等成像条件下获取的遥感图像中,同一物体会表现出不同的外观,使得变化检测算法难以准确判别真实地表变化。针对此问题,提出了基于慢特征分析引导的多级注意力自编码器(SFAMAA)遥感图像变化检测方法。首先,设计了一种U型卷积自编码器并引入多级通道注意力机制,扩大网络感受野的同时使其聚焦重要通道的信息,增强网络对全局信息和变化信息的感知能力;然后,设计了一种慢特征分析损失函数引导网络训练,使得网络可以有效抑制因成像条件差异导致的伪变化。在公开数据集SZTAKI上进行试验验证,试验结果表明,本文方法可有效抑制噪声和伪变化,对不同光照、季节等成像条件下获取的遥感图像具有较高的精度和良好的稳健性。

摘要：针对传统振荡检测方法在处理非线性关系时准确率低的问题,提出了一种增强慢特征分析算法。在离线建模阶段,该算法对传统慢特征分析方法的权重系数进行解析来识别非线性信号,并采用神经网络拟合非线性信号,将拟合结果作为增强特征纳入原信号,从而将非线性关系转变为线性关系。在线检测阶段,根据正常数据的变化速率设定检测阈值,将超过该阈值的样本判定为振荡。设计仿真实验对提出算法进行验证;与传统方法相比,误报率平均降低0.625%,检测精度平均提高36.7%。结果表明,该算法不仅实现了非线性信号的自动识别与拟合,完成系统的线性化,同时能有效提升模型对非线性系统的振荡检测能力。

摘要：针对传统慢特征分析(SFA)无法充分解析连续搅拌釜式反应器(CSTR)非线性特性问题,提出一种改进的慢特征分析故障诊断方法——随机傅里叶SFA(RFSFA),并开发了相应的仿真实验平台。该方法引入随机傅里叶映射技术实现过程变量的非线性变换,进而利用慢特征分析建立非线性统计监控模型。为了避免模型随机参数的影响,应用贝叶斯推理理论构建了集成学习模型。为验证该方法的有效性,设计了一个CSTR故障模拟与算法测试实验平台,包括正常工况模拟、故障工况模拟、故障检测等多个子系统。测试结果表明,RFSFA方法具有比传统SFA方法更好的故障检测性能,所开发的实验平台易于操作,开放性好,能够很好地验证算法的有效性。

摘要：针对两步动态慢特征分析(two-steps dynamic slow feature analysis,TS-DSFA)未充分考虑动态工业过程数据的高阶时序相关特性的问题,提出改进的两步动态慢特征分析算法(modified dynamic slow feature analysis,MDSFA).首先,在TS-DSFA算法基础之上,重新描述慢特征关于时间的导数估计公式,设计了同时满足所提取的特征变化最缓、高阶时序自相关性最大的优化目标函数;然后,以动态潜变量能捕获一些变化信息并相互正交为约束,提取出一组随时间慢速变化和具有显式动态自回归表示的潜在特征;最后,基于所提出的算法构建针对线性动态过程的故障检测模型,并计算统计量及其相应控制限,实现实时动态过程的稳态故障和动态故障检测.通过对数值系统和田纳西–伊斯曼过程进行仿真验证,证明了所提算法的故障检测效果优于动态内部主成分分析和TS-DSFA算法等已有的故障检测算法.

摘要：初馏塔故障的及时预警对炼化后续装置平稳运行意义重大。研究采用慢特征分析技术,以初馏塔冲塔这一典型故障为例,从流程数据中提取慢特征信息用于初馏塔故障实时监测。设计滚动选取训练集的方法,以及连续多个统计量同时超限后进行预警的方式,降低了误报率。实际运行结果表明,该方法能够对初馏塔这一类工业过程的故障进行有效预警。

摘要：针对自然场景下所采集的交通标志存在各种形变,且手工设计提取交通标志不变特征方法需要处理技巧的问题,提出一种自动学习提取交通标志不变特征的道路交通标志分类方法.首先基于慢特征分析的深度学习框架自动学习得到每个阶段的特征映射矩阵;然后基于各阶段特征映射矩阵提取交通标志图像第一阶段特征和第二阶段特征,并将其联合输出作为交通标志的特征;最后使用支持向量机进行交通标志分类.实验结果表明,该方法具有良好的泛化能力,能有效地应用于交通标志分类,所提取的特征具有一定的平移不变和旋转不变性.