基于JS散度和潜在特征提取的多块PCA故障监测

针对大规模工业过程故障监测中存在的局部信息难提取、监测信息单一的问题,提出一种基于JS散度(Jensen-Shannon divergence)和潜在特征提取的多块PCA(principal component analysis)故障监测方法。首先,计算过程变量之间的JS散度值并进行变量分块,突出过程局部特征;然后,对每个变量块进一步提取累积误差和一阶差分等潜在特征信息从而扩展出额外的信息子块;最后,分别建立PCA监测模型对每个信息子块进行监控,并通过贝叶斯推断完成子块决策融合得到全局监测结果。通过TE(Tennessee Eastman)过程的仿真对该方法进行了验证。

一种运用纹理和光谱特征消除投影差影响的建筑物变化检测方法

针对不同时期高分辨率遥感影像变化检测中城区建筑物因投影差差异所产生的误检测现象,提出了一种综合应用光谱和纹理特征的建筑物变化检测方法。以变化和未发生变化地物影像的散度作为可分性依据,首先对光谱差分影像在混合高斯密度模型下建模,并采用马尔可夫最小错误概率准则提取初始变化区域,往往含有错判的建筑物。然后将误判建筑物影像类和真实变化影像类构成训练集,通过引入多通道Gabor滤波器,提取训练集的纹理差分特征,并采用分类别PCA变换实施纹理差分特征的选择。最后对选择出的纹理差分特征依据高斯混合密度模型建模,并用马尔可夫最小错误概率提取真变化区域,即可去除光谱信息检测所产生的伪变化。试验表明,本文方法能够较好地解决建筑物变化的错判问题,提高了影像变化检测的精度。