Neuer Algorithmus rekursiv Zustände aus Slow Feature Analysis extrahiert

Slow Feature Analysis (SFA) hat sich in den letzten Jahren als leistungsstarkes Verfahren zur Erkennung langsam variierender Merkmale in Klassifikations- und Signalverarbeitungsaufgaben etabliert. Durch probabilistische Erweiterungen, wie die Probabilistic Adaptive Slow Feature Analysis, werden diese Merkmale nun als Zustände in einem ARMA-Prozess modelliert und aus den Beobachtungen geschätzt.

Ein zentrales Problem bleibt jedoch die effiziente Rekonstruktion dieser Zustände – die eigentlichen langsamen Features – aus den gemessenen Daten und dem Modell. Bestehende Ansätze setzen Kalman‑Filter ein, indem sie den ARMA-Prozess in ein Zustandsraummodell transformieren. Dabei verlieren sie jedoch die direkte Rückführung auf die ursprünglichen Zustände, die für aussagekräftige Repräsentationen entscheidend sind.

In der vorliegenden Arbeit wird eine rekursive Erweiterung der linearen PASFA vorgestellt, die die MMSE‑Schätzung der Zustände direkt aus den Beobachtungen und dem Modell ermöglicht. Der Algorithmus nutzt die ARMA‑Struktur der Zustände und liefert eine exakte Rekonstruktion der langsamen Features. Durch Tests an synthetischen Datensätzen konnte die Korrektheit und Effektivität der Methode demonstriert werden.