核方法和神经网络是两种主流的非线性数据建模方法，已被广泛应用于工业过程监测。然而，它们都存在不完美的性质，因此相关应用受到限制。一方面，内核的可重构性、可扩展性和对超参数的鲁棒性不强，导致它们在大规模数据建模和监控中的性能下降。另一方面，排序为参数初始化的神经网络的高维参数空间存在严重的异常检测性能不一致，这使得行业对使用神经网络持谨慎态度。受这些事实的启发，我们提出将核和神经网络集成在一起，形成一种可扩展、可重构和性能一致的新模型结构。具体来说，通过（1）从训练集中选择关键边缘和内部数据作为隐藏层径向基函数的中心，以及（2）在训练过程中自适应调整核宽度，提出了一种基于自编码器的非平稳模式选择核（AE-NPSK）。此外，新的神经网络具有很强的性能一致性，这有助于搜索最优参数。最后，我们在具有挑战性的多模工艺上测试了所提出方法的性能。结果验证了所提出方法的有效性。关键词：核方法、人工神经网络、过程监测、多模式过程、自动编码器、径向基函数
