基于深度高斯过程的多元类别数据分布估计

多元类别数据的可能取值会随向量长度的增长呈指数级增长,从而造成数据稀疏性问题。通过将观察数据嵌入到连续空间中训练识别数据之间的相似性,构建多元类别数据的线性高斯隐变量模型和类别隐高斯过程(CLGP)。在CLGP模型基础上,建立小样本多元类别数据分布估计的多元类别深度隐高斯过程模型,并结合蒙特卡洛采样的变分推断方法对模型进行参数优化。实验结果表明,与CLGP模型相比,该模型分布估计精确度有所提升。

交叉分类及其对刻板印象的影响

社会分类(分类)是群体认知和印象评价的依据,交叉分类作为一种认知过程,是指在知觉或评价他人时,同时在两个或多个类别维度上进行社会分类,形成在多个类别维度上内外群体身份的交叉。研究发现交叉分类既可以降低刻板印象,也可以增强刻板印象。对此,类别化视角的解释强调群体身份的作用,而个体化视角的解释强调多重类别背景下去类别化的作用。现有的研究在如何理解并考察这一影响的不同方向上仍存在分歧,同时,也未能认识到刻板印象对于个体认知与认同的意义,存在明显不足。今后的研究应重点探讨类别化视角的动机与认知过程,个体化视角的优势类别与加工方式,以及以自我归类为基础的整合。

基于CNN-集成学习的多风电机组故障诊断

海上风电场地处偏远环境,长期受到盐碱腐蚀。为解决风电机组运行过程中产生的多种故障检测识别问题,在传统卷积神经网络LeNet-5的基础上构建模型。该模型采用ReLU函数作为激活函数,增加了卷积层、池化层和全连接层。针对风电机组的监督控制和数据采集(supervisory control and data acquisition,SCADA)系统及状态监控(condition monitoring,CM)系统所提供的数据集,进行多元类别故障诊断。并对多台风电机组进行聚类分析,应用集成学习方法,构建多风电机组故障诊断模型。实验表明,所提方法取得了97%~99%的诊断精度。通过将实验结果与其他算法进行对比,验证了该方法的有效性。