哈,我又来啦,第一篇扯完淡,这一篇就谈技术吧。之前的研究集中在低频(秒级)数据,用的是各种深度学习方法,因此我就谈谈这种方法。
其实,刚读研时,导师给我的是用隐马尔可夫模型方法,学了大半年,突然导师拿了一篇让我崩溃的论文《Neural NILM: Deep Neural Networks Applied to Energy Disaggregation》,这篇文章应该是深度学习用到nilm领域的鼻祖文章了(我说深度学习,不是NN),你要是问我听谁说的,我记得是在谷歌的nilm讨论组 https://groups.google.com/forum/#!forum/energy-disaggregation ,你翻一下,Kelly(这篇文章的作者,也是nilmtk(后面会讲)的作者,也是UK-dale数据集的作者,现在不做nilm了,好像去deepmind了!)有个帖子大概说的是:我们试试深度学习呗,之前好像没人试,我们看看效果。而让我崩溃的是,看了大半年的fhmm(hmm的变种)方法,在这篇文章里被深度学习吊打。那还有什么可说的,学深度学习呗。
学…… 深度学习学着学着,发现比fhmm好太正常了。虽然nilm领域没这样提过,但是按目前的理解,nilm负荷分解任务就是语音识别中的鸡尾酒会问题,鸡尾酒会问题大概就是(我瞎编,不对的话你百度吧)一个派对上你能听到一堆人