• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Joint Conference on Neural Networks >Robust Supervised Sparse Coding for Non-Intrusive Load Monitoring
【24h】

Robust Supervised Sparse Coding for Non-Intrusive Load Monitoring

机译：用于非侵入式负载监控的鲁棒监督稀疏编码

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Energy disaggregation is a single channel blind source separation problem where the task is to estimate the consumption of each electrical appliance given the total meter reading. A recent approach to solve this problem is to model the appliances by individual dictionaries. However prior studies based on off-the-shelf dictionary learning techniques do not account for non-linear perturbations in electrical systems. This work models such perturbations as sparse error and applies robust versions of dictionary learning for disaggregation. On top of the basic (unsupervised) robust dictionary learning formulation, we propose two supervised variants. Comparison with state-of-the-art techniques show marked improvement with our proposed methods on benchmark REDD dataset.
机译：能量分解是一个单通道盲源分离问题，其中的任务是在给定总仪表读数的情况下估算每个电器的消耗。解决该问题的最新方法是通过各个词典对设备进行建模。但是，基于现成词典学习技术的先前研究并未考虑电气系统中的非线性扰动。这项工作对诸如稀疏错误之类的扰动建模，并应用强大的字典学习版本进行分类。除了基本的（无监督的）鲁棒词典学习公式外，我们还提出了两种有监督的变体。与最新技术的比较表明，我们在基准REDD数据集上提出的方法有了显着改进。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号