CN112651300A - 利用神经网络进行电器类别判断的方法、装置及设备 - Google Patents

利用神经网络进行电器类别判断的方法、装置及设备 Download PDF

Info

Publication number
CN112651300A
CN112651300A CN202011415564.3A CN202011415564A CN112651300A CN 112651300 A CN112651300 A CN 112651300A CN 202011415564 A CN202011415564 A CN 202011415564A CN 112651300 A CN112651300 A CN 112651300A
Authority
CN
China
Prior art keywords
appliance
electrical
neural network
electric appliance
category
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011415564.3A
Other languages
English (en)
Other versions
CN112651300B (zh
Inventor
彭浩明
杨玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202011415564.3A priority Critical patent/CN112651300B/zh
Publication of CN112651300A publication Critical patent/CN112651300A/zh
Application granted granted Critical
Publication of CN112651300B publication Critical patent/CN112651300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明提供一种利用神经网络进行电器类别判断的方法、装置及设备，方法包括：获取待判别的目标电器的宏观电学信号以及微观电学信号；对所述宏观电学信号以及微观电学信号进行特征提取，得到对应的多组特征；将所述的多组特征进行拼接，得到电器开关状态特征；将所述电器开关状态特征输入至预定的BP神经网络中，以经由所述BP神经网络输出所述目标电器的类别。本发明通过对目标电器的电器开关状态特征进行提取，在通过神经网络模型基于所述电器开关状态特征进行电器类别的判别，可保证对已知电器进行判别的精确程度，同时也可保证对未知电器进行判别的可靠性。

Description

利用神经网络进行电器类别判断的方法、装置及设备
技术领域
本发明涉及电器领域，具体而言，涉及一种利用神经网络进行电器类别判断的方法、装置及设备。
背景技术
电器是人们生活和工作中不可或缺的产品。各种电器的出现为人们的工作和生活提供了极大的便利。
在一些情况下，有时候需要对电器的类别或者品牌等进行判别，以判断当前的电器是否为危险电器或者电器是否是假冒伪劣产品。现有的判别方式一般是通过人工判断或者是通过在电器上的标签、说明书等来判断。然而这种判断方式需要依赖于人工经验，可靠性不高。
发明内容
有鉴于此，本发明实施例的目的在于提供一种利用神经网络进行电器类别判断的方法、装置、设备，能够提高电器类型判别的可靠性。
本发明实施例提供一种利用神经网络进行电器类别判断的方法，包括：
获取待判别的目标电器的宏观电学信号以及微观电学信号；
对所述宏观电学信号以及微观电学信号进行特征提取，得到对应的多组特征；
将所述的多组特征进行拼接，得到电器开关状态特征；
将所述电器开关状态特征输入至预定的BP神经网络中，以经由所述BP神经网络输出所述目标电器的类别。
优选地，所述宏观电学信号包括电器开关时刻的基波电流电压相位差；所述微观电学信号包括电流时序波形数据。
优选地，所述对所述宏观电学信号以及微观电学信号进行特征提取，得到对应的多组特征具体为：
将电流时序波形数据进行离散小波变换，得到重采样后的时域数据t1以及小波系数f1；
对重采样的时域数据t1进行快速傅里叶变换，得到对应的频域特征f2；
使用第一RNN提取时域数据t1的特征得到f3，由此通过电流时序波形数据得到了三组特征f1、f2、f3；
将宏观电学特征输入至第二RNN中，得到特征f4。
优选地，将所述电器开关状态特征输入至预定的BP神经网络中，以经由所述BP神经网络输出所述电器的类别，具体为：
通过BP神经网络将具有第一维度的电器开关状态特征投影到第二维度的空间；其中，所述第一维度大于第二维度，所述空间中的每个坐标轴代表了一种已知的电器；
计算所述目标电器在各个坐标轴投影的几何距离，以计算出目标电器与各个已知的电器的相似程度；
根据所述相似程度判断所述目标电器的类别。
优选地，当需要添加未知电器到已知电器库中，则将所述未知电器的投影向量添加到所述空间中即可。
优选地，在获取待判别的目标电器的宏观电学信号以及微观电学信号之前，还包括：
收集电学信号并对所述电学信号设置标签；其中，所述电学信号包括单个电器工作时产生的电学信号以及多个电器同时工作时产生的电学信号；
对所述电学信号进行特征提取，得到对应的特征向量；
将提取的特征向量作为BP神经网络的输入，将设置的标签作为输出，对所述BP神经网络进行训练。
本发明实施例还提供了一种利用神经网络进行电器类别判断的装置，包括：
信号获取单元，用于获取待判别的目标电器的宏观电学信号以及微观电学信号；
特征提取单元，用于对所述宏观电学信号以及微观电学信号进行特征提取，得到对应的多组特征；
特征拼接单元，用于将所述的多组特征进行拼接，得到电器开关状态特征；
判别单元，用于将所述电器开关状态特征输入至预定的BP神经网络中，以经由所述BP神经网络输出所述目标电器的类别。
优选地，所述宏观电学信号包括电器开关时刻的基波电流电压相位差；所述微观电学信号包括电流时序波形数据。
优选地，所述特征提取单元具体用于：
将电流时序波形数据进行离散小波变换，得到重采样后的时域数据t1以及小波系数f1；
对重采样的时域数据t1进行快速傅里叶变换，得到对应的频域特征f2；
使用第一RNN提取时域数据t1的特征得到f3，由此通过电流时序波形数据得到了三组特征f1、f2、f3；
将宏观电学特征输入至第二RNN中，得到特征f4。
优选地，所述判别单元具体用于：
通过BP神经网络将具有第一维度的电器开关状态特征投影到第二维度的空间；其中，所述第一维度大于第二维度，所述空间中的每个坐标轴代表了一种已知的电器；
计算所述目标电器在各个坐标轴投影的几何距离，以计算出目标电器与各个已知的电器的相似程度；
根据所述相似程度判断所述目标电器的类别。
本发明实施例还提供了一种利用神经网络进行电器类别判断的设备，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上述的利用神经网络进行电器类别判断的方法。
上述一个实施例中，通过对目标电器的电器开关状态特征进行提取，在通过神经网络模型基于所述电器开关状态特征进行电器类别的判别，可保证对已知电器进行判别的精确程度，同时也可保证对未知电器进行判别的可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明第一实施例提供的利用神经网络进行电器类别判断的方法的流程图。
图2为本发明第一实施例提供的利用神经网络进行电器类别判断的方法的工作原理图。
图3为本发明第二实施例提供的利用神经网络进行电器类别判断的装置的结构图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1及图2，本发明第一实施例提供一种利用神经网络进行电器类别判断的方法，其可由利用神经网络进行电器类别判断的设备(以下检测判断设备)来执行，以实现如下步骤：
S101，获取待判别的目标电器的宏观电学信号以及微观电学信号。
在本实施例中，所述判断设备可为笔记本、台式电脑、工作站或者服务器等具有数据处理能力的设备，本发明不做具体限定。
在本实施例中，所述宏观电学信号可包括电器开关时刻的基波电流电压相位差等，所述微观电学信号包括电流时序波形数据等。
其中，宏观电学信号以及微观电学信号的获取方式可通过互感器对电流信号进行采集，再通过特定芯片进行一系列计算得到。获取的数据大致可分为两类，一类是产生阶跃信号瞬间的电流波形信息，另一类是阶跃信号前后一段时间的电流电压数据。
S102，对所述宏观电学信号以及微观电学信号进行特征提取，得到对应的多组特征。
具体地，对于微观电学信号：
首先，将电流时序波形数据进行离散小波变换，得到重采样后的时域数据t1以及小波系数f1；
然后，对重采样的时域数据t1进行快速傅里叶变换，得到对应的频域特征f2；
最后，使用第一RNN提取时域数据t1的特征得到f3。
由此通过电流时序波形数据得到了三组特征f1、f2、f3。
对于宏观电学信号：
将宏观电学特征输入至第二RNN中，得到特征f4。
在本实施例中，为了捕捉数据在时间上的联系，所以采用循环神经网络(RNN)对这部分信号进行处理来获得特征。
S103，将所述的多组特征进行拼接，得到电器开关状态特征。
在本实施例中，将特征f1、f2、f3、f4进行拼接，就可以得到电器开关状态特征F。
S104，将所述电器开关状态特征输入至预定的BP神经网络中，以经由所述BP神经网络输出所述目标电器的类别。
具体地：
首先，通过BP神经网络将具有第一维度的电器开关状态特征投影到第二维度的空间；其中，所述第一维度大于第二维度，所述空间中的每个坐标轴代表了一种已知的电器。
然后，计算所述目标电器在各个坐标轴投影的几何距离，以计算出目标电器与各个已知的电器的相似程度。
最后，根据所述相似程度判断所述目标电器的类别。
其中，神经网络在本实施例中存在两个作用：一个是单纯的对已知电器的分类判定，另一个是作为Embedding层，即可以通过神经网络将复杂的不同尺度的第一维度的电器开关状态特征(100维以上)投影到一个较小的第二维度(例如16维)的空间中，这个空间中的每个坐标轴代表了一种已知的电器，特征在该坐标轴上的投影距离代表了与对应坐标轴电器的相似程度。在这个投影空间中，不同电器在该空间中的投影向量必定是不一致的，即可利用各个电器的投影向量之间的几何距离来计算它们之间的相似度。
实际上，可以将已知的电器特征看作是一种特殊的与坐标轴重合的向量，对未知电器进行分类即是将其投影到指定的空间中，与各个已知电器对应的向量作点积即可计算出与各个电器的相似程度，实现对未知电器的预测。而若要添加某种未知电器到已知电器库中，则只需要储存未知电器的投影向量即可，无需对模型进行更改，增强了模型的扩展性。
综上所述，本实施例通过对目标电器的电器开关状态特征进行提取，并通过一种特征表示学习方式——elec2vec，将电器启动时获得的特征嵌入到一个低维稠密空间中，在这个空间中，同种电器的向量相互重合，不同电器对应的向量不同，从而可以通过神经网络模型基于所述电器开关状态特征向量进行电器类别的判别，可保证对已知电器进行判别的精确程度，同时也可保证对未知电器进行判别的可靠性。
为便于对本发明的理解，下面对本发明的实施例做更进一步的描述。
在本实施例中，在使用BP神经网络之前，需要对其进行训练。其中，根据上面的描述可知，上述实施例提出的特征表示学习方式——elec2vec，课件将电器启动时获得的特征嵌入到一个低维稠密空间中。在这个空间中，同种电器的向量相互重合，不同电器对应的向量不同。由于这个空间中的向量之间也遵循可加性，因此当两个或多个电器同时启动时，通过该神经网络得到的向量为各自对应向量的和。基于这样的考虑，本实施例也可以用于判断多种电器是否同时启动。
具体地，在BP神经网络模型训练时：
首先，收集电学信号并对所述电学信号设置标签；其中，所述电学信号包括单个电器工作时产生的电学信号以及多个电器同时工作时产生的电学信号。
其中，如果电学信号如果是单个电器工作时产生的电学信号，则其标签即为对应的电器的类型或者名称。如果电学信号是多个电器同时工作时产生的电学信号，则其标签即为多个电器的名称组合。
然后，对所述电学信号进行特征提取，得到对应的特征向量。
其中，特征提取方法可参照上述的描写，本发明在此不做赘述。
最后，将提取的特征向量作为BP神经网络的输入，将设置的标签作为输出，对所述BP神经网络进行训练。
在本实施例中，基于此训练得到的BP神经网络，其在获取到一个新的电学信号时，不仅可以判断该电学信号是否属于一个已知的电器，还可以进一步判断该电学信号是否为多个已知的电器同时工作产生的。如果二者均不是，则判定其属于一个未知的电器或者未知的电器组。
本实施例中，通过将多个电器组合工作产生的电学信号也作为训练数据训练BP神经网络，同时解决了判断未知电器和多种电器同时启动的问题，进一步提高判断的可靠性。
请参阅图3，本发明第二实施例还提供了一种利用神经网络进行电器类别判断的装置，包括：
信号获取单元210，用于获取待判别的目标电器的宏观电学信号以及微观电学信号；
特征提取单元220，用于对所述宏观电学信号以及微观电学信号进行特征提取，得到对应的多组特征；
特征拼接单元230，用于将所述的多组特征进行拼接，得到电器开关状态特征；
判别单元240，用于将所述电器开关状态特征输入至预定的BP神经网络中，以经由所述BP神经网络输出所述目标电器的类别。
优选地，所述宏观电学信号包括电器开关时刻的基波电流电压相位差；所述微观电学信号包括电流时序波形数据。
优选地，所述特征提取单元220具体用于：
将电流时序波形数据进行离散小波变换，得到重采样后的时域数据t1以及小波系数f1；
对重采样的时域数据t1进行快速傅里叶变换，得到对应的频域特征f2；
使用第一RNN提取时域数据t1的特征得到f3，由此通过电流时序波形数据得到了三组特征f1、f2、f3；
将宏观电学特征输入至第二RNN中，得到特征f4。
优选地，所述判别单元230具体用于：
通过BP神经网络将具有第一维度的电器开关状态特征投影到第二维度的空间；其中，所述第一维度大于第二维度，所述空间中的每个坐标轴代表了一种已知的电器；
计算所述目标电器在各个坐标轴投影的几何距离，以计算出目标电器与各个已知的电器的相似程度；
根据所述相似程度判断所述目标电器的类别。
本发明第三实施例还提供了一种利用神经网络进行电器类别判断的设备，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上述的利用神经网络进行电器类别判断的方法。
本发明第四实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如上述的利用神经网络进行电器类别判断的方法。
示例性地，本发明所述的计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述实现设备中的执行过程。例如，本发明第二实施例中所述的装置。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(APPlication Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述打印机数据传输控制方法的控制中心，利用各种接口和线路连接整个所述利用神经网络进行电器类别判断的方法的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，利用神经网络进行电器类别判断的方法的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等；存储数据区可存储根据用户终端的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述实现用户终端的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种利用神经网络进行电器类别判断的方法，其特征在于，包括：
获取待判别的目标电器的宏观电学信号以及微观电学信号；
对所述宏观电学信号以及微观电学信号进行特征提取，得到对应的多组特征；
将所述的多组特征进行拼接，得到电器开关状态特征；
将所述电器开关状态特征输入至预定的BP神经网络中，以经由所述BP神经网络输出所述目标电器的类别。
2.根据权利要求1所述的利用神经网络进行电器类别判断的方法，其特征在于，所述宏观电学信号包括电器开关时刻的基波电流电压相位差；所述微观电学信号包括电流时序波形数据。
3.根据权利要求2所述的利用神经网络进行电器类别判断的方法，其特征在于，所述对所述宏观电学信号以及微观电学信号进行特征提取，得到对应的多组特征具体为：
将电流时序波形数据进行离散小波变换，得到重采样后的时域数据t1以及小波系数f1；
对重采样的时域数据t1进行快速傅里叶变换，得到对应的频域特征f2；
使用第一RNN提取时域数据t1的特征得到f3，由此通过电流时序波形数据得到了三组特征f1、f2、f3；
将宏观电学特征输入至第二RNN中，得到特征f4。
4.根据权利要求3所述的利用神经网络进行电器类别判断的方法，其特征在于，将所述电器开关状态特征输入至预定的BP神经网络中，以经由所述BP神经网络输出所述电器的类别，具体为：
通过BP神经网络将具有第一维度的电器开关状态特征投影到第二维度的空间；其中，所述第一维度大于第二维度，所述空间中的每个坐标轴代表了一种已知的电器；
计算所述目标电器在各个坐标轴投影的几何距离，以计算出目标电器与各个已知的电器的相似程度；
根据所述相似程度判断所述目标电器的类别。
5.根据权利要求4所述的利用神经网络进行电器类别判断的方法，其特征在于，当需要添加未知电器到已知电器库中，则将所述未知电器的投影向量添加到所述空间中即可。
6.根据权利要求1所述的利用神经网络进行电器类别判断的方法，其特征在于，在获取待判别的目标电器的宏观电学信号以及微观电学信号之前，还包括：
收集电学信号并对所述电学信号设置标签；其中，所述电学信号包括单个电器工作时产生的电学信号以及多个电器同时工作时产生的电学信号；
对所述电学信号进行特征提取，得到对应的特征向量；
将提取的特征向量作为BP神经网络的输入，将设置的标签作为输出，对所述BP神经网络进行训练。
7.一种利用神经网络进行电器类别判断的装置，其特征在于，包括：
信号获取单元，用于获取待判别的目标电器的宏观电学信号以及微观电学信号；
特征提取单元，用于对所述宏观电学信号以及微观电学信号进行特征提取，得到对应的多组特征；
特征拼接单元，用于将所述的多组特征进行拼接，得到电器开关状态特征；
判别单元，用于将所述电器开关状态特征输入至预定的BP神经网络中，以经由所述BP神经网络输出所述目标电器的类别。
8.根据权利要求7所述的利用神经网络进行电器类别判断的装置，其特征在于，所述宏观电学信号包括电器开关时刻的基波电流电压相位差；所述微观电学信号包括电流时序波形数据。
9.根据权利要求8所述的利用神经网络进行电器类别判断的装置，其特征在于，所述特征提取单元具体用于：
将电流时序波形数据进行离散小波变换，得到重采样后的时域数据t1以及小波系数f1；
对重采样的时域数据t1进行快速傅里叶变换，得到对应的频域特征f2；
使用第一RNN提取时域数据t1的特征得到f3，由此通过电流时序波形数据得到了三组特征f1、f2、f3；
将宏观电学特征输入至第二RNN中，得到特征f4。
10.一种利用神经网络进行电器类别判断的设备，其特征在于，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如权利要求1至6任意一项所述的利用神经网络进行电器类别判断的方法。
CN202011415564.3A 2020-12-07 2020-12-07 利用神经网络进行电器类别判断的方法、装置及设备 Active CN112651300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011415564.3A CN112651300B (zh) 2020-12-07 2020-12-07 利用神经网络进行电器类别判断的方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011415564.3A CN112651300B (zh) 2020-12-07 2020-12-07 利用神经网络进行电器类别判断的方法、装置及设备

Publications (2)

Publication Number Publication Date
CN112651300A true CN112651300A (zh) 2021-04-13
CN112651300B CN112651300B (zh) 2023-12-12

Family

ID=75350946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011415564.3A Active CN112651300B (zh) 2020-12-07 2020-12-07 利用神经网络进行电器类别判断的方法、装置及设备

Country Status (1)

Country Link
CN (1) CN112651300B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108646149A (zh) * 2018-04-28 2018-10-12 国网江苏省电力有限公司苏州供电分公司 基于电流特征提取的故障电弧识别方法
CN110533064A (zh) * 2019-07-17 2019-12-03 西安西电开关电气有限公司 一种gis设备的局部放电图谱模式识别方法和系统
US20200257970A1 (en) * 2019-02-08 2020-08-13 Korea Advanced Institute Of Science And Technology Data processing apparatus by learning of neural network, data processing method by learning of neural network, and recording medium recording the data processing method
CN111643098A (zh) * 2020-06-09 2020-09-11 深圳大学 一种基于智能声学设备的步态识别与情绪感知方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108646149A (zh) * 2018-04-28 2018-10-12 国网江苏省电力有限公司苏州供电分公司 基于电流特征提取的故障电弧识别方法
US20200257970A1 (en) * 2019-02-08 2020-08-13 Korea Advanced Institute Of Science And Technology Data processing apparatus by learning of neural network, data processing method by learning of neural network, and recording medium recording the data processing method
CN110533064A (zh) * 2019-07-17 2019-12-03 西安西电开关电气有限公司 一种gis设备的局部放电图谱模式识别方法和系统
CN111643098A (zh) * 2020-06-09 2020-09-11 深圳大学 一种基于智能声学设备的步态识别与情绪感知方法和系统

Also Published As

Publication number Publication date
CN112651300B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
CN106951925B (zh) 数据处理方法、装置、服务器及系统
CN109543064B (zh) 歌词显示处理方法、装置、电子设备及计算机存储介质
CN109408262B (zh) 一种业务数据处理方法及相关设备
CN105095415A (zh) 网络情绪的确定方法和装置
CN104298727A (zh) 一种基于文档的模板匹配方法及装置
CN110704822A (zh) 提高用户身份验证安全性的方法、装置、服务器及系统
CN104090883A (zh) 一种音频文件的播控处理方法及装置
CN108154103A (zh) 检测推广信息显著性的方法、装置、设备和计算机存储介质
CN111475628A (zh) 会话数据处理方法、装置、计算机设备和存储介质
CN114073854A (zh) 基于多媒体文件的游戏方法和系统
CN111159464A (zh) 一种音频片段的检测方法及相关设备
CN110782232A (zh) 业务流程可视化配置方法、装置、电子设备及存储介质
CN112839047B (zh) 一种云平台上的资产漏洞扫描方法、装置、设备及介质
CN112651300A (zh) 利用神经网络进行电器类别判断的方法、装置及设备
CN117435999A (zh) 一种风险评估方法、装置、设备以及介质
CN112637687A (zh) 基于埋点行为的视频回放方法、装置、计算机设备及介质
CN108446403A (zh) 语言练习方法、装置、智能车载终端及存储介质
CN106663110A (zh) 音频序列对准的概率评分的导出
CN115328786A (zh) 一种基于区块链的自动化测试方法、装置和存储介质
EP2722778A1 (en) Method and apparatus for retrieving a media file of interest
CN111429949B (zh) 音高线生成方法、装置、设备及存储介质
CN113868401A (zh) 数字人的交互方法、装置、电子设备及计算机存储介质
CN111198986B (zh) 信息发送方法、装置、电子设备及存储介质
CN114332599A (zh) 图像识别方法、装置、计算机设备、存储介质和产品
CN113313615A (zh) 一种对企业司法风险进行量化评分定级的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant