Few-shot learning人工智能准确感知家电-焦点短讯

NIALM(非侵入式设备负载监测)可以“感知”使用电力的设备。NIALM 用于家庭和小型建筑物。为此，NIALM 可能需要来自每种设备类型的数百个标记的电源信号图像来进行训练。但是，有一种比“传统”机器学习更快、更具成本效益的方法。

(相关资料图)

约翰内斯堡大学的研究人员为 NIALM 部署了 Few Shot Learning (FSL)。经典 FSL 只需要 10 张带标签的分类图像即可以非常高的准确度识别电器。

他们调整了流程，以便 AI(人工智能神经网络)可以自行选择最佳训练图像。这使得训练过程更快。当他们还调整了一些超参数时，只要七张测试图像就足以让 FSL 以 97.83% 的准确率识别电器。根据测试期间的类数，一张训练图像(一次性学习)的准确率为 88.17% 到 91.343%。

他们的研究发表在Computational Intelligence and Neuroscience上。

FSL：当机器学习时

教 AI 识别电器的电源信号通常需要大量数据。通常，人工智能需要数百张由人类标记的图像，以识别每种设备类型，尽管容量和运行状态不同。一台设备的两种操作状态的示例是洗衣机的洗涤和旋转循环。

AI 的所有训练数据都必须由人类创建和标记，这很快就会变得缓慢且昂贵。

但是人工智能还有另一种学习方式，它确实需要非常少的标记数据。只需 10 张带标签的训练图像就足以进行极其准确的图像分类。

例如，假设一个 AI 以这种方式训练了十张大象、老虎和熊的图像。当使用未标记的大型雄狮图像测试 AI 时，AI 应该能识别出狮子与老虎相似，但又不相同。然后人工智能应该自己决定为狮子创建一个新的对象类。

此外，当 AI 面对未标记的幼狮图像时，它应该能够将幼狮与雄狮归为同一类。

这种类型的 AI机器学习(ML) 算法称为少样本学习 (FSL)。它是元学习或“学会学习”的一种形式。

FSL 已经为占主导地位的全球科技公司提供了巨大的语言模型。在一些机场检查护照与旅客面部的计算机视觉系统也使用 FSL。

猫的部位

UJ 电气与电子工程科学系的 Yanxia Sun 教授说，小样本学习实际上是用一些数据训练 AI 神经网络，甚至是关于对象类别的不完整数据。孙是这项研究的主要作者。

“当我们用训练图像训练神经网络时，人工智能会自己学习每只动物或物体的特征。”

在老虎对狮子的例子中，FSL AI 从老虎图像中学习胡须、猫眼、毛皮和猫尾巴。它以前从未见过狮子。但是当人工智能用狮子的图像进行测试时，它应该将狮子识别为与老虎相似但不相同的对象类别。

NIALM：一个功耗表适用于多种电器

NIALM 用于小型商业建筑或家庭，以测量每台电器或设备消耗的电量。

NIALM 使用功率分解来分离在同一电相位上同时打开的许多电器的组合功耗信号。NIALM 仅使用一种测量设备。这比必须依次将功率计物理连接到每个设备要容易和快捷得多。

一些国家的家庭智能电表存储每台电器的耗电量数据，并将其发送给电力公司。在其他国家，智能电表也为房主提供能源消耗数据。

功耗信号转数字图像

在这项研究中，研究人员在来自各种家用电器的电力负载信号的 NIALM 图像上训练了他们的 FSL AI。

他们通过将功率分析仪 (Tektronix PA1000) 插入并依次将每个设备插入多插头电源扩展器来获取功耗信号。然后他们打开功率分析仪。然后打开和关闭设备，同时功率分析仪随时间记录功耗。对于笔记本电脑和台式电脑，整个启动序列都被记录下来。

功率分析仪将电器的模拟功耗信号转换为数字数据。然后将该数据转换为格拉姆角求和场 (GASF)，它看起来像色彩鲜艳的瓷砖。

然后将 400 X 400 像素的彩色 GASF 图像转换为灰度图像，并将尺寸缩小为 28 X 28 像素。这降低了算法的复杂性并使用了更少的计算资源。

关键词： 人工智能 机器学习 神经网络