我来继续填坑了~~
给大家两周时间自习深度学习（磨蹭了两周）
不知道同学们的基础打得如何了哈
QQ群1070535031

我分两篇写网络训练的相关，本文介绍整个思路流程，下一篇提供实操代码和相关注释讲解

关注顺序建议：

1，先仔细阅读本文思路分析，认真思考，并且根据学习的深度学习的相关知识，边跟我的思路走，边考虑一下，我这么做的目的，以及优缺点。是你自己的话，如何做，以及如何优化。

2，下一篇给出代码，按功能模块，每一块叠加就是整个项目。不过我建议边思考，边自己去写一遍，弄懂每句代码的含义，才是你的。不然后面我提供改进思路，大家一起实践的时候，你会盲目的手足无措。

实验需求

跟随本文进行学习和实验，需要前面博文中的环境，以及提取出来的UK数据。（学习分享——基于深度学习的NILM负荷分解（二）电器数据提取）

实验环境：
pycharm，python 3.6+，keras库，numpy库，matplotlib库
以及UKData。

思路分析

进入正题~~

上一节中，我们把一号房子的所有用电器的有用功分别取出来了，电器的数据很多。

为了我们调试和优化网络方便，前期不浪费太多时间去训练。

这里我们从中取出5个比较有区别度的电器数据，来进行流程搭建。

提高准确率，提高区分度，多个同样电器，，等问题，一点点迭代我们的网络。训练的输入数据也可以随之添加。

简单看来，负荷分解是一个 “多分类，多标签问题”，分析N个电器的有用功变化，根据变化规律，进行多分类。

另外有的同学的思路会是去识别，开启/关闭电器的事件。但由于，这里使用的是低频数据，所以，识别短促的事件并不容易识别到，开启/关闭时候的变化也抓不打详细的变化规律。（需要高频数据，才能体现出不同电器的短时变化规律）

因此本篇的思路是，根据电荷的变化规律，识别电器的开启状态。简单说：根据电荷实时变化，识别哪些电器开着。

由上面这个思路，就可以知道，要看频率变化规律：

1，可以用傅里叶变换，分解出总负荷在哪些频段，来判断电器。

2，直接使用循环神经网络，输入总电荷，用窗口①来抓取总负荷的变化。

那我们从简入深，这里先使用上面第二个思路，这样基本上不用怎么处理数据，建立一个窗口数据的时序网络，直接输入序列数据即可。

窗口：意思如下图，去取一定长度的序列，取完一个，往后移动一段距离，取下一个窗口。
下图每个颜色就是取的一次窗口数据。可以看出其中包括两个参数：窗口长度，窗口每次移动距离（移窗）
这两个参数设置好，第一次取的数据就是1，第二次取2，，之后3，，，之后4，，，，以此列推

之后呢，我们就可以看看数据怎么准备了。

我们取出来的电器数据，组合五个电器，可以合成出来一个总功~~
然后将其分为，训练数据，验证数据，以及测试数据。测试数据不参与训练。

还要为训练生成一下我们训练需要的data对于的label，用于多分类的训练。

有了数据，就是设计网络了。

上面说了序列数据的处理思路，那就是用循环网络，这里我们选用GRU或LSTM来搭建。来学习数据变化的规律。

根据经验，在循环网络前，我们还要添加几层1D来提炼数据。（一维卷积）

循环网络后接全连接收敛到5个结果。

结果就是训练的五个电器的开关状态。我们定义为1为开着，0为关着。

到此，初步的思路就比较全面了，我画一张简单的步骤流程图，

1，生成五个采样电器的合并数据

2，生成 label 用于训练。label是五个电器每一时刻的开关状态。0为关闭状态，1为开启状态。

3，将Data和Label 切分成三份。用于训练，验证，测试。

4，构建网络结构，使用循环网络，学习总功率变化规律，判断电器开关状态。

5，训练网络，验证结果，进行测试。

下一文，我们来实现上面的整个流程。
QQ群1070535031

学习分享——基于深度学习的NILM负荷分解（三）深度学习处理，基础思路相关推荐

学习分享——基于深度学习的NILM负荷分解（四）深度学习实现，代码讲解
QQ群1070535031 跟随上一篇的思路,本篇我们来实现整个流程. 实验需求跟随本文进行学习和实验,需要前面博文中的环境,以及提取出来的UK数据.(学习分享--基于深度学习的NILM负荷分解(二 ...
学习分享——基于深度学习的NILM负荷分解（二）电器数据提取
前一阵参加比赛,NILM就放了放,开始填坑... GOGOGO~ 数据准备根据上一篇中提到的,我这里使用的是UK-DALE 没有下载的同学可以回到上一篇看一下(学习分享--基于深度学习的NILM负荷 ...
学习分享——基于深度学习的NILM负荷分解（一）对DL的看法准备工作
好啦,我来填坑啦哈哈经过了几个月的对深度学习的学习.了解和实践, 对于用深度学习来做NILM的经验也是积累了不少. 在此,做以小结. 在此,感谢~柳柳,小张,小田,小刘的支持和鼓励. 话不多说,下面 ...
【深度学习】基于web端和C++的两种深度学习模型部署方式
深度学习 Author:louwill Machine Learning Lab 本文对深度学习两种模型部署方式进行总结和梳理.一种是基于web服务端的模型部署,一种是基于C++软件集成的方式进行部署 ...
[光速QA][linux学习篇]基于韦东山I.MX6ULL pro开发板的学习笔记
#前言: CSDN上已经有了太多的教程,我决定使用一种很新的方式记录自己的学习过程,如果对你有帮助就点个赞吧!一篇博文但是会长期更新(争取). 光速QA,希望面试官和面试者都可以给我这里找到灵感,如果 ...
基于web端和C++的两种深度学习模型部署方式
深度学习Author:louwillMachine Learning Lab 本文对深度学习两种模型部署方式进行总结和梳理.一种是基于web服务端的模型部署,一种是基... 深度学习 Author:l ...
datatable的数据进行组内排序_排序算法学习分享（四）希尔排序
排序,也称为排序算法,可以说是我们学习算法的过程中遇到的第一个门槛,也是实际应用中使用得较为频繁的算法,我将自己对所学的排序算法进行一个归纳总结与分享,如有错误,欢迎指正! 排序算法学习分享(一)选择 ...
何为非侵入式负荷分解
0 解答有同学提出了一些问题,我在这里再说明一次. 1)深度学习算法应用于非侵入式负荷分解是不需要事件检测的吗? 回答:是的,不需要事件检测.深度学习算法应用于负荷辨识的话,必须要有事件检测. 2) ...
三维重建几何方法深度学习_基于深度学习的三维重建算法：MVSNet、RMVSNet、PointMVSNet、Cascade系列...
欢迎关注微信公众号"3D视觉学习笔记",分享博士期间3D视觉学习收获 MVSNet:香港科技大学的权龙教授团队的MVSNet(2018年ECCV)开启了用深度做多视图三维重建的先河 ...

学习分享——基于深度学习的NILM负荷分解（三）深度学习处理，基础思路

我分两篇写网络训练的相关，本文介绍整个思路流程，下一篇提供实操代码和相关注释讲解

实验需求

思路分析

学习分享——基于深度学习的NILM负荷分解（三）深度学习处理，基础思路相关推荐

最新文章

热门文章