少数拍摄学习型AI准确感知家用电器

NIALM(非侵入式设备负载监控)可以 "感知 "使用电力的设备。NIALM适用于家庭和小型建筑。为此，NIALM可能需要来自每种电器类型的数百张标记的电源信号图像来进行训练。但有一种比 "传统 "机器学习更快、更经济的方法。

来自约翰内斯堡大学的研究人员为NIALM部署了 "少数镜头学习(FSL)"。经典的FSL "只需要10张有标签的分类图像，就能以非常高的精度识别家电。

他们调整了这个过程，使AI(人工智能神经网络)可以自己选择最佳的训练图像。这使得训练过程更加快速。当他们还调整了一些超参数时，只要有七张测试图像就足以让FSL以97.83%的准确率识别出家电。一张训练图像(单次学习)的准确率为88.17%至91.343%，这取决于测试期间的类别数量。

FSL - 当机器学会学习

教导人工智能(人工智能神经网络)识别电器的电源信号，通常需要大量的数据。通常情况下，人工智能需要数百张由人类标记的图像，以识别每种电器类型，尽管容量和运行状态不同。一个电器的两种运行状态的例子是洗衣机的洗涤和旋转周期。

人工智能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和昂贵。

但人工智能还有另一种学习方式，它确实需要很少的标记数据。只要有10张带标签的训练图像就足以让图像分类具有极高的准确性。

举个例子，比如说一个人工智能是用大象、老虎和熊的各10张图片来训练的。当人工智能被一个没有标签的大雄狮的图像 "测试 "时，人工智能应该认识到狮子与老虎相似，但不相同。然后，人工智能应该自己决定为狮子创建一个新的 "对象类别"。

另外，当该人工智能面对一个没有标签的小狮子图像时，它应该能够把小狮子和雄狮放在同一个类别中。

这种类型的人工智能机器学习(ML)算法被称为Few Shot Learning(FSL)。它是元学习的一种形式，或 "学习到学习"。

FSL已经为全球领先的技术公司提供了巨大的语言模型。在一些机场，根据旅客的脸部检查护照的计算机视觉系统也使用了FSL。

猫的各个部分

来自麻省理工学院电气和电子工程科学系的孙艳霞教授说："少数人学习实际上是用一些数据训练人工智能神经网络，甚至是关于一个物体类别的不完整数据。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，人工智能则自己学习每个动物或物体的特征。"

在老虎与狮子的例子中，FSL人工智能从老虎图像中了解到胡须、猫眼、皮毛和猫尾巴。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一个与老虎相似但不相同的对象类别。

NIALM - 一个耗电量表适用于多种电器

NIALM用于小型商业建筑或家庭，以测量每个电器或设备的耗电量。

NIALM使用 "功率分解"，将同一时间、同一电相上的许多电器的综合耗电信号拉开。NIALM只使用一个测量设备。这比将功率计依次连接到每个电器上要容易得多，也快得多。

一些国家的家庭智能电表储存了每个电器的耗电数据，并将其发送给电力公司。在其他国家，智能电表也将能源消耗数据提供给房主。

电源消耗信号到数字图像

在这项研究中，研究人员在来自各种家用电器的电力负荷信号的NIALM图像上训练他们的FSL人工智能。

他们通过将功率分析仪(泰克PA1000)和每个电器依次插入一个多插头的电源延长线来获得功耗信号。然后他们把功率分析仪打开。然后，设备被打开和关闭，而功率分析仪记录了一段时间内的耗电量。对于笔记本电脑和台式电脑，记录了整个开机顺序。

功率分析仪将电器的模拟耗电信号转换成数字数据。然后，该数据被转换为格拉米亚角和场(GASF)，看起来像色彩鲜艳的瓦片。

400 X 400像素的彩色GASF图像随后被转换成灰度，并缩小到28 X 28像素。这降低了算法的复杂性，并使用较少的计算资源。

加快培训进度

经典 "FSL是一个两阶段的过程--训练和测试。在这项研究中，研究人员增加了一项调整，以加快选择非常合适的数据进行训练，这也将加快训练过程本身。

"我们通过实施对我们的数据是否容易或适合进行度量学习的初步评估来提高FSL算法的准确性。我们把这称为相似性测试，"该研究的第一作者Liston Matindife博士说。

在研究期间，马廷迪夫是约翰内斯堡大学的一名博士生。他目前在津巴布韦的国立科技大学任教。

"如果GASF图像没有通过相似性测试，这意味着数据需要更多的预处理，特别是在时间序列或波形格式，然后再转换为GASF图像。通过相似性测试的图像使我们的模型能够更快地学习，"Matindife补充说。