公开(公告)号：CN118133190A

公开(公告)日：2024-06-04

申请号：CN202410539115.1

申请日：2024-04-30

Applicant: 浙江大学滨江研究院 ,  杭州熔合智造科技有限公司

Inventor： 潘晓华 ,  翁得鱼 ,  叶林辉 ,  尹建伟

IPC: G06F18/2431 ,  G06N3/084 ,  G06N3/096

Abstract: 本发明的基于BN关系网络的负荷识别模型构建方法及负荷识别方法，针对当前非侵入式负荷识别方法在实际应用过程中可迁移性较差，在新的电器品牌和住房条件上模型泛化性能低，提出了一种基于自适应批标准化（Batch Normalization，BN）关系网络的非侵入式负荷识别方法，改善了不同数据集之间的模型泛化性能，并且在实际应用中只需要少量的标签数据。

公开(公告)号：CN118965009B

公开(公告)日：2025-02-11

申请号：CN202411467025.2

申请日：2024-10-21

Applicant: 浙江大学滨江研究院

Inventor： 叶林辉 ,  翁得鱼 ,  潘晓华

IPC: G06F18/214 ,  G06F18/22 ,  G06F18/213 ,  G06F18/10 ,  G06N3/0464 ,  G06N3/0985

Abstract: 本发明公开了一种基于鲁棒性度量学习的非侵入式负荷识别方法，包括如下步骤：步骤一，采集不同运行条件下不同电器类型的电流数据，用于组建元学习数据集；步骤二，使用神经网络架构搜索算法对特征提取网络进行学习，具体为对整体的特征提取网络框架进行定义；步骤三，构建基于神经网络架构搜索的度量学习网络框架；步骤四，使用步骤三中获得的度量学习模型对电器进行非侵入式负荷识别。本发明的基于鲁棒性度量学习的非侵入式负荷识别方法，使用神经网络架构搜索算法对度量学习网络的特征提取模块进行自动搜索，通过含噪数据集的训练，得到抗噪声能力最强的网络结构，提高最终度量学习模型的鲁棒性。

公开(公告)号：CN118133190B

公开(公告)日：2024-08-13

申请号：CN202410539115.1

申请日：2024-04-30

Applicant: 浙江大学滨江研究院 ,  杭州熔合智造科技有限公司

Inventor： 潘晓华 ,  翁得鱼 ,  叶林辉 ,  尹建伟

IPC: G06F18/2431 ,  G06N3/084 ,  G06N3/096

Abstract: 本发明的基于BN关系网络的负荷识别模型构建方法及负荷识别方法，针对当前非侵入式负荷识别方法在实际应用过程中可迁移性较差，在新的电器品牌和住房条件上模型泛化性能低，提出了一种基于自适应批标准化（Batch Normalization，BN）关系网络的非侵入式负荷识别方法，改善了不同数据集之间的模型泛化性能，并且在实际应用中只需要少量的标签数据。

公开(公告)号：CN116610922A

公开(公告)日：2023-08-18

申请号：CN202310856650.5

申请日：2023-07-13

Applicant: 浙江大学滨江研究院 ,  杭州熔合智造科技有限公司

Inventor： 潘晓华 ,  周俞彤 ,  叶林辉 ,  吴长安 ,  尹建伟

IPC: G06F18/20 ,  H02J3/00 ,  G06Q50/06 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于多策略的非侵入负荷识别方法和系统，包括：将一段待检测电流数据输入至用非侵入式负荷识别模型进行识别：（A）若事件识别模块识别到待检测电流数据中不存在开关事件，则输出多目标识别模块的识别结果；（B）若存在开关事件，（B‑1）若为关闭事件，则输出多目标识别模块的识别结果；（B‑2）若为打开事件，则通过开集识别模块识别打开的用电器是否为集外用电器，（B‑21）若不是集外用电器，则输出多目标识别模块的识别结果；（B‑22）若是集外用电器，对当前待检测电流数据进行标注并保存至训练数据集中；定期采用更新后的训练数据集对非侵入式负荷识别模型进行训练。本发明识别速度快、建模数据量小，单次可识别多种用电器类别。

公开(公告)号：CN118965009A

公开(公告)日：2024-11-15

申请号：CN202411467025.2

申请日：2024-10-21

Applicant: 浙江大学滨江研究院

Inventor： 叶林辉 ,  翁得鱼 ,  潘晓华

IPC: G06F18/214 ,  G06F18/22 ,  G06F18/213 ,  G06F18/10 ,  G06N3/0464 ,  G06N3/0985

Abstract: 本发明公开了一种基于鲁棒性度量学习的非侵入式负荷识别方法，包括如下步骤：步骤一，采集不同运行条件下不同电器类型的电流数据，用于组建元学习数据集；步骤二，使用神经网络架构搜索算法对特征提取网络进行学习，具体为对整体的特征提取网络框架进行定义；步骤三，构建基于神经网络架构搜索的度量学习网络框架；步骤四，使用步骤三中获得的度量学习模型对电器进行非侵入式负荷识别。本发明的基于鲁棒性度量学习的非侵入式负荷识别方法，使用神经网络架构搜索算法对度量学习网络的特征提取模块进行自动搜索，通过含噪数据集的训练，得到抗噪声能力最强的网络结构，提高最终度量学习模型的鲁棒性。

公开(公告)号：CN115083411A

公开(公告)日：2022-09-20

申请号：CN202210842968.3

申请日：2022-07-18

Applicant: 浙江大学 ,  浙江大学滨江研究院

Inventor： 潘晓华 ,  叶林辉 ,  沈诗婧 ,  尹建伟

IPC: G10L15/22 ,  G10L15/26 ,  G10L25/24 ,  G10L15/08 ,  G10L15/06 ,  G10L15/02 ,  G06N3/08 ,  G06N3/04 ,  G06K9/62

Abstract: 本发明公开了一种基于特征融合的语音识别方法，包括：步骤1、获取语音数据，对所述语音数据的文本内容进行标签标注，将语音数据与标注标签组成训练集；步骤2、构建基于特征融合的语音识别网络，所述语音识别网络包括特征提取模块，数据处理模块，特征融合模块，注意力模块以及识别模块；步骤3、采用步骤1的训练集，对语音识别网络进行训练，获得用于语音转文本的语音识别模型；步骤4、将待识别的语音数据输入至步骤3获得的语音识别模型，经识别分析后，输出语音数据对应的高质量识别文本。本发明还提供了一种语音识别装置。本发明提供的方法通过提取语音中多种特征进行识别，从而提高语音识别的准确率，获得高质量语音转文字的文本内容。