边缘检测方法在许多领域被广泛研究,主要发展在离散情况下,仅限于略微嘈杂的信号。精明的正规化或平滑和最优方法 27)导致了几个有效的连续运营商对噪声和模糊信号。其他先进方法,考虑精明的标准已经开发处理噪音,不均匀的照明,和图像的对比。边际,离散正则化的方法已被开发和改善结果通过考虑离散信号的性质( 28, 29日]。

将非线性引入全球过滤过程,在嘈杂的边缘检测,是一种边际但有效的方法获得良好的性能。一般来说,非线性滤波用于初步正规化阶段。皮塔饼和Venetsanopoulos提出一类非线性滤波器拒绝添加剂和脉冲噪声,同时保留边缘( 30.]。最近,Benazza-Benyahia等人介绍了非线性滤波器组导致多分辨率逼近信号不连续的保存完好的 31日]。边缘增强的非线性滤波器,利用形态学滤波器,提出了由舒尔茨( 32]。作者表明,局部变化分析允许增强边缘被乘法噪声。黄和哈达德提出了一个集成的非线性edge-detection-based去噪方案( 33]。阈值导数计算从两个一半过滤器(中位数为脉冲噪声,对高斯噪声,意味着和min-max统一噪声)和边缘检测是用于选择第二个过滤阶段,即意味着噪音或中位数为边缘点。方案,边缘检测可以被认为是一个副产品,获得最优性能只有在正确的第一选择滤波器根据噪声统计。基于这些理论,Laligant和他的同事提出获得降噪和边缘检测的单程非线性微分计划( 34]。相结合的方案,它由两个极化差异,收益率显著改善信噪比不使用正则化或增加计算的要求。

众所周知,三种斜坡可以发现在所有的电源波形,包括积极的,消极的,和常数。所以边缘符号分析方法(ESA)可以找到边缘点的位置根据信号的符号。通过这种方式,将边缘点位于过渡后如果斜率是正的。否则,当它是负的,边缘点前将位于斜坡。在这里,为了检测这两种边缘,两个探测器过滤器 l + 和 l - - - - - - 介绍了。自 l 选择作为一个反对称线性滤波器,提供本地化的变化,根据边缘像素定位移动的方向。这些过滤器中描述的关系( 1)。 (1) l - - - - - - ( 年代 ) = - - - - - - l + ( 年代 - - - - - - 1 ) 。 简单的阈值 H ,我们使用的组合 l + 和 l - - - - - - 如下检测边缘点的原始输入信号 我 。 (2) O + ( 年代 ) = H ( l + ( 年代 ) 我 ( 年代 ) ] , O - - - - - - ( 年代 ) = - - - - - - H ( - - - - - - l - - - - - - ( 年代 ) 我 ( 年代 ) ] 。

节省计算资源,提高性能,只有电流信号被用于频率分析用更少的采样点( 35]。例如,根据先前的实验,分类的准确率几乎是相同或更高时采用500频率信号点的特性而不是2000未处理电流信号点。

在收集单个设备的数据和提取当前信号,短时快速傅里叶变换(FFT)的信号是在执行( 3)。在哪里 ω NgydF4y2Ba = e ( 2 π 我 ) / NgydF4y2Ba 是一个 n 统一的根源。 (3) X ( k ) = ∑ j = 1 NgydF4y2Ba x ( j ) ω NgydF4y2Ba ( j - - - - - - 1 ) ( k - - - - - - 1 ) , x ( j ) = ( 1 NgydF4y2Ba ) ∑ k = 1 NgydF4y2Ba X ( k ) ω NgydF4y2Ba - - - - - - ( j - - - - - - 1 ) ( k - - - - - - 1 ) , 和一个示例如图所示 2。

SVM, NIALM系统的方法之一,是相对不敏感的数据点的数量和分类的复杂性并不依赖于特征空间的维数( 36]。因此,它可能会学习更大的组模式和规模比其他方法。一旦数据分为两类,一个合适的优化算法可以在必要时用于进一步的特征识别,这取决于应用程序。

学习的支持向量机训练算法分类和回归规则从议会和Vapnik首次引入支持向量机的数据 37)在1990年代分类和最近成为一个激烈的研究领域由于技术和理论的发展加上回归和密度估计的扩展。它是基于结构风险最小化原则纳入容量控制,防止过度拟合。它是一个部分解决方案偏差方差取舍两难( 38]。它已广泛应用于不同的领域。作为一个分类器,它给出了一组训练的例子,每个标记为属于两类之一。SVM训练算法构建一个模型,预测新例子是否属于一个类别。直觉上,支持向量机模型的例子表示点空间,映射,这样的例子单独的类别是除以一个明确差距,尽可能宽( 39]。新的例子然后映射到相同的空间和预测属于一个类别根据他们落在一边的差距。

支持向量机提供最先进的性能在实际应用,如文本分类、手写字符识别中,biosequences分析、图像分类等等。现在建立的标准工具,机器学习和数据挖掘。支持向量机的决策函数被定义为( 4) (4) f ( y ) = ∑ 我 = 1 NgydF4y2Ba α 我 K ( x 我 , y ) + b 。 在这里, y 是不保密的测试向量, x 我 支持向量和吗 α 我 是他们的重量, b 是一个常数的偏见。 K ( x , y ) 是内核函数引入支持向量机来解决非线性问题通过执行隐式映射到一个高维特征空间( 40]。

考虑分离的问题属于两个独立的训练向量的集合类( 41]。 (5) D = { ( x 1 , y 1 ) , … , ( x l , y l ) } , x ∈ R n , y ∈ { - - - - - - 1,- 1 } 用一个超平面, (6) 〈 ω , x 〉 + b = 0 。 我们的算法是高斯核函数选择 (7) k ( x 我 , x j ) = 经验值 ( - - - - - - γ ∥ x 我 - - - - - - x j ∥ 2 ) , 为 γ > 0 , 在标量 γ 对所有坐标是相同的。

在图 4,水壶和烤面包机的重叠数据作为一个例子所示。图 4(一)是原来的重叠数据的水壶和烤箱。红色的数据图 4 (b)边缘检测的输出和原始数据。打开和关闭的边缘是用红色表示。清楚地观察合成边缘点,图的边缘点 4 (b)(即。,the red curve) are redrawn in Figure 4 (c)。

的例子与微波炉(图重叠的水壶 5(一个))和PC(图 5 (b))如图 5。它可以很容易地找到边缘(黄色箭头所示图 5),重复上述过程,然后把瞬态在原始数据点。当瞬态特性被认为是“微波炉”或“个人电脑”由支持向量机算法忽略了下一个“关闭”和“在”事件,因为他们是假的象征。因此能够获得整个事件的全部过程。

2的数据负载组合从四个典型设备是用于测试在这个实验中。该算法为每一组运行在10个不同的数据。对于一个单一的情况下,性能时间消耗低于4秒。这个过程的结果如表所示 2。实际上,所有事件由ESA除了Load2-On准确地检测到,而准确性仍高于80%。

每个短语的识别过程与高斯函数运行的内核。使用分段的稳态功率数据测试,选择一些特性数据所示 6和 7,图 6显示了培训未处理的当前数据在时域,和图 7显示了当前数据在频域内培训。算法运行70次收集的数据从11个不同的负载。对于一个单一的情况下,性能时间消耗低于2秒。识别结果如表所示 3。

可以看出,所有的识别准确率高于90%。它显示了理想的识别算法的性能。此外,尽管训练过程总是需要几分钟时间,避免混乱的你处理签名。测试流程比以前更快方法由于采用相对少量的分负荷频率特性。然而,我们想指出设备的数量是有限的,没有瞬态事件有关。时的性能会下降更多的用于实验设备和事件。