KR101503644B1

KR101503644B1 - 비간섭 전력 부하 감시에 알맞도록 고차 적률 특징을 쓰는 전력 신호 인식 방법 및 그 시스템

Info

Publication number: KR101503644B1
Application number: KR20140041216A
Authority: KR
Inventors: 송익호; 민황기; 이창석
Original assignee: 한국과학기술원
Priority date: 2014-04-07
Filing date: 2014-04-07
Publication date: 2015-03-17
Anticipated expiration: 2034-04-07

Abstract

본 발명은 전력 신호가 입력으로 주어질 때 그 신호를 작은 조각 단위로 인식하여 매 순간 어떤 전기기구가 켜져 있는 상태인지를 결정하기 위한 전력 신호 인식 시스템을 제안한다. 전력 신호를 인식하는 방법에 있어서, 전력 신호 조각에서 고차 적률 특징 벡터를 추출하는 (1) 단계; 상기 고차 적률 특징 벡터를 이용하여 이차 특징을 추출하는 (2) 단계; 상기 이차 특징을 이용하여 신호 조각을 분류하는 (즉, 현재 어떤 가전 제품이 켜져 있는지를 결정하는) (3) 단계; 및 학습 자료 집합을 써서 상기 (2) 단계와 (3) 단계에 필요한 매개 변수들을 미리 결정(학습)하는 (4) 단계를 포함할 수 있다.

Description

비간섭 전력 부하 감시에 알맞도록 고차 적률 특징을 쓰는 전력 신호 인식 방법 및 그 시스템{POWER SIGNAL RECOGNITION METHOD AND SYSTEM WITH HIGH ORDER MOMENT FEATURES FOR NON-INTRUSIVE LOAD MONITORING}

본 발명은 비간섭 전력 부하 감시(non-intrusive load monitoring, NILM)에 알맞은 패턴 인식 시스템에 관한 것으로, 주어진 전력 신호에서 전기기구를 효과적으로 분별하여 인식할 수 있도록 하는 특징 추출 방법에 관한 것이다.

종래에 자주 사용하는 전통 전력계는 대부분 가정이나 기업이 과거의 일정 기간 동안에 쓴 전체 전력량을 통계 낸 후 비용을 청구하는 방식을 사용하고 있으며, 스마트형 전력계의 경우 과거의 사용 내용에 더해 현재 실시간으로 소모하고 있는 전력 정보를 더 알려줄 수 있지만 각 전기기구의 전력 소모 정보까지는 제공하지 못하고 있다. 각 전기기구의 소모 전력을 상세하게 알 수 있는 방법이 없는 상황에서는, 전력 소모의 원인을 파악하여 이에 대응하는 에너지 절약 기획 및 관리를 하기에 어려움이 따른다. 이런 문제점을 해결하고자, 각 콘센트 상에 스마트형 전력계와 유사한 전력 소모 감지 장치를 설치하여 주요 전기기구의 전력 소모 내용을 파악하는 방식이 있으나, 이는 설치 원가가 높아진다는 문제점 때문에 거의 쓰이지 않고 있는 실정이다.

비간섭 전력 부하 감시 기술은 단일 전력계를 사용해 한 가정의 전체 전류의 변화를 감지하고 이를 분석함으로써 현재 사용 중인 전기기구 및 그 상태를 판단하는 기술을 말한다. 과거에는 대부분 전기기구의 부하 특징을 가설하여 사전에 필요한 정보를 수집하고 정의 내린 후, 부하 특징 데이터베이스를 추가해 전기기구의 상태를 파악하는 방식을 사용해 왔다. 현재 매우 다양한 방식의 감지 방법 및 각 전기기구의 부하 특징값을 정의하는 방법이 쓰이고 있는데, 전기기구의 종류가 다양해지고 끊임없이 새로운 전기기구가 출시됨에 따라 동일한 전기기구라도 각 가정에서 사용하는 데 있어 서로 다른 특징을 보이며 그로 인해 전기기구의 부하 특징값을 수집하고 전기기구 특징을 검색하는데 상당한 어려움이 있다. 그러므로 비간섭 전력 부하 감시에서 좀더 일반적이고 확장 가능한 특징 추출 방법을 써서 전기기구를 분별 인식할 수 있는 기술이 필요하다.

본 발명의 실시예에 따른 전력 신호 인식 시스템은, 전력 신호가 입력으로 주어질 때 그 신호를 작은 조각 단위로 인식하여 매 순간(또는, 작은 시간 간격)마다 어떤 전기기구가 켜져 있는 상태인지를 결정하여 그 결과를 출력해 주기 위한 것이다.

이를 위해 주어진 전력 신호에서 전기기구를 효과적으로 분별 인식하기 위한 새로운 특징 추출 방법을 고안한다. 제안하는 특징 추출 방법은 전기기구 본연의 동작 특성을 확률 공간에서 모형화한 정보에 바탕을 두는 것으로, 신호의 고차 적률들을 추출하여 이를 분별을 위한 특징 벡터로 쓴다. 그 뒤에, 커널 판별 분석법을 더함으로써 전체 시스템의 계산 복잡도(즉, 처리 시간)를 줄이면서 동시에 분별 성능을 높인다.

일 실시예에 따른 전력 신호 인식 시스템은, 전력 신호 조각에서 고차 적률(moment) 특징 벡터를 추출하는 (1) 단계; 상기 고차 적률 특징 벡터를 이용하여 이차 특징을 추출하는 (2) 단계; 상기 이차 특징을 이용하여 신호 조각을 분류하는 (즉, 현재 어떤 가전 제품이 켜져 있는지를 결정하는) (3) 단계; 및 학습 자료 집합을 써서 상기 (2) 단계와 (3) 단계에 필요한 매개 변수들을 미리 결정(학습)하는 (4) 단계를 포함할 수 있다.

일 측에 따르면, (1) 단계는 식

를 써서 이루어질 수 있다. 여기서,

는 부류(class)를 모르는 (이 발명에서 부류라 함은 전기기구의 종류를 말한다. 즉, 신호 조각의 부류를 모른다는 것은, 그 신호 조각이 어떤 전기기구가 켜져 있는 상태에서 나온 전력 신호인지를 모른다는 것이다.) 전력 신호 조각이고,

는

의 고차 적률 특징 벡터이다. 또한,

이고, i= 2, 3, 4, 5일 때

이며, m은

의 표본 평균이고,

는

의 표본 표준 편차이며,

는

의 i째 표본 중심 적률로서 식

에 의하여 계산된다.

또 다른 일측에 따르면, (2) 단계는 커널 판별 분석법(kernel discriminant analysis, KDA)을 써서 식

에 의하여 이루어질 수 있다. 여기서,

는

의 이차 특징이고,

는 커널(kernel) 공간으로의 대응 함수이며,

는 5이고,

차원의 행벡터

는 커널 판별 벡터이고, b는 바이어스이다. 이때,

는 널리 알려진 대응 함수들 가운데 하나를 사전에 정하여 쓰고, 커널 판별 벡터

와 바이어스 b는 학습 단계인 (4) 단계에서 미리 계산되어 주어진다.

또 다른 일측에 따르면, (3) 단계에서는 가장 가까운 이웃 분류기(nearest neighbor classifier)를 이용하여 상기 신호 조각을 분류할 수 있다. 구체적으로,

의 부류는, 식

를 가작 작게 하는

의 부류로서 결정된다. (여기서 신호 조각의 부류를 결정한다는 것은, 이 신호 조각이 어떤 전기기구가 켜져 있는 상태에서 나온 전력 신호인지를 결정한다는 것이다.) 이때,

는 학습 단계인 (4) 단계에서 미리 계산되어 주어진다.

또 다른 일측에 따르면, 학습 단계인 (4) 단계는 학습 자료들에서 고차 적률 특징 벡터들을 추출하는 (4-1) 단계; 상기 학습 자료들의 고차 적률 특징 벡터들과 그 부류, 그리고 커널 판별 분석법의 학습 기법을 써서 커널 판별 벡터 벡터

와 바이어스 b를 얻는 (4-2) 단계; 및 상기 커널 판별 벡터 벡터

와 바이어스 b를 써서 학습 자료들의 이차 특징들을 얻는 (4-3) 단계를 포함할 수 있다.

또 다른 일측에 따르면, (4-1) 단계는 상기 (1) 단계에서와 같은 함수를 써서 식

에 의하여 이루어진다. 여기서,

는 부류를 알고 있는 (즉, 어떤 전기기구가 켜져 있는 상태에서 나온 전력 신호인지를 알고 있는) 전력 신호 조각으로서, 학습 자료들의 집합

의 원소이다.

또 다른 일측에 따르면, (4-2) 단계는 섭동법을 바탕으로 근사화한 커널 판별 분석법(approximated KDA based on a perturbation method), 일반화된 판별 분석법(generalized discriminant analysis), 및 영 공간 기반 커널 피셔 판별 분석법(null space-based kernel Fishier discriminant analysis)과 같이 널리 알려진 커널 판별 분석법 구현 기법들 가운데 하나를 선택하여 쓸 수 있다.

또 다른 일측에 따르면, (4-3) 단계는, 상기 (2) 단계에서와 같은 함수를 써서 식

에 의하여 이루어진다.

일 실시예에 따른 전력 신호 인식 시스템은, 주어진 전력 신호에서 확률적 특성인 고차 적률을 분별 특징으로 추출하여 어떤 전기기구가 켜져 있는 상태인지를 판단하는 시스템이다. 이는 각 전기기구 본연의 동작 특성을 확률 공간에서 모형화한 정보를 바탕으로 하는 것으로, 시간 영역에서 육안으로 구별하기 힘든 전력 신호들까지도 효과적으로 구별할 수 있다. 또한, 여기에 커널 판별 분석법을 더함으로써 전체 시스템의 계산 복잡도를 줄이면서 동시에 분별 성능을 높인다. 제안한 시스템은 사전에 수집해둔 학습 자료(즉, 전기기구를 각각 켜놓은 상태에서 얻은 실제 전력 신호)만 있으면 동작하기 때문에, 각 전기기구에 대한 개별적인 수학적 분석 등을 필요로 하지 않으며, 따라서 비간섭 전력 부하 감시에 있어 쉽고 유연하면서도 성능이 우수한 시스템 구축이 가능하게 된다.

도 1은 동작 특성이 아주 비슷한 가정용 전기기구의 예로, 전기 다리미와 쿡탑(cook top)이 동작하고 있을 때의 일반적인 전력 신호를 나타낸 도면이다.
도 2는 일 실시예에 따른 전력 신호 인식 시스템의 구성을 나타낸 블록도이다.
도 3은 일 실시예에 따른 전력 신호 인식 시스템의 학습 및 시험 단계를 나타낸 흐름도이다.
도 4는 일 실시예에 따른 전력 신호 인식 시스템의 특징 추출 단계에서 얻은 고차 적률 특징 벡터들의 일부 원소들을 나타낸 도면이다.
도 5는 일 실시예에 따른 전력 신호 인식 시스템의 인식률을 나타낸 표이다.

이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.

도 1은 전기 다리미(110)와 쿡탑(120)이 동작하고 있을 때의 일반적인 전력 신호를 나타낸 도면이다. 이 도면에서 두 전기기구가 아주 비슷한 방식으로 동작한다는 것을 알 수 있다. 또한, 제조사와 동작 유형에 따라 전력 신호가 조금씩 바뀐다는 점을 고려한다면, 이런 전기기구를 구별하는 일은 더욱 힘들어진다.

도 2는 일 실시예에 따른 전력 신호 인식 시스템의 구성을 나타낸 블록도이다.

전력 신호 인식 시스템(200)은 고차 적률 특징 벡터 추출부(210), 이차 특징 추출부(220) 및 분류부(230)를 포함할 수 있다.

본 발명에서는 전기기구의 이산 시간 전력 신호를 관찰하고 있다고 가정한다. 우선, 전력 신호를 일정 시간 서로 겹치도록 작은 신호 조각들로 나누고, 각각의 신호 조각들에 대해 그 신호 조각에서 추출한 분별 정보를 바탕으로 어떤 전기기구(예를 들면, 전기 다리미와 쿡탑 중 하나)가 동작하고 있는 것인지 결정하는 것이 이 시스템의 목적이다. 그 방법을 상세하게 설명하기로 한다.

고차 적률 특징 벡터 추출부(210)에서는 신호 조각으로부터 고차 적률 특징 벡터를 추출할 수 있다. 이는 아래 수학식 1을 써서 이루어진다.

여기서,

는 전력 신호 조각이고,

는

의 고차 적률 특징 벡터이다. 또한,

이고, i= 2, 3, 4, 5일 때

이며, m은

의 표본 평균이고,

는

의 표본 표준 편차이며,

는

의 i째 표본 중심 적률로서 식

에 의하여 계산된다.

위의 고차 적률 특징 벡터에서

는 신호의 확률 모형에서 변동 계수(coefficient of variation), 비틀림(skewness), 뾰족함(kurtosis)을 각각 나타낸다. 비틀림

는 신호의 확률 밀도 함수가 얼마나 비대칭인지를 나타내고, 뾰족함

는 정규 분포와 견주어볼 때 신호의 확률 밀도 함수가 얼마나 뾰족한지를 나타내는지를 나타내는 척도이다.

이차 특징 추출부(220)에서는 커널 판별 분석법을 써서 위에서 얻은 고차 적률 특징 벡터에서 이차 특징을 추출할 수 있다. 이는 아래 수학식 2를 써서 이루어진다.

여기서,

는

의 이차 특징이고,

는 커널 공간으로의 대응 함수이며,

는 5이고,

차원의 행벡터

는 커널 판별 벡터이고, b는 바이어스이다. 이때,

와 바이어스 b는 학습 단계에서 미리 계산되어 주어진다.

신호 조각 분류부(230)는 위에서 얻은 이차 특징을 이용하여 신호 조각을 분류할 수 있다. 이때, 가장 가까운 이웃 분류기를 이용하여 신호 조각을 분류할 수 있다. 구체적으로, 부류(즉, 전기기구의 종류)를 모르는 (어떤 전기기구가 켜져 있는 상태에서 나온 것인지를 모르는) 전력 신호 조각

의 부류는 식

을 가작 작게 하는

의 부류로서 결정된다. 여기서,

는 부류를 알고 있는 (즉, 어떤 전기기구가 켜져 있는 상태에서 나온 전력 신호인지를 알고 있는) 학습 자료들의 집합

의 원소이고,

는 학습 단계에서 미리 계산되어 주어진다.

도 3은 일 실시예에 따른 전력 신호 인식 시스템의 학습 (학습 자료를 서서 시스템에 필요한 매개 변수들을 미리 결정하는 것) 및 시험 (부류를 모르는 신호 조각을 입력으로 주고 그 부류를 결정하는 것) 단계를 나타낸 흐름도이다.

학습 단계에서는 부류를 알고 있는 (즉, 어떤 전기기구에서 켜진 상태에서 나온 것인지를 알고 있는) 전력 신호 조각들의 집합 (또는, 학습 자료 집합)

을 입력으로 준다(310).

이 학습 자료들에 수학식 1을 써서 고차 적률 특징 벡터들

을 추출한다(320).

위에서 얻어진 고차 적률 특징 벡터들에 수학식 2로 표현되는 커널 판별 분석법을 써서 이차 특징들을 추출하게 되는데, 이를 위해 먼저 수학식 2에 필요한 커널 판별 벡터

와 바이어스 b를 먼저 결정해야 한다(330). 커널 판별 벡터

를 얻을 때, 목적 함수와 그에 따른 최적해를 구하는 방법에 따라 여러 가지 관련 기법들이 있는데, 섭동법을 바탕으로 근사화한 커널 판별 분석법(approximated KDA based on a perturbation method), 일반화된 판별 분석법(generalized discriminant analysis), 및 영 공간 기반 커널 피셔 판별 분석법(null space-based kernel Fishier discriminant analysis)과 같이 널리 알려진 커널 판별 분석법 구현 기법들 가운데 하나를 선택하여 쓸 수 있다.

이렇게 얻은 커널 판별 벡터

와 바이어스 b를 수학식 2에 써서 학습 자료들의 이차 특징들

을 얻는다(330).

실제 동작 (즉, 시험) 단계에서는 부류를 모르는 전력 신호 조각

가 입력으로 주어진다(340).

먼저, 수학식 1을 써서

의 고차 적률 특징 벡터

를 얻는다(350).

여기에 커널 판별 분석법(즉, 수학식 2)을 써서 이차 특징

를 얻는다(360). 이때, 앞서 말한 대로, 커널 판별 벡터

와 바이어스 b는 학습 단계에서 얻어진 값을 쓴다.

마지막으로, 가장 가까운 이웃 분류기를 써서

의 부류를 (즉, 어느 전기기구가 켜진 상태에서 나온 전력 신호인지를) 결정한다(370). 가장 가까운 이웃 분류기는 식

을 가작 작게 하는

의 부류를

의 부류(380)로서 결정한다. 이때, 앞서 말한대로,

는 학습 단계에서 미리 계산되어 주어진다.

도 4는 일 실시예에 따른 전력 신호 인식 시스템의 특징 추출 단계에서 얻은 고차 적률 특징 벡터들의 일부 원소들을 나타낸 도면이다.

제안한 특징 추출 기법의 분별 성능을 확인하고자, 먼저 전기 다리미(410)와 쿡탑(420)을 옷감의 재질, 온도 등을 다르게 하여 다양한 모드에서 동작시키고, 그로부터 11개의 전력 신호들을 얻었다. 이 신호들을 조각내어, 전기다리미(410)에 대하여 53개, 쿡탑(420)에 대하여 106개, 총 159개의 신호 조각들을 얻었다. 상기 신호 조각들 각각에 대하여 고차 적률 특징 벡터를 추출한 뒤에 각 벡터의 첫 세 원소들을 도 4에 나타내었다. 도 4를 통해, 시간 영역에서 구분하기 힘든 전력 신호라 할지라도 (도 1 참조) 본 발명에서 제안한 고차 적률 특징을 이용하여 특징 공간에서 효과적으로 구분될 수 있음을 알 수 있다.

도 5는 일 실시예에 따른 전력 신호 인식 시스템의 인식률을 나타낸 표이다.

159개의 신호 조각들 가운데 각 가전 제품에 대해

개씩 총

개를 제안한 시스템을 학습시키는 데 쓰고, 나머지를 제안한 시스템을 시험하는 데 썼다. 이때,

=10, 20, 30, 40으로 바꾸면서 각

에 대해 250번 반복 실험하여 얻은 평균 인식률을 도5 에 표를 통해 나타내었다. 제안한 고차 적률 특징과 커판분을 쓰는 인식 시스템이, 두 가전 제품의 전력 신호를 높은 인식률로 분별할 수 있음을 모의실험 결과에서 볼 수 있다. 구체적으로, 모의실험에서 쓴 세 가지 커판분 관련 기법들 모두 90%가 넘는 패턴 인식률을 대부분 보인다. 일판분의 경우에는, 최고 인식률이 약 94%에 달한다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

전력 신호를 인식하는 방법에 있어서,
전력 신호 조각에서 고차 적률(moment) 특징 벡터를 추출하는 (1) 단계;
상기 고차 적률 특징 벡터를 이용하여 이차 특징을 추출하는 (2) 단계;
상기 이차 특징을 이용하여 신호 조각을 분류하는 (3) 단계; 및
학습 자료 집합을 써서 상기 (2) 단계와 (3) 단계에 필요한 매개 변수들을 미리 결정하는 (4) 단계
를 포함하는 전력 신호 인식 방법.
제1항에 있어서,
상기 (1) 단계는 식
를 써서 고차 적률 특징 벡터를 추출하고,
이때,
는 상기 전력 신호 조각이고,

는
의 고차 적률 특징 벡터이고,

이고,
i= 2, 3, 4, 5일 때
이고,
m은
의 표본 평균이고,

는
의 표본 표준 편차이며,

는
의 i째 표본 중심 적률로서 식
에 의하여 계산되는 것
을 특징으로 하는 전력 신호 인식 방법.
제1항에 있어서,
상기 (2) 단계는 식
을 써서 이차 특징을 추출하고,
이때,
는
의 이차 특징이고,

는 (d=5) 커널 공간으로의 대응 함수로서 널리 알려진 대응 함수들 가운데 하나를 사전에 정하여 쓰고,

차원의 행벡터
는 커널 판별 벡터이고 b는 바이어스로서 학습 단계인에서 (4) 단계에서 미리 계산되어 주어지는 것
을 특징으로 하는 전력 신호 인식 방법.
제1항에 있어서,
상기 (3) 단계는 가장 가까운 이웃 분류기를 써서
상기 신호 조각
의 부류를 식
를 가작 작게 하는 의 부류로서 결정하고,
이때,
는 학습 단계인 (4) 단계에서 미리 계산되어 주어지는 것
을 특징으로 하는 전력 신호 인식 방법.
제1항에 있어서,
상기 (4) 단계는 학습 자료들에서 고차 적률 특징 벡터들을 추출하는 (4-1) 단계;
상기 학습 자료들의 고차 적률 특징 벡터들과 그 부류, 그리고 커널 판별 분석법의 학습 기법을 써서 커널 판별 벡터 벡터
와 바이어스 b를 얻는 (4-2) 단계;
상기 커널 판별 벡터 벡터
와 바이어스 b를 써서 학습 자료들의 이차 특징들을 얻는 (4-3) 단계를
를 포함하는 전력 신호 인식 방법.
제5항에 있어서,
상기 (4-1) 단계는 상기 (1) 단계에서와 같은 함수를 써서 식
에 의해 고차 적률 특징 벡터들을 추출하고,
이때,
는 부류를 알고 있는 전력 신호 조각으로서, 학습 자료들의 집합
의 원소인 것
을 특징으로 하는 전력 신호 인식 방법.
제5항에 있어서,
상기 (4-2) 단계는 섭동법을 바탕으로 근사화한 커널 판별 분석법(approximated KDA based on a perturbation method), 일반화된 판별 분석법(generalized discriminant analysis), 및 영 공간 기반 커널 피셔 판별 분석법(null space-based kernel Fishier discriminant analysis)과 같이 널리 알려진 커널 판별 분석법 구현 기법들 가운데 하나를 선택하여 쓰는 것
을 특징으로 하는 전력 신호 인식 방법.
제5항에 있어서,
상기 (4-3) 단계는, 상기 (2) 단계에서와 같은 함수를 써서 식
에 의해 이차 특징을 추출하는 것
을 특징으로 하는 전력 신호 인식 방법.