論文の概要: A Non-Invasive Load Monitoring Method for Edge Computing Based on MobileNetV3 and Dynamic Time Regulation
- arxiv url: http://arxiv.org/abs/2504.16142v1
- Date: Tue, 22 Apr 2025 06:43:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:52.870299
- Title: A Non-Invasive Load Monitoring Method for Edge Computing Based on MobileNetV3 and Dynamic Time Regulation
- Title（参考訳）: MobileNetV3と動的時間制御に基づくエッジコンピューティングの非侵襲負荷モニタリング手法
- Authors: Hangxu Liu, Yaojie Sun, Yu Wang,
- Abstract要約: 機械学習とディープラーニングに基づく手法は、負荷分解精度を著しく向上させた。
これらの手法は一般に高い計算コストと膨大なメモリ要求に悩まされる。
本研究では,時間周波数領域における動的時間ウォーピング(DTW)アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 2.405805395043031
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, non-intrusive load monitoring (NILM) technology has attracted much attention in the related research field by virtue of its unique advantage of utilizing single meter data to achieve accurate decomposition of device-level energy consumption. Cutting-edge methods based on machine learning and deep learning have achieved remarkable results in load decomposition accuracy by fusing time-frequency domain features. However, these methods generally suffer from high computational costs and huge memory requirements, which become the main obstacles for their deployment on resource-constrained microcontroller units (MCUs). To address these challenges, this study proposes an innovative Dynamic Time Warping (DTW) algorithm in the time-frequency domain and systematically compares and analyzes the performance of six machine learning techniques in home electricity scenarios. Through complete experimental validation on edge MCUs, this scheme successfully achieves a recognition accuracy of 95%. Meanwhile, this study deeply optimizes the frequency domain feature extraction process, which effectively reduces the running time by 55.55% and the storage overhead by about 34.6%. The algorithm performance will be further optimized in future research work. Considering that the elimination of voltage transformer design can significantly reduce the cost, the subsequent research will focus on this direction, and is committed to providing more cost-effective solutions for the practical application of NILM, and providing a solid theoretical foundation and feasible technical paths for the design of efficient NILM systems in edge computing environments.
- Abstract（参考訳）: 近年, デバイスレベルのエネルギー消費の正確な分解を実現するために, 単メートルデータを利用するという独特な利点により, NILM技術は関連研究分野において注目されている。
機械学習とディープラーニングに基づく切削エッジ法は,時間周波数領域の特徴を融合させることにより,負荷分解精度を著しく向上させた。
しかし、これらの手法は一般に高い計算コストと膨大なメモリ要求に悩まされ、資源制約マイクロコントローラユニット(MCU)への展開の主な障害となっている。
これらの課題に対処するため、本稿では、時間周波数領域における革新的動的時間ウォーピング(DTW)アルゴリズムを提案し、家庭電気のシナリオにおける6つの機械学習技術の性能を体系的に比較、解析する。
エッジMCUの完全な検証により、95%の認識精度を達成できる。
一方、本研究では周波数領域の特徴抽出プロセスを深く最適化し、実行時間を55.55%削減し、ストレージオーバーヘッドを約34.6%削減する。
アルゴリズムの性能は今後の研究でさらに最適化されるだろう。
電圧変換器の設計の除去はコストを大幅に削減できるため、その後の研究はこの方向に集中し、NILMの実用化のためのよりコスト効率の良いソリューションを提供し、エッジコンピューティング環境における効率的なNILMシステムの設計のための確かな理論的基礎と実現可能な技術パスを提供することを約束する。
関連論文リスト
- QuartDepth: Post-Training Quantization for Real-Time Depth Estimation on the Edge [55.75103034526652]
ASIC のハードウェアアクセラレーションによる MDE モデルの定量化を後学習量子化に応用した QuartDepth を提案する。
提案手法では,重みとアクティベーションの両方を4ビット精度で定量化し,モデルサイズと計算コストを削減する。
我々は、カーネル融合とカスタマイズされた命令プログラム性をサポートすることにより、フレキシブルでプログラム可能なハードウェアアクセラレータを設計する。
論文 参考訳（メタデータ） (2025-03-20T21:03:10Z) - Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。
今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。
タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
論文 参考訳（メタデータ） (2025-01-11T02:32:42Z) - Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。
深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
論文 参考訳（メタデータ） (2024-12-21T10:18:55Z) - Real-time Monitoring and Analysis of Track and Field Athletes Based on Edge Computing and Deep Reinforcement Learning Algorithm [3.4836781982613534]
本研究は,陸上競技選手のリアルタイムモニタリングと分析に焦点を当てた。
エッジコンピューティングとディープラーニングアルゴリズムを統合したIoT最適化システムを提案する。
論文 参考訳（メタデータ） (2024-11-11T05:12:15Z) - Neural Horizon Model Predictive Control -- Increasing Computational Efficiency with Neural Networks [0.0]
予測制御をモデル化するための機械学習支援手法を提案する。
安全保証を維持しつつ,問題地平線の一部を近似することを提案する。
提案手法は,迅速な制御応答を必要とするアプリケーションを含む,幅広いアプリケーションに適用可能である。
論文 参考訳（メタデータ） (2024-08-19T08:13:37Z) - Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。
アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。
ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-20T17:08:42Z) - Center-Sensitive Kernel Optimization for Efficient On-Device Incremental Learning [88.78080749909665]
現在のオンデバイストレーニング手法は、破滅的な忘れを考慮せずに、効率的なトレーニングにのみ焦点をあてている。
本稿では,単純だが効果的なエッジフレンドリーなインクリメンタル学習フレームワークを提案する。
本手法は,メモリの削減と近似計算により,平均精度38.08%の高速化を実現する。
論文 参考訳（メタデータ） (2024-06-13T05:49:29Z) - Accelerating Neural Network Training: A Brief Review [0.5825410941577593]
本研究では,ディープニューラルネットワーク(DNN)の学習過程を高速化するための革新的なアプローチについて検討する。
この研究は、グラディエント累積(GA)、自動混合精度(AMP)、ピンメモリ(PM)などの高度な手法を利用する。
論文 参考訳（メタデータ） (2023-12-15T18:43:45Z) - A Self-Commissioning Edge Computing Method for Data-Driven Anomaly
Detection in Power Electronic Systems [0.0]
現場応用のための制御されたラボ環境でうまく機能する手法は、重大な課題を提示する。
オンライン機械学習は、この問題を克服するための強力なツールだが、トレーニングプロセスの安定性と予測可能性を保証する上で、さらなる課題がもたらされる。
この研究は、これらの欠点を最小限のメモリ使用量で軽減するエッジコンピューティング手法を提案する。
論文 参考訳（メタデータ） (2023-12-05T10:56:25Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z) - Trimming Feature Extraction and Inference for MCU-based Edge NILM: a
Systematic Approach [14.491636333680297]
非侵入負荷モニタリング(NILM)は、複数の負荷のグローバルな電力消費を、単一のスマート電気メーターから、アプライアンスレベルの詳細に分解することを可能にする。
State-of-the-Artアプローチは機械学習手法に基づいており、電流と電圧センサーからの時間領域と周波数領域の機能の融合を利用する。
低レイテンシNILMを低コストでリソース制約のあるMCUベースのメーターで実行することは、現在オープンな課題である。
本稿では,特徴空間の最適化と,ステート・オブ・ザ・ステートの実行に必要な計算・記憶コストの削減について述べる。
論文 参考訳（メタデータ） (2021-05-21T12:08:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。