研究人员开发了一种新颖的非侵入式负荷监测(NILM)系统,该系统利用Tsetlin机(TM)框架,专为资源受限的微控制器单元(MCU)上的实时运行而设计。该方法将能耗估算问题重新构建为分类任务,通过在本地处理敏感的家庭数据,实现隐私保护的边缘部署。基于TM的系统表现出强大的性能,在REDD数据集上,对两种电器进行分类时达到90%的精确率和96%的召回率,对四种电器进行分类时达到77%的精确率和80%的召回率。值得注意的是,训练好的模型仅需18 KB的闪存,并在ESP32上表现出0.43毫秒的推理延迟,使其非常适合嵌入式NILM应用。 AI
影响 支持在低功耗边缘设备上实现隐私保护的实时能源监测。
排序理由 学术论文,详细介绍了一种针对特定应用的新机器学习方法。[lever_c_demoted from research: ic=1 ai=1.0]
- ESP32
- Microcontroller Units
- Non-intrusive load monitoring approaches for disaggregated energy sensing: a survey
- REDD dataset
- Tsetlin Machine
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →