[发明专利]一种基于GMM-UBM的非侵入式电气指纹识别方法

权利要求书

1.一种基于GMM-UBM的非侵入式电气指纹识别方法，其特征在于采用提取的瞬时功率的梅尔频率倒谱系数作为识别特征，基于训练好的UBM模型，将少量的特定特征数据作为训练集进行训练，将待判别数据送入训练好的GMM模型，得到判别结果，实现电气指纹识别的具体步骤如下：

步骤1：采集用于训练UBM模型识别的非特定电器的电气数据，以及用于训练GMM模型识别的特定电器的电气数据；

步骤2：对步骤1采集的电气数据进行处理，并分别形成UBM模型和GMM模型的训练集；

步骤3：构建并初始化UBM模型，并用步骤2中所得的训练集训练UBM模型；

步骤4：构建并初始化GMM模型，并用步骤2中所得的训练集训练GMM模型，有多个要识别的状态则得到的多个GMM模型；

步骤5：实时采集电路中的电气数据并提取特征，将所得特征一一输入训练好的GMMs模型进行特征打分，根据GMMs模型的打分结果，判断当前特征分属于哪个特征类别，从而判断当前数据段所存在的电器状态的切换，从而监测到当前电路中正在工作的电器的身份，实现电气指纹的识别 。

2.根据权利要求1所述基于GMM-UBM的非侵入式电气指纹识别方法，其特征在于所述步骤1的电气数据使用6个可采集数据的电器，其编号分别为：D1、D2、…、D6，具体采集包括：用于形成训练UBM模型的不特定电器的电气数据和需要检测的特定目标电器在状态切换时的电气数据。

3.根据权利要求1所述基于GMM-UBM的非侵入式电气指纹识别方法，其特征在于所述步骤2中的UBM模型和GMM模型的训练集具体包括： UBM模型和GMM模型的基础训练数据中，每一个窗口向量包含着400组一一对应的电流和电压的瞬时值，其处理方式如下：

1）将对应的电流和电压相乘，得到对应每个时刻的瞬时功率；

2）对上一步骤得到的400个连续的瞬时功率进行特征提取，获得这个窗口向量的梅尔频率倒谱系数（MFCC）；

3）将上述获得的梅尔频率倒谱系数作为提取的特征数据，将其与原始特征的标签作为对应的标签，得到一个完整的特征；

4）将所有的原始特征进行上述处理后，非特定电器电气数据的特征作为UBM模型的训练集，要检测的特定电器状态切换数据的特征作为GMM模型的训练集，留待后续使用。

4.根据权利要求1所述基于GMM-UBM的电气指纹识别方法，其特征在于所述步骤3中的构建并初始化UBM模型，并用步骤2中所得训练集训练UBM模型具体包括：构建初始的UBM模型，将步骤2中经过特征提取用来训练UBM的训练集送入初始模型，使用EM算法进行训练，得到训练好的UBM模型。

5.根据权利要求1所述基于GMM-UBM的电气指纹识别方法，其特征在于所述步骤4中的构建并初始化GMM模型，并用步骤2中所得的训练集训练每一个目标识别状态的GMMs模型，得到所有目标识别状态的多个GMM模型，具体包括：基于训练好的UBM模型和准备好的设备D1的各个状态的训练数据，每个状态的数据训练一个GMM模型，得到两个训练好的GMM模型，分别用于检测D1打开和关闭的两个状态。

6.根据权利要求1所述基于GMM-UBM的电气指纹识别方法，其特征在于所述步骤5中的实时采集电路中的电气数据并提取特征，将所得特征一一输入训练好的GMMs模型进行特征打分，根据GMMs模型的打分结果，判断当前特征分属于哪个特征类别，从而判断当前数据段所存在的电器状态的切换，具体包括下述步骤：

1）对待检测电路的电流和电压以1kHz的频率进行采样，当待检测电路在0毫秒时刻接通开始工作，则每当采集到的数据达到400组后，就将这前面的400组作为一个块取出，采集器继续采集，直到攒够下一个400组后取出，持续循环处理，直至停止检测；

2）每当一个块取出后里边的数据是原始的电流电压数据，通过特征提取步骤得到待匹配特征，并将该特征送入训练好的两个GMM模型中分别进行打分，分数高的那个所对应的GMM模型的标签，就是当前数据块中包含的电器状态变化，即D1为打开。