(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210940797.8 (22)申请日 2022.08.06 (71)申请人 上海梦象智能科技有限公司 地址 201206 上海市浦东 新区临港新片区 环湖西二路8 88号2幢1区5 026室 (72)发明人 张珊珊　孙子恒　 (74)专利代理 机构 上海正旦专利代理有限公司 31200 专利代理师 陆飞　陆尤 (51)Int.Cl. G06F 16/2455(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于中心损失的电气特 征提取方法 (57)摘要 本发明属于电气指纹识别技术领域， 具体为 一种基于中心损失的电气特征提取方法。 本发明 利用深度卷积神经网络的强大特征提取能力， 结 合CenterLoss对特征提取网络 赋予的类间疏远、 类内紧聚的特征提取效 能， 使特征提取网络对电 气数据特征的提取有更好的效果； 本发明方法包 括电气数据的采集、 标注和预处理， 以构建网络 模型在训练时需要的训练集和验证集； 特征提取 网络的构建和损失函数的设计； 从而实现电气指 纹的识别； 本发 明可大大提升深度卷积神经网络 模型对电气数据的特征提取功能， 从而增强对电 气指纹的识别效果。 权利要求书2页 说明书5页 附图1页 CN 115309784 A 2022.11.08 CN 115309784 A 1.一种基于中心损失的电气特征提取方法， 其特征在于， 利用深度卷积神经网络的强 大特征提取能力， 结合CenterLoss对特征提取网络赋予的 “类间疏远、 类内紧聚 ”的特征提 取效能， 使特 征提取网络对电气数据特 征的提取有更好的效果； 具体步骤为： 步骤1： 采集与电器状态切换所对应的电气数据， 电气数据长度为400组， 同时进行标 注； 具体流 程为： 在做非侵入式负载监控时， 对待检测电路的电流和电压以1kHz的频率进行采样， 即每 秒钟得到1000个电路中电流和电压的瞬时值； 在电路开始正常工作后， 以每秒钟1000组数 据的速度连续 获取到当前电路中的电流、 电压数据； 并对获取到的连续时序数据进 行分段， 长度为400， 即从0毫秒开始， 每过400毫秒， 获取到400组电流、 电压数据； 将这400组数据作 为一个数据块进行处理， 即作为一个窗口向量， 并标注相应电器标签； 同样的方式， 形成特 征， 获得基础的特 征数据库； 步骤2： 对步骤1的数据进行 预处理， 并形成训练集； 每一个基础特征库中的数据块中包含着400组一一对应的电流和电压的瞬时值， 即一 个窗口向量， 预处 理的方式如下： (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)将原始电流数组以及得到的瞬时功率数组， 按照行拼接， 得到卷积神经网络训练需 要的输入数组； (3)对上述步骤中得到的数据， 以原始特征的标签作为对应的标签， 得到一条完整的数 据， 即<标签， 数据>； (4)将所有待训练数据都组织成<标签， 数据>的形式， 并在每个标签类别上都按照 6:1: 3的比例进行划分， 则得到特 征提取网络所需要的训练集、 验证集、 测试集； 步骤3： 构建并初始化用来提取特征的一维卷积神经网络； 构建的一维卷积神经网络模 型的整体结构为： 第一层： 一维卷积层， 卷积核大小9*9， 输入通道数2， 输出通道数64， 步长2； 第二层： 一维Batc hNorm层， 通道数64； 第三层： tanh 激活函数层； 第四层： ResBl ock层， 卷积核大小5 *5， 输入通道数64， 输出通道数128， 步长2； 第五层： ResBl ock层， 卷积核大小5 *5， 输入通道数128， 输出通道数25 6， 步长2； 第六层： ResBl ock层， 卷积核大小5 *5， 输入通道数25 6， 输出通道数512， 步长2； 第七层： ResBl ock层， 卷积核大小5 *5， 输入通道数512， 输出通道数1024， 步长2； 第八层： 一维全局平均池化层； 第九层： 全连接层， 输出长度128， 此层得到的输出结果为网络的特征提取结果： feature_out； 第十层： 全连接层， 输出长度为模型训练 的标签类别总数量， 此层得到的输出结果为网 络的直接分类输出 结果： clas ses_out； 其中， ResBl ock结构为： 假定调用ResBlock时， 指定的输入通道数为M， 指定的输出通道为N， 指定的卷积步长为 S， 则ResBl ock结构如下： 第1层： 一维卷积层， 卷积核大小5 *5， 输入通道数为M， 输出通道数为 N， 步长为S；权　利　要　求　书 1/2 页 2 CN 115309784 A 2第2层： 一维Batc hNorm层， 通道数N； 第3层： tanh 激活函数层； 第4层： 一维卷积层， 卷积核大小5 *5， 输入通道数为 N， 输出通道数为 N； 第5层： 一维Batc hNorm层， 通道数N； 特征输出是长度为128的特 征向量； 步骤4： 构建网络模型的损失函数； 总损失函数由Softmax  Loss和Center  Loss两部分组成； 其中： Softmax Loss用来计算网络最后一层输出的对各输入数据类别预测结果与实际标签 之间的损失， 记为 LS， 具体采用pytorc h自带的损失函数n n.NLLLoss()， 表示 为： 其中， 是模型的预测结果， 即模型最后一层的分类输出， y是样本对应的真实标签； Center Loss用来计算在同一个类别的数据中， 所有该类别数据的网络提取特征与该 类别中心特 征的损失值， 记为 LC， 具体计算式为： 其中， m是训练时batch_size 的大小， xi表示该batch中第i条数据的特征提取结果， 表示类别为yi的所有fe ature的中心， 第一次使用时随机生成得到； 在训练过程中对每个类 别在batc h尺度上统计出 该类别feature的中心， 希望所有feature离中心的距离都尽量小； 总损失为： Loss＝LS+λ*LC，             (3) λ为权重； 通过对总l oss的向后传播， 实现对 模型参数的学习更新； 步骤5： 用步骤2中所 得数据集训练构建好的卷积神经网络模型； 用训练集训练模型， 每隔固定训练轮数就使用验证集进行验证， 等到验证集上模型表 现效果不再上升时结束训练； 然后使用测试集验证模型 的最终效果， 从而完成对模型 的训 练。权　利　要　求　书 2/2 页 3 CN 115309784 A 3