控制裝置、控制方法、信息處理裝置、信息處理方法以及程序與流程
本技術涉及控制裝置、控制方法、信息處理裝置、信息處理方法以及程序，并且具體涉及控制裝置、控制方法、信息處理裝置、信息處理方法以及程序，例如，通過這些可以迅速地對房子里的多個電器進行確定功耗等的解聚。
背景技術：
被稱作NILM(非侵入式負載監(jiān)測)的技術引起了關注。例如，在該技術中，基于房子中的配電板(配電盤)測量的電流的信息，確定連接至配電板的房子中的諸如主要電器(家用電器)的電器(電氣裝置、電子裝置)的個體功耗、電流消耗等。
本申請的申請人已經提出解聚技術作為NILM。在該技術中，利用FHMM(因子隱Markov模型)，不僅各自具有ON和OFF兩個操作狀態(tài)的電器，而且還有各自具有三個以上操作狀態(tài)的電器，電器中的每一個的電流消耗等基于配電板測量的有關電流的信息容易地并且準確地確定(例如參見專利文獻1)。
專利文獻1：日本專利申請公開第2013-210755號
技術實現要素：
要解決的問題
例如，為了基于由配電板測量的電流的信息進行電器的確定電流消耗等的解聚，每個電器的電流消耗必須根據電器的操作狀態(tài)中的改變(即電器的開/關)變化。
例如，電器的操作狀態(tài)可以通過用戶的操作改變。然而，利用用戶的操作，解聚花費時間。
考慮到以上提及的情況構成本技術以快速地進行解聚。
用于解決問題的方法
根據本技術的信息處理裝置或第一程序是信息處理裝置，包括：電器信息獲取單元，從控制裝置獲取電器標記和操作狀態(tài)標記，其中控制裝置操作電器、識別電器的操作狀態(tài)并且發(fā)送表示電器的電器標記和表示電器的操作狀態(tài)的操作狀態(tài)標記；可能性信息獲取單元，基于可能性信息利用有關由電器消耗的電流的總和的總和數據更新圖案信息，可能性信息表示消耗由圖案信息表示的電流消耗的可能性，可能性信息相對于表示多個電器中的每一個的操作狀態(tài)中的每一個中的電流消耗的圖案信息獲得，從而獲取由解聚電器的單獨的電流消耗得到的可能性信息；以及標記單元，基于可能性信息確定圖案信息并且執(zhí)行將電器標記和操作狀態(tài)標記與圖案信息相關聯的標記，其中圖案信息表示在由電器標記表示的電器的電流操作狀態(tài)下消耗的電流消耗?？商鎿Q地，信息處理裝置是用于促使計算機用作這種信息處理裝置的程序。
根據本技術的信息處理方法是包括如下步驟的信息處理方法：從控制裝置獲取電器標記和操作狀態(tài)標記，其中控制裝置操作電器、識別電器的操作狀態(tài)，并且發(fā)送表示電器的電器標記和表示電器的操作狀態(tài)的操作狀態(tài)標記；基于可能性信息利用有關由多個電器消耗的電流的總和的總和數據更新圖案信息，其中可能性信息表示消耗由圖案信息表示的電流消耗的可能性，可能性信息相對于表示電器中的每一個的操作狀態(tài)中的每一個內的電流消耗的圖案信息獲得，從而獲取從分離電器的電流消耗的解聚得到的可能性信息；以及基于可能性信息確定圖案信息并且執(zhí)行將電器標記和操作狀態(tài)標記與圖案信息相關聯的標記，其中圖案信息表示在由電器標記表示的電器的當前操作狀態(tài)下消耗的電流消耗。
在根據本技術的信息處理裝置，信息處理方法以及第一程序中，從控制裝置獲取電器標記和操作狀態(tài)標記，其中控制裝置操作電器、識別電器的操作狀態(tài)并且發(fā)送表示電器的電器標記和表示電器的操作狀態(tài)的操作狀態(tài)標記。進一步，基于可能性信息利用有關由電器消耗的電流的總和的總和數據更新圖案信息，其中可能性信息表示消耗由圖案信息表示的電流消耗的可能性，可能性信息相對于表示多個電器中的每一個的操作狀態(tài)中的每一個內的電流消耗的圖案信息獲得，從而獲取從分離電器的電流消耗的解聚得到的可能性信息。此外，基于可能性信息確定圖案信息并且執(zhí)行將電器標記和操作狀態(tài)標記與圖案信息相關聯的標記，其中圖案信息表示在由電器標記表示的電器的當前操作狀態(tài)下消耗的電流消耗。
根據本技術的控制裝置或第二程序是控制裝置，包括：操作控制器，控制相對于電器的操作；識別單元，識別電器的操作狀態(tài)；以及通信單元，基于可能性信息利用有關由電器消耗的電流的總和的總和數據更新圖案信息，其中可能性信息表示消耗由圖案信息表示的電流消耗的可能性，可能性信息相對于表示多個電器中的每一個的操作狀態(tài)中的每一個內的電流消耗的圖案信息獲得，從而將表示電器的電器標記和表示電器的操作狀態(tài)的操作狀態(tài)標記發(fā)送至執(zhí)行分離電器的電流消耗的解聚的解聚裝置?？商鎿Q地，控制裝置是用于促使計算機用作這種控制裝置的程序。
根據本技術的控制方法是包括如下步驟的控制方法：操作電器；識別電器的操作狀態(tài)；以及基于可能性信息利用有關由多個電器消耗的電流的總和的總和數據更新圖案信息，其中可能性信息表示消耗由圖案信息表示的電流消耗的可能性，可能性信息相對于表示電器中的每一個的操作狀態(tài)中的每一個內的電流消耗的圖案信息獲得，從而將表示電器的電器標記和表示電器的操作狀態(tài)的操作狀態(tài)標記發(fā)送至執(zhí)行分離電器的電流消耗的解聚的解聚裝置。
在根據本技術的控制裝置、控制方法以及第二程序中，操作電器并且識別電器的操作狀態(tài)。進一步，基于可能性信息利用有關由多個電器消耗的電流的總和的總和數據更新圖案信息，其中可能性信息表示消耗由圖案信息表示的電流消耗的可能性，可能性信息相對于表示電器中的每一個的操作狀態(tài)中的每一個內的電流消耗的圖案信息獲得，從而將表示電器的電器標記和表示電器的操作狀態(tài)的操作狀態(tài)標記發(fā)送至執(zhí)行分離電器的電流消耗的解聚的解聚裝置。
應當注意，信息處理裝置和控制裝置可以是獨立的裝置或可以是配置單個裝置的內部塊件。
進一步，程序可以通過經由傳輸介質傳輸提供或通過記錄在記錄介質上提供。
效果
根據本技術，能夠快速地執(zhí)行解聚。
應當注意，這里描述的效果不必是限制性的并且可以是本公開中描述的任何效果。
附圖說明
[圖1]示出應用了本技術的解聚系統(tǒng)的實施方式的配置實例的示圖。
[圖2]描述解聚系統(tǒng)的處理的實例的示圖。
[圖3]描述通過解聚裝置16進行的解聚的概況的示圖。
[圖4]描述在解聚中進行的波形分離學習的概況的示圖。
[圖5]示出解聚裝置16的配置實例的框圖。
[圖6]描述FHMM的示圖。
[圖7]描述通過FHMM的解聚的構想的概況的示圖。
[圖8]描述根據EM算法的FHMM的學習的處理(學習處理)的流程圖，其中學習處理通過解聚裝置16進行。
[圖9]描述通過步驟S13中的解聚裝置16進行的E步驟的處理的流程圖。
[圖10]描述FHMM的前向概率αt,z和后向概率βt,z與HMM的前向概率αt,i和后向概率βt,j之間的關系的示圖。
[圖11]描述通過步驟S14中的解聚裝置16進行的M步驟的處理的流程圖。
[圖12]描述通過解聚裝置16進行的呈現電器#m的信息的信息呈現處理的流程圖。
[圖13]示出在信息呈現處理中進行的功耗U(m)的顯示實例的示圖。
[圖14]示出媒介14的外部配置實例的立體圖。
[圖15]示出媒介14的內部配置實例的框圖。
[圖16]示出存儲在半導體存儲器115中的電器表的實例的示圖。
[圖17示出當媒介14和解聚裝置16協(xié)同操作時標記獲取單元35的配置實例的框圖。
[圖18]示出存儲在對應的存儲單元204中的對應表的實例的示圖。
[圖19]示出通過媒介14作為用于記錄對應表中的對應信息的標記處理而進行的處理的實例的流程圖。
[圖20]示出通過標記獲取單元35作為用于記錄對應表中的對應信息的標記處理而進行的處理的實例的流程圖。
[圖21]示出當媒介14和解聚裝置16協(xié)同操作時數據輸出單元36的配置實例的框圖。
[圖22]示出由媒介14進行的處理作為通知用戶用戶的房子中的電器的操作狀態(tài)的操作狀態(tài)通知處理的實例的流程圖。
[圖23]示出通過數據輸出單元36進行的處理作為通知用戶用戶的房子中的電器的操作狀態(tài)的操作狀態(tài)通知處理的實例的流程圖。
[圖24]示出根據應用了本技術的計算機的實施方式的硬件的配置實例的框圖。
具體實施方式
<解聚系統(tǒng)的配置實例>
圖1是示出應用了本技術的解聚系統(tǒng)的實施方式的配置實例的示圖。
在用戶的房子(家庭、公司等)中，布置配電板11。從電力公司提供的電穿過功率表12被拉入到配電板11中，并且從配電板11供應至電器，諸如用戶的房子的主要電器(連接至電源插座等的)。例如，電流傳感器13安裝在配電板11上。
電流傳感器13在所謂的配電板11的單個基點測量通過用戶的房子中的所有電器(一個或多個電器)消耗的電流的總和，單個基點給用戶的房子供應電。例如，電流傳感器13經由諸如互聯網的網絡15將電流的總和發(fā)送至配置在云端的解聚裝置16。
例如，媒介14是看起來像狗的可移動的寵物機器人。媒介14用作控制用戶的房子中的電器的控制裝置。
具體地，媒介14移動手或腿，從而直接操作電器的按鍵或者用于電器的遠程控制器的按鍵。以這種方式，媒介14操作電器，例如，打開/關閉電器或者改變其操作模式。
另外，媒介14發(fā)射紅外線用于電器或者經由家庭網絡與電器無線或有線通信，該紅外線類似于由遠程控制器發(fā)射的紅外線。以這種方式，媒介14可以操作(控制)電器。
進一步，例如，媒介14手持桿等并且利用桿操作電器的按鍵。以這種方式，媒介14可以操作電器。
媒介14識別用戶的房子中的電器的操作狀態(tài)(例如打開/關閉狀態(tài)、靜音狀態(tài))。媒介14將它們經由網絡15供應至解聚裝置16，作為有關電器的電器信息。
此外，媒介14能夠從解聚裝置16經由網絡15接收用戶的房子中的電器的操作狀態(tài)，并且根據操作狀態(tài)采取預設動作。
解聚裝置16接收從用戶的房子的電流傳感器13經由網絡15發(fā)送的電流的總和。解聚裝置16基于電流的總和的序列(電流波形序列)，執(zhí)行分離由用戶的房子中的單獨的電器(例如TV(電視接收器)、電熱壺、冰箱以及燈)消耗的電流消耗或功耗的解聚。
此外，解聚裝置16利用來自媒介14的電器信息執(zhí)行標記。標記用于表示電器和電器的操作狀態(tài)，其中在電器中消耗了從解聚得到的電流消耗等。
進一步，解聚信息16基于從解聚得到的電流消耗等，檢測用戶的房子中的電器的操作狀態(tài)并且將操作狀態(tài)經由網絡15發(fā)送至媒介14。
圖2是描述圖1的解聚系統(tǒng)的處理的實例的示圖。
電流傳感器13測量由用戶的房子的所有電器消耗的電流的總和。電流傳感器13將電流的總和經由網絡15發(fā)送至解聚裝置16。
解聚裝置16接收從用戶的房子的電流傳感器13發(fā)送的電流的總和。解聚裝置16執(zhí)行解聚。在解聚中，由用戶的房子中的單獨的電器消耗的電流與電流的總和的序列(電流波形序列)分離。
如在圖1和圖2中所示，在用戶的房子中有電器#1、#2、#3、#4。解聚裝置16執(zhí)行由用戶的房子中的電器#1至電器#4單獨消耗的分離電流(電流消耗)的解聚。
在此，為了使解聚裝置16分離電器#1至電器#4的電流消耗，電器的電流消耗必須變化。
由此看來，例如，如果必要的話用戶的房子中的媒介14在用戶的房子中移動并且操作電器的按鍵或者用于電器的遠程控制器的按鍵，從而操作電器，例如打開/關閉電器。
通過這樣，當電器#1至電器#4處于不同的操作狀態(tài)時的功耗的總和從電流傳感器13發(fā)送至解聚裝置16。功耗的總和的實例包括當某個電器斷電時電器#1至電器#4的電流消耗的總和以及當另一電器通電時電器#1至電器#4的電流消耗的總和。
然后，解聚裝置16利用當電器#1至電器#4處于不同的操作狀態(tài)時功耗的總和執(zhí)行解聚。通過這樣，電器#1至電器#4的電流消耗分離。
進一步，解聚裝置16基于從解聚得到的電器#1至電器#4中的每一個的電流消耗，檢測用戶的房子中的電器的操作狀態(tài)。解聚裝置16將它們經由網絡15發(fā)送至媒介14。
媒介14從解聚裝置16接收用戶的房子中的電器的操作狀態(tài)。媒介14根據操作狀態(tài)采取預設動作。
例如，假設媒介14從解聚裝置16接收電器的操作狀態(tài)，該操作狀態(tài)表示用戶的房子的廊燈已被接通。在這種情況下，即使當媒介14沒有位于用戶的房子的入口時媒介14識別廊燈已被接通。
在這種情況下，媒介14能夠識別居住在用戶的房子中的用戶回家，并且采取動作從用戶的房子的房間移動至入口迎接他或她。
可替換地，媒介14能夠在當前定位附近通知用戶用戶的房子的廊燈已被接通的事實，例如作為聲音來通知。
<解聚>
圖3是描述通過圖1的解聚裝置16進行的解聚的概況的示圖。
在每個用戶的房子中，從電力公司提供的電拉入配電板12中并且從配電板12供應至電器，諸如用戶的房子的主要電器。
為了解聚，配電板12設置有電流傳感器13。電流傳感器13測量由用戶的房子中的電器消耗的電流的總和。以這種簡單方式，用戶的房子的單獨的電器的電流消耗(功耗)從電流的總和的序列(電流波形序列)中分離。
應當注意，可以采用有關由電器消耗的電流的總和的總和數據，例如簡單地由電器消耗的電流的總和，作為用于解聚的數據。
可以采用值的總和(其可以相加)作為總和數據。具體地，除由電器自身消耗的電流的總和以外，通過在由電器消耗的功率的總和上或者由電器消耗的電流的波形的總和上執(zhí)行FFT(快速傅里葉變換)等，可以獲得頻率分量的總和，例如采用頻率分量的總和作為總和數據。
進一步，在解聚中，有關由單獨的電器消耗的電流的信息(諸如由單獨的電器消耗的電流)可以基于總和數據分離。具體地，例如，在解聚中，由單獨的電器消耗的電流值和功率值以及其頻率分量可以基于總和數據分離。
在以下描述中，例如，假設采用由電器消耗的電流的總和作為總和數據，并且在解聚中，例如，由單獨的電器消耗的電流(電流消耗)的波形與電流的總和的波形(即總和數據)分離。
圖4是描述在解聚中進行的波形分離學習的概況的示圖。
在解聚中進行波形分離學習。在波形分離學習中，基于總和數據確定每個電器的電流消耗的波形。
在波形分離學習中，假設在各時間t的點的總和數據的電流波形Yt是各個表示每個電器#m的電流消耗的具體波形W(m)的相加值(總和)，從電流波形Yt確定由單獨的電器#m消耗的具體波形W(m)。
在圖4中，用戶的房子包括五個電器#1至#5。在五個電器#1至#5當中，電器#1、#2、#4以及#5是開啟狀態(tài)(消耗功率的狀態(tài))并且電器#3處于關閉狀態(tài)(不消耗功率的狀態(tài))。
因此，在圖4中，作為總和數據的電流波形Yt是電器#1、#2、#4以及#5的電流消耗W(1)、W(2)、W(4)以及W(5)的相加值(總和)。
<解聚裝置16的配置實例>
圖5是示出圖1的解聚裝置16的配置實例的框。
在圖5中，解聚裝置16包括通信單元30、數據獲取單元31、狀態(tài)估計單元32、模型存儲單元33、模型學習單元34、標記獲取單元35以及數據輸出單元36。
通信單元30經由網絡15與電流傳感器13或媒介14通信。
具體地，通信單元30經由網絡15接收從電流傳感器13發(fā)送的作為總和數據的電流波形的時間序列Y(電流時間序列)。通信單元30將電流時間序列Y供應至數據獲取單元31。
進一步，通信單元30經由網絡15接收從媒介14發(fā)送的數據并且將該數據供應至標記獲取單元35或數據輸出單元36。此外，通信單元30經由網絡15從標記獲取單元35或數據輸出單元36發(fā)送供應至媒介14的數據。
應當注意，在這個實施方式中，通信可以是無線通信、有線通信以及無線通信和有線通信中的任一項。
數據獲取單元31通過經由通信單元30接收而獲取從電流傳感器13發(fā)送的作為總和數據的電流波形的時間序列Y(電流時間序列)。數據獲取單元31將電流時間序列Y供應至狀態(tài)估計單元32、模型學習單元34以及數據輸出單元36。
進一步，數據獲取單元31獲取具有對應于電流波形Y的電壓的波形(電壓波形)的時間序列V(電壓時間序列)作為總和數據。數據獲取單元31將電壓時間序列V供應至狀態(tài)估計單元32、模型學習單元34以及數據輸出單元36。
應當注意，如在電流波形Y中，可以通過配電板12測量電壓波形V并且可以將電壓波形V經由網絡15發(fā)送至解聚裝置16。進一步，可以采用在例如50Hz或60Hz的預定頻率具有預定值(例如100V的均方根值)的正弦波(近似從電力公司提供的電)作為電壓波形V。
狀態(tài)估計單元32進行狀態(tài)估計。在狀態(tài)估計中，利用來自數據獲取單元31的電流波形Y和整體模型(的模型參數)估計對應于用戶的房子的相應電器的整體模型的狀態(tài)。在此，整體模型是用戶的房子中的所有電器的模型并且存儲在模型存儲單元33中。然后，狀態(tài)估計單元32將狀態(tài)估計的狀態(tài)估計結果Γ(即整個模型的狀態(tài))供應至模型學習單元34、標記獲取單元35以及數據輸出單元36。
即在圖5中，狀態(tài)估計單元32包括評估器41和估計器42。
評估器41確定評估值E并且將其供應至估計器42。評估值E用于評估以下程度，該程度是在構成存儲在模型存儲單元33中的整體模型的多個電器模型#1至#M中的每一個的狀態(tài)的組合中的每一個內，觀察到從數據獲取單元31供應(至狀態(tài)估計單元32)的電流波形Y的程度。
利用從評估器41供應的評估值E，估計器42估計構成存儲在模型存儲單元33中的整體模型的多個電器模型#1至#M中的每一個的狀態(tài)Γ。估計器42將狀態(tài)Γ供應至模型學習單元34、標記獲取單元35以及數據輸出單元36。
模型存儲單元33存儲作為所有多個電器的模型的整體模型(的模型參數)。
整體模型由作為多個(即M個)電器(表示電流消耗)的模型的電器模型#1至#M構成。例如，電器模型#1至#M以及由電器模型#1至#M構成的整體模型是概率生成模型或狀態(tài)轉換模型并且包括多個狀態(tài)。
整體模型的參數包括電流波形參數，電流波形參數表示對于電器模型#m的狀態(tài)(對應的電器的操作狀態(tài))中的每一個的電流消耗。
整體模型的參數的其他實例可以包括表示電器模型#m的狀態(tài)(對應的電器的操作狀態(tài))的轉換(變化)的狀態(tài)變化參數，表示電器模型#m的狀態(tài)(對應的電器的操作狀態(tài))的初始狀態(tài)的初始狀態(tài)參數，以及涉及整體模型中觀察到的(生成的)電流波形Y的觀察值的差異的差異參數。
在必要時，存儲在模型存儲單元33中的整體模型的模型參數由狀態(tài)估計單元32的評估器41和估計器42、標記獲取單元35以及數據輸出單元36引用。存儲在模型存儲單元33中的整體模型的模型參數通過模型學習單元34中的波形分離學習單元51、差異學習單元52以及狀態(tài)變化學習單元53更新，這將稍后描述。
模型學習單元34進行模型學習，其中存儲在模型存儲單元33中的整體模型的模型參數利用從數據獲取單元31供應的電流波形Y以及從狀態(tài)估計單元32(的估計器42)供應的狀態(tài)估計((構成整體模型的)相應的電器模型#m的狀態(tài))的狀態(tài)估計結果Γ更新。
即在圖5中，模型學習單元34包括波形分離學習單元51、差異學習單元52以及狀態(tài)變化學習單元53。
波形分離學習單元51進行波形分離學習，其中利用從數據獲取單元31供應(至模型學習單元34)的電流波形Y以及從狀態(tài)估計單元32(的估計器42)供應的相應電器模型#m的狀態(tài)估計結果Γ，確定(更新)電流波形參數(即模型參數)。波形分離學習單元51利用從波形分離學習得到的電流波形參數，更新存儲在模型存儲單元33中的電流波形參數。
差異學習單元52進行差異學習，其中利用從數據獲取單元31供應(至模型學習單元34)的電流波形Y以及從狀態(tài)估計單元32的(估計器42)供應的相應電器模型#m的狀態(tài)估計結果Γ，確定(更新)差異參數(即模型參數)。差異學習單元52利用從差異學習得到的差異參數，更新存儲在模型存儲單元33中的差異參數。
狀態(tài)變化學習單元53進行狀態(tài)變化學習，其中利用從狀態(tài)估計單元32(的估計器42)供應的相應電器模型#m的狀態(tài)估計結果Γ，確定(更新)狀態(tài)變化參數(即模型參數)。狀態(tài)變化學習單元53利用從狀態(tài)變化學習得到的初始狀態(tài)參數和狀態(tài)變化參數，更新存儲在模型存儲單元33中的初始狀態(tài)參數和狀態(tài)變化參數。
在必要時，標記獲取單元35利用從狀態(tài)估計單元32(的估計器42)供應的相應電器模型#m的狀態(tài)估計結果Γ、存儲在模型存儲單元33中的整體模型通過數據輸出單元36獲得的表示相應電器模型#m的電器的功耗U(m)、從通信單元30供應的來自媒介14的數據等，獲取表示對應于每個電器模型#m的電器的電器標記L(m)(用于識別電器)。在必要時，標記獲取單元35將電器標記L(m)供應至數據輸出單元36。
數據輸出單元36利用從數據獲取單元31供應的電壓波形V、從狀態(tài)估計單元32(的估計器42)供應的每個電器模型#m的狀態(tài)估計結果Γ以及存儲在模型存儲單元33中的整體模型，確定(對應于每個電器模型#m的)用戶的房子的每個電器的功耗U(m)，每個電器由每個電器模型#m表示。數據輸出單元36將功耗U(m)與從標記獲取單元35供應的電器標記L(m)一起供應至居住在用戶的房子中的用戶。
具體地，數據輸出單元36將用戶的房子中的電器中的每一個的功耗U(m)和電器標記L(m)從通信單元30經由網絡15發(fā)送至媒介14。通過與包括顯示器的顯示裝置(例如，用戶的房子中的TV或居住在用戶的房子中的用戶持有的智能手機)通信，媒介14能夠將功耗U(m)和電器標記L(m)從數據輸出單元36發(fā)送至顯示裝置。
進一步，數據輸出單元36基于相應電器模型#m的狀態(tài)估計結果Γ檢測用戶的房子中的每個電器的操作狀態(tài)。數據輸出單元36將表示該操作狀態(tài)的操作狀態(tài)標記從通信單元30經由網絡15發(fā)送至媒介14。媒介14能夠根據來自數據輸出單元36的用戶的房子的每個電器的操作狀態(tài)(標記)采取預定動作。
在因此配置的解聚裝置16中，例如，可以采用FHMM(因子隱Markov模型)作為整體模型存儲在模型存儲單元33中。
<FHMM>
圖6是描述FHMM的示圖。
具體地，圖6中的A示出常規(guī)HMM的圖形模型并且圖6中的B示出FHMM的圖形模型。
在常規(guī)HMM中，在時間點t，在處于時間點t的單個狀態(tài)St中觀察到單個觀察值Yt。
另一方面，在FHMM中，在時間點t處，在處于時間點t的多個狀態(tài)S(1)t、S(2)t、...、S(m)t的組合中觀察到單個觀察值Yt。
FHMM是由Zoubin Ghahramani等提出的概率生成模型。例如，在Zoubin Ghahramani,and Michael I.Jordan,Factorial Hidden Markov Models’,Machine Learning Volume 29,Issue 2-3,Nov./Dec.1997(在下文中也稱為文獻A)中描述了FHMM的細節(jié)。
圖7是描述通過FHMM的解聚的構想的概況的示圖。
在此，FHMM被配置為具有多個HMM。FHMM中的HMM中的每一個稱為因子。在下文中，FHMM的第m個因子也將稱為因子#m。
在FHMM中，處于時間點t的多個狀態(tài)S(1)t至S(m)t的組合是處于時間點t的因子#m的狀態(tài)(因子#1的狀態(tài)、因子#2的狀態(tài)、...、因子#M的狀態(tài)的集合)的組合。
圖7示出其中因子的數量M是3的FHMM。
例如，在解聚中，一個因子對應于一個電器(一個因子與一個電器相關聯)。在圖7中，因子#m對應于電器#m。
在FHMM中，的因子的狀態(tài)的數量針對每個因子是任意的。然而，在圖7中，三個因子#1、#2、#3中的每一個的狀態(tài)的數量是四。
在圖7中，在時間點t＝t0處，因子#1(已)處于四個狀態(tài)#11、#12、#13、#14中的狀態(tài)#14(由實線圓表示)。因子#2處于四個狀態(tài)#21、#22、#23、#24中的狀態(tài)#21(由實線圓表示)。進一步，在時間點t＝t0處，因子#3處于四個狀態(tài)#31、#32、#33、#34中的狀態(tài)#33(由實線圓表示)。
例如，在解聚中，因子#m的狀態(tài)對應于對應于因子#m的電器#m的操作狀態(tài)。
例如，在對應于電器#1的因子#1中，狀態(tài)#11對應于電器#1的關閉狀態(tài)并且狀態(tài)#14對應于電器#1在所謂的正常模式上的開啟狀態(tài)。進一步，例如，在對應于電器#1的因子#1中，狀態(tài)#12對應于電器#1在所謂的睡眠模式上的開啟狀態(tài)。狀態(tài)#13對應于電器#1在所謂的節(jié)能模式上的開啟狀態(tài)。
在FHMM中，在因子#m的狀態(tài)#mi中，觀察到(生成)特定波形W(m)#mi(即特定于每個因子的每個狀態(tài)的波形)。
在圖7中，在因子#1中，在處于時間點t＝t0的狀態(tài)#14下，觀察到特定波形W(1)#14。在因子#2中，在處于時間點t＝t0的狀態(tài)#21下，觀察到特定波形W(2)#21。此外，在因子#3中，在處于時間點t＝t0的狀態(tài)#33下，觀察到特定波形W(3)#33。
在FHMM中，生成合成波形作為FHMM中觀察到的觀察值，合成波形通過合成處于因子中的狀態(tài)下觀察到的特定波形而獲得。
在此，例如，可以采用特定波形的總和(相加)用于特定波形的合成。另外例如，可以采用特定波形的權重相加或特定波形的邏輯和(當特定波形的值是0和1時)用于特定波形的合成。然而，在解聚中，采用特定波形的總和。
在FHMM的學習中，在FHMM中，確定(更新)FHMM的模型參數，使得觀察到作為時間點t＝...、t0、t1、...的總和數據的電流波形...、Yt0、Yt0+1、...。
當采用如上所述的FHMM作為整體模型存儲在模型存儲單元33(圖5)中時，構成整體模型的電器模型#m對應于因子#m。
應當注意，假設在用戶的房子中存在電器的最大數量，采用以預定數量(即裕度)大于電器的最大數量的值，作為FHMM的因子的數量M。
進一步，可以采用其中每個因子具有兩個狀態(tài)或三個以上狀態(tài)的FHMM作為FHMM(即整體模型)。
當因子的狀態(tài)的數量是兩個狀態(tài)時，例如，僅可以表達關閉狀態(tài)和打開狀態(tài)這兩個操作狀態(tài)作為對應于因子的電器的操作狀態(tài)。因此，當因子的狀態(tài)的數量是兩個狀態(tài)時，變得難以相對于具有三個以上操作狀態(tài)的電器(可變負載電器)(諸如其功耗(電流)根據模式、設定而變化的空調等)準確地確定功耗等。
另一方面，當采用其中每個因子具有三個以上狀態(tài)的FHMM作為FHMM(即整體模型)時，變得能夠相對于具有三個以上操作狀態(tài)的可變負載電器準確地確定功耗等。
當采用FHMM作為整體模型時，通過假設Markov性質，在FHMM中觀察到的電流波形Yt的序列的聯合概率分布P({St,Yt})以及因子#m的狀態(tài)S(m)t的組合St的序列通過表達式(1)計算。
[表達式1]
在此，聯合概率分布P({St,Yt})表示在時間點t處，在因子#m的狀態(tài)S(m)t的組合St中觀察到電流波形Yt的概率。
P(S1)表示在第一時間點t＝1處，處于每個因子#m的狀態(tài)S(m)1的組合S1的初始狀態(tài)概率。
P(St|St-1)表示在時間點t-1處處于狀態(tài)的組合St-1并且在時間點t處轉換為狀態(tài)的組合St的概率。
P(Yt|St)表示在時間點t處，在狀態(tài)的組合St中觀察到電流波形Yt的觀察概率。
在時間點t處的狀態(tài)的組合St是在時間點t處M個數量的因子#1至#M中的每一個的狀態(tài)S(1)t、S(2)t、...、S(m)t的組合，并且由表達式St＝{S(1)t，S(2)t，...，S(m)t}表示。
應當注意，設置為電器#m的操作狀態(tài)獨立于其他電器#m的操作狀態(tài)變化，并且假設因子#m的狀態(tài)S(m)t獨立于其他因子#m’的狀態(tài)S(m’)轉換。
進一步，可以采用獨立于作為其他因子#m’的HMM的狀態(tài)的數量K(m’)的數量，作為FHMM的因子#m的HMM的狀態(tài)的數量K(m)。應當注意，在此，為了描述的目的，假設因子#1至#M的狀態(tài)的數量K(1)至K(m)是相同的數量K，如由表達式K(1)＝K(2)＝...＝K(m)＝K所表達。
在FHMM中，用于計算表達式(1)的聯合概率分布P({St,Yt})的初始狀態(tài)概率P(S1)、轉換概率P(St|St-1)以及觀察概率P(Yt|St)可以如下計算。
即初始狀態(tài)概率P(S1)可以根據表達式(2)計算。
[表達式2]
在此，P(S(m)1)表示在時間點t＝1處因子#m的狀態(tài)S(m)1是狀態(tài)(初始狀態(tài))的初始狀態(tài)概率。
例如，初始狀態(tài)概率P(S(m)1)是具有K行的列向量(具有K行和1列的矩陣)，其中因子#m的第k(k＝1、2、...、K)個狀態(tài)的初始狀態(tài)概率作為第k個分量。
轉換概率P(St|St-1)可以根據表達式(3)計算。
[表達式3]
在此，P(S(m)t|S(m)t-1)表示在因子#m中，在時間點t-1處于狀態(tài)S(m)t-1并且在時間點t轉換為狀態(tài)S(m)t的轉換概率。
例如，轉換概率P(S(m)t|S(m)t-1)是具有K行和K列的矩陣(方陣)，其中從因子#m的第k個狀態(tài)#k轉換為第k’(k’＝1、2、...、K)個狀態(tài)#k’的轉換概率作為第k行和第k’列的分量。
觀察概率P(Yt|St)可以根據表達式(4)計算。
[表達式4]
在此，劃線(’)表示轉置并且上標-1表示乘法逆元(逆矩陣)。進一步，|C|表示C(行列式)的絕對值(行列式計算)。
進一步，D表示觀察值Yt的維度。
例如，當電壓變化從負值到正值時具有與零相交的定時作為電流的相位是0的定時，電流傳感器13以預定的采樣間隔在一個周期(在日本是1/50或1/60秒)對電流進行采樣。電流傳感器13輸出具有作為分量的采樣值的列向量，作為一個時間點的電流波形Yt。
假設通過電流傳感器13在一個周期對電流進行采樣的次數是D，那么電流波形Yt是具有D行的列向量。
根據表達式(4)的觀察概率P(Yt|St)，觀察值Yt基于平均值(平均向量)是μt并且差異(差異-協(xié)差異矩陣)是C的正態(tài)分布。
如在電流波形Yt中，平均值μt是具有D行的列向量并且差異C是具有D行和D列的矩陣(對角線分量作為差異的矩陣)。
參考圖7，平均值μt利用以上描述的特定波形W(m)通過表達式(5)表達。
[表達式5]
在此，假設因子#m的狀態(tài)#k的特定波形由W(m)k表示。然后，例如，因子#m的狀態(tài)#k的特定波形W(m)k是作為電流波形Yt中的具有D行的列向量。
進一步，特定波形W(m)是因子#m的狀態(tài)#1、#2、...、#K的特定波形W(m)1、W(m)2、...、W(m)K的集合。特定波形W(m)是具有D行和K列的矩陣，其中作為因子#m的狀態(tài)#k的特定波形W(m)k的列向量是第k列中的分量。
此外，S*(m)t表示在時間點t的因子#m的狀態(tài)。在下文中，S*(m)t也將稱為在時間點t的因子#m的當前狀態(tài)。例如，在時間點t的因子#m的當前狀態(tài)S*(m)t是具有K行的列向量，其中僅在K行中的一行的分量是1并且在其他行中的分量是0，如在表達式(6)中所示。
[表達式6]
當處于時間點t的因子#m的狀態(tài)是狀態(tài)#k時，在具有K行的列向量S*(m)t中，僅第k個分量設為1并且其他分量設為0，即在時間點t的因子#m的當前狀態(tài)S*(m)t。
根據表達式(5)，確定在時間點t的每個因子#m的狀態(tài)#k的特定波形W(m)k的總和作為在時間點t的電流波形Yt的平均值μt。
FHMM的模型參數是表達式(2)的初始狀態(tài)概率P(S(m)1)、表達式(3)的轉換概率P(S(m)t|S(m)t-1)，表達式(4)的差異C以及表達式(5)的特定波形W(m)(＝W(m)1，W(m)2，...，W(m)K)。在圖5的模型學習單元34中，確定FHMM的模型參數
具體地，波形分離學習單元51進行波形分離學習，從而確定特定波形W作為當前波形參數。差異學習單元52進行差異學習，從而確定差異C作為差異參數。狀態(tài)變化學習單元53進行狀態(tài)變化學習，從而確定初始狀態(tài)概率P(S(m)1)和轉換概率P(S(m)t|S(m)t-1)分別作為初始狀態(tài)參數和狀態(tài)變化參數。
在此，例如，即使單獨的電器的操作狀態(tài)是打開和關閉兩個狀態(tài)，當20個電器的操作狀態(tài)(的組合)通過常規(guī)HMM表達時，HMM的狀態(tài)的數量是220＝1，048，576，并且轉換概率的數量是1，099，511，627，776(HMM的狀態(tài)的數量的平方)。
另一方面，根據FHMM，僅具有打開和關閉兩個狀態(tài)的M個數量的電器，作為操作狀態(tài)可以通過各自具有兩個狀態(tài)的M個數量的因子表達。因此，在每個因子中，狀態(tài)的數量是二并且轉換概率的數量是四(狀態(tài)的數量的平方)。因此，當M＝20的電器的操作狀態(tài)(因子)通過FHMM表達時，FHMM的狀態(tài)的數量(總數)僅必須是小數量，即40＝2*20并且轉換概率的數量也僅必須是小數量，即80＝4*20。
例如，FHMM的學習，即作為FHMM的模型參數的初始狀態(tài)概率P(S(m)1)、轉換概率P(S(m)t|S(m)t-1)、差異C以及特定波形W(m)的更新，可以根據如文獻A中描述的EM(期望最大化)算法進行。
在利用EM算法的FHMM的學習中，交替地重復E步驟的處理和M步驟的處理以便使表達式(7)的條件完整數據對數似然(log-likelihood)的期望值最大化。
[表達式7]
在此，條件完整數據對數似然的期望值指，當在模型參數下觀察到完整數據{St,Yt}時，在新模型參數下觀察到完整數據{St,Yt}的對數似然的期望值。
在EM算法的E步驟的處理中，確定表達式(7)的條件完整數據對數似然的期望值(等價于Q的值)。在EM算法的M步驟的處理中，確定增加在E步驟的處理中確定的期望值的新模型參數并且模型參數更新至新模型參數(增加期望值)。
<作為解聚的FHMM的模型學習>
圖8是描述基于EM算法(即通過解聚裝置16(圖5)進行解聚)的FHMM的模型學習的處理(學習處理)的實例的流程圖。
在步驟S11中，模型學習單元34初始化存儲在模型存儲單元33中的FHMM的模型參數即初始狀態(tài)概率P(S(m)1)、轉換概率P(S(m)t|S(m)t-1)、差異C以及特定波形W(m)。然后，處理進行至步驟S12。
在此，例如，作為初始狀態(tài)概率P(S(m)1)的具有K行的列向量的第k個分量，即因子#m的第k個初始狀態(tài)概率π(m)k初始化為1/K。
例如，利用隨機數，在作為(即因子#m的)轉換概率P(S(m)t|S(m)t-1)的具有K行和K列的矩陣的第i行和第j列中的分量(i，j＝1、2、...K)中，初始化從第i個狀態(tài)#i轉換為第j個狀態(tài)#j的轉換概率P(m)i,j，以便滿足表達式P(m)i,1+P(m)i,2+...+P(m)i,K＝1。
例如，具有D行和D列的矩陣(即差異C)初始化為對角線矩陣，其中第D行和第D列中對角線分量利用隨機數設置并且其他分量設為0。
例如，利用隨機數將具有D行和K列的矩陣(即特定波形W(m))的中第k列的列向量，即具有D行的列向量(即因子#m的狀態(tài)#k的特定波形W(m)k)中的每個分量初始化。
在步驟S12中，數據獲取單元31在預定時間T獲取通過電流傳感器13測量的電流波形并且將在時間點t＝1、2、...、T的電流波形Y1、Y2、...、YT供應至狀態(tài)估計單元32和模型學習單元34。然后，處理進行至步驟S13。
在此，數據獲取單元31也獲取在時間點t＝1、2、...、T的電壓波形以及電流波形。數據獲取單元31將在時間點t＝1、2、...、T的電壓波形供應至數據輸出單元36。
在數據輸出單元36中，來自數據獲取單元31的電壓波形用于計算功耗。
在步驟S13中，狀態(tài)估計單元32利用來自數據獲取單元31的測量的波形Y1至YT進行E步驟的處理。然后，處理進行至步驟S14。
具體地，在步驟S13中，狀態(tài)估計單元32利用來自數據獲取單元31的測量的波形Y1至YT，進行狀態(tài)估計，其中FHMM的每個因子#m的每個狀態(tài)內的狀態(tài)概率等存儲在模型存儲單元33中。狀態(tài)估計單元32將狀態(tài)估計的狀態(tài)估計結果供應至模型學習單元34和數據輸出單元36。
在此，如上參考圖7所述，在解聚中，因子#m的狀態(tài)對應于與因子#m對應的電器#m的操作狀態(tài)。FHMM的因子#m的處于狀態(tài)#k的狀態(tài)概率表示，電器#m的操作狀態(tài)與狀態(tài)#k之間的對應的程度。因此，可以說確定這種狀態(tài)概率的狀態(tài)估計確定(估計)電器的操作狀態(tài)。
在步驟S14中，模型學習單元34利用來自數據獲取單元31的測量的波形Y1至YT以及來自狀態(tài)估計單元32的狀態(tài)估計結果進行M步驟的處理。然后，處理進行至步驟S15。
具體地，在步驟S14中，模型學習單元34利用來自數據獲取單元31的測量的波形Y1至YT以及來自狀態(tài)估計單元32的狀態(tài)估計結果，進行存儲在模型存儲單元33中的FHMM的學習，從而更新作為存儲在模型存儲單元33中的FHMM的模型參數的初始狀態(tài)概率π(m)k、轉換概率P(m)ij、差異C以及特定波形W(m)。
在步驟S15中，模型學習單元34確定模型參數是否滿足收斂條件。
可以采用如下事實作為模型參數的收斂條件：E步驟和M步驟的處理重復預先設定的預定次數，或者在更新通過FHMM中測量的波形Y1至YT觀察到的似然的模型參數之前和之后改變的量在預先設定的閾值內。
當在步驟S15中確定不滿足模型參數的收斂條件時，處理返回至步驟S13并且然后重復類似的處理。
進一步，當在步驟S15中確定滿足模型參數的收斂條件時，學習處理終止。
應當注意，在步驟S12至步驟S15中的處理周期或非周期地執(zhí)行。
圖9是描述E步驟的處理的流程圖，E步驟通過圖8的步驟S13中的圖5的解聚裝置16執(zhí)行。
在步驟S21中，利用存儲在模型存儲單元33中的FHMM(即整體模型)的差異C和特定波形W(m)，以及來自數據獲取單元31的測量的波形Yt＝{Y1，Y2，...,YT}，評估器41確定表達式(4)的觀察概率P(Yt|St)作為在各時間點t＝{1，2，...,T}相對于狀態(tài)的每個組合St的評估值E。評估器41將評估值E提供至估計器42。然后，處理進行至步驟S22。
在步驟S22中，利用來自評估器41的觀察概率P(Yt|St)和存儲在模型存儲單元33中的FHMM(即整體模型)的轉換概率P(m)i,j(以及初始狀態(tài)率π(m))，估計器42觀察測量的波形Y1、Y2、...、Yt并且確定處于時間點t的狀態(tài)的組合z(在時間點t的因子#1的狀態(tài)、因子#2的狀態(tài)、...、因子#M的狀態(tài)的組合)中的前向概率αt,z。然后，處理進行至步驟S23。
在此，例如，在“Pattern Recognition and Machine Learning-Statistical Prediction based on Bayesian Theory”by C.M.Bishop,Springer Japan,2008(后文中也稱為文獻B)的第336頁中描述了如何確定HMM的前向概率。
例如，前向概率αt,z可以根據遞推關系αt,z＝Σαt-1,wP(z|w)P(Yt|z)利用在先前時間點的前向概率αt-1,w來確定。
在遞推關系αt，z＝Σαt-1,wP(z|w)P(Yt|z)中，Σ表示通過將w設定為FHMM的狀態(tài)的組合的全部而求的和。
進一步，在遞推關系αt,z＝Σαt-1,wP(z|w)P(Yt|z)中，w表示處于時間點t-1(即先前時間點)的狀態(tài)的組合。P(z|w)表示在時間點t-1處于狀態(tài)的組合w并且在時間點t轉換為狀態(tài)的組合z的轉換概率。P(Yt|z)表示在時間點t在狀態(tài)的組合z中觀察到測量的波形Yt的觀察概率。
應當注意，采用構成狀態(tài)的組合z的每個因子#m的狀態(tài)#k的初始狀態(tài)概率π(m)k的乘積作為前向概率αt,z(即在時間點t＝1的前向概率α1,z)。
在步驟S23中，利用來自評估器41的觀察概率P(Yt|St)和存儲在模型存儲單元33中的FHMM(即整體模型)的轉換概率P(m)i,j，估計器42確定在時間點t處于狀態(tài)的組合z中并且然后觀察到測量的波形Yt、Yt+1、...、YT的后向概率βt,z。然后，處理進行至步驟S24。
在此，例如，在以上文獻B的第336頁中描述了如何確定HMM的后向概率。
例如，后向概率βt,z可以利用在下一時間點的后向概率βt+1,w，根據遞推關系βt,z＝ΣP(Yt|z)P(w|z)βt+1,w而確定。
在遞推關系βt,z＝ΣP(Yt|z)P(w|z)βt+1,w中，Σ表示通過將w設定為FHMM的狀態(tài)的組合的全部而求和。
此外，在遞推關系βt,z＝ΣP(Yt|z)P(w|z)βt+1,w中，w表示處于作為下一時間點的時間點t+1的狀態(tài)的組合。P(w|z)表示在時間點t處于狀態(tài)的組合z并且在時間點t+1轉換到狀態(tài)的組合w的轉換概率。P(Yt|z)表示在時間點t，在狀態(tài)的組合z中觀察到測量的波形Yt的觀察概率。
應當注意，采用1作為后向概率βt,z(即在時間點t＝T的后向概率)的初始值。
在步驟S24中，利用前向概率αt,z和后向概率βt,z，估計器42確定在FHMM(即根據表達式(8)的整體模型)中，在時間點t處于狀態(tài)的組合z中的后驗概率γt,z。然后，處理進行至步驟S25。
[表達式8]
在此，表達式(8)的右側上的分母中的Σ表示通過將w設定至在時間點t可取的狀態(tài)的組合St的所有而求的和。
根據表達式(8)，利用這樣的乘積αt,wβt,w相對于FHMM可取的狀態(tài)的組合w的總和Σαt,wβt,w，通過將前向概率和后向概率的乘積歸一化而確定后驗概率γt,z。
在步驟S25中，利用后驗概率γt,z，估計器42確定在因子#m中在時間點t處于狀態(tài)S(m)t的后驗概率<S(m)t>，以及在時間點t在因子#m中處于狀態(tài)S(m)t的后驗概率<S(m)tS(n)t’>，以及在另一因子#n中處于狀態(tài)S(n)t的后驗概率<S(m)tS(n)t’>。然后，處理進行至步驟S26。
在此，根據表達式(9)確定后驗概率<S(m)t>。
[表達式9]
根據表達式(9)，在因子#m中，通過將在時間點t處于狀態(tài)的組合z的后驗概率γt,z相對于不包括因子#m的狀態(tài)的狀態(tài)的組合z進行邊緣化而確定在時間點t處于狀態(tài)S(m)t的后驗概率<S(m)t>。
應當注意，例如，后驗概率<S(m)t>是具有K行的列向量，其中在時間點t處于因子#m的K個數量狀態(tài)中的第k個狀態(tài)的狀態(tài)概率(后驗概率)作為第k個分量。
后驗概率<S(m)tS(n)t’>根據表達式(10)確定。
[表達式10]
根據表達式(10)，在因子#m中，通過將在時間點t處于狀態(tài)的組合z的后驗概率γt,z相對于不包括因子#m的狀態(tài)且不包括因子#n的狀態(tài)的狀態(tài)的組合z進行邊緣化，而確定在時間點t處于狀態(tài)S(m)t并且在另一因子#n中處于狀態(tài)S(n)t的后驗概率<S(m)tS(n)t’>。
應當注意，例如，后驗概率<S(m)tS(n)t’>是具有K行和K列的矩陣，其中在時間點t處于因子#m的狀態(tài)#k并且處于另一因子#n的狀態(tài)k’的狀態(tài)概率(后驗概率)作為第k行和第k’列的分量。
在步驟S26中，利用前向概率αt,z、后向概率βt,z、轉換概率P(z|w)以及來自評估器41的觀察概率P(Yt|St)，估計器42確定在因子#m中，在時間點t-1處于狀態(tài)S(m)t-1并且在下一時間點t處于狀態(tài)S(m)t的后驗概率<S(m)t-1S(m)t’>。
然后，估計器42將后驗概率<S(m)t>、<S(m)tS(n)t’>以及<S(m)t-1S(m)t’>作為狀態(tài)估計結果提供至模型學習單元34、標記獲取單元35以及數據輸出單元36。然后，處理從E步驟的處理返回。
在此，后驗概率<S(m)t-1S(m)t’>根據表達式(11)確定。
[表達式11]
為了計算表達式(11)中的后驗概率<S(m)t-1S(m)t’>，根據表達式(3)，從狀態(tài)的組合w轉換到狀態(tài)的組合z的轉換概率P(z|w)確定為，從因子#1中的構成狀態(tài)的組合w的狀態(tài)#i(1)至因子#1中的構成狀態(tài)的組合z的狀態(tài)#j(1)的轉換概率P(1)i(1),j(1)、從因子#2中的構成狀態(tài)的組合w的狀態(tài)#i(2)至因子#2中的構成狀態(tài)的組合z的狀態(tài)#j(2)的轉換概率P(2)i(2)，j(2)...、以及從因子#m中的構成狀態(tài)的組合w的狀態(tài)#i(m)至因子#m中的構成狀態(tài)的組合z的狀態(tài)#j(m)的轉換概率P(m)i(m),j(m)的乘積P(1)i(1),j(1)*PP(2)i(2),j(2)*...*P(m)i(m),j(m)。
應當注意，例如，后驗概率<S(m)t-1S(m)t’>是具有K行和K列的矩陣，其中在因子#m中在時間點t-1處于狀態(tài)#i的狀態(tài)概率(后驗概率)并且在下一時間點t處于狀態(tài)j的狀態(tài)概率(后驗概率)作為第i行和第j列的分量。
圖10是描述FHMM中的前向概率αt,z與后向概率βt,z之間的關系以及(正常)HMM中的前向概率αt,i與后向概率βt,j之間的關系的示圖。
對于FHMM，可以配置等效于該FHMM的HMM。
等效于某個FHMM的HMM具有等效于FHMM中的因子的狀態(tài)的組合z的狀態(tài)。
然后，FHMM中的前向概率αt,z和后向概率βt,z與等效于該FHMM的HMM中的前向概率αt,i和后向概率βt,j相等。
圖10的A示出由具有狀態(tài)#1和狀態(tài)#2兩個狀態(tài)的因子#1和因子#2形成的FHMM。
在圖10的A中的FHMM中，利用因子#1的狀態(tài)#k與因子#2的狀態(tài)#k’的組合z＝[k，k’]，存在四種模式，包括：因子#1的狀態(tài)#1與因子#2的狀態(tài)#1的組合[1，1]、因子#1的狀態(tài)#1與因子#2的狀態(tài)#2的組合[1，2]、因子#1的狀態(tài)#2與因子#2的狀態(tài)#1的組合[2，1]以及因子#1的狀態(tài)#2與因子#2的狀態(tài)#2的組合[2，2]。
圖10的B示出與圖10的A中的FHMM等效的HMM。
圖10的B中的HMM具有四個狀態(tài)#(1，1)、#(1，2)、#(2，1)以及#(2，2)，該四個狀態(tài)分別等效于圖10的A中的FHMM的狀態(tài)的四個組合[1，1]、[1，2]、[2，1]以及[2，2]。
然后，圖10的A中的FHMM的前向概率αt,z＝{αt,[1,1]，αt,[1,2]，αt,[2,1]，αt,[2,2]}與圖10的B中的HMM的前向概率αt,i＝{αt,(1,1)，αt,(1,2)，αt,(2,1)，αt,(2,2)}相同。
類似地，圖10的A中的FHMM的后向概率βt,z＝{βt，[1,1]，βt,[1,2]，βt，[2，1]，βt，[2,2]}與圖10的B中的HMM的后向概率βt,i＝{βt,(1,1)，βt,(1,2)，βt,(2,1)，βt,(2,2)}相同。
例如，以上表達式(8)的右側上的分母，即乘積αt,wβt,w相對于FHMM可以取的狀態(tài)的組合w∈St的總和Σαt，wβt，w，相對于圖10的A中的FHMM通過表達式Σαt,wβt,w＝αt,[1,1]βt,[1,1]+αt,[1,2]βt,[1,2]+αt,[2,1]βt,[2,1]+αt,[2,2]βt,[2,2]表達。
圖11是描述M步驟的處理的流程圖，M步驟通過圖8的步驟S14中的圖5的解聚裝置16執(zhí)行。
在步驟S31中，波形分離學習單元51利用來自數據獲取單元31的測量的波形Yt以及來自估計器42的后驗概率<S(m)t>和<S(m)tS(n)t’>，執(zhí)行波形分離學習，從而確定特定波形W(m)的更新值W(m)new。波形分離學習單元51利用更新值W(m)new更新存儲在模型存儲單元33中的特定波形W(m)。然后，處理進行至步驟S32。
具體地，對于波形分離學習，波形分離學習單元51計算表達式(12)從而確定特定波形W(m)的更新值W(m)new。
[表達式12]
在此，Wnew是具有D行和K*M列的矩陣，其中因子#m的特定波形W(m)的更新值W(m)new(W(m)與W(m)new中的每一個都是具有D行和K列的矩陣)按因子#m(的指數)的順序從左到右設置。具有特定波形(的更新值)Wnew的(m-1)K+k列的列向量(Wnew與該列向量中的每一個是具有D行和K*M列的矩陣)，是因子#m的狀態(tài)#k的特定波形W(m)k(的更新值)。
<St’>是具有K*M列的行向量，通過將K*M行的列向量轉置而獲得，其中后驗概率<S(m)t>(<S(m)t>中的每一個是具有K行的列向量)按因子#m的順序從頂到底設置。后驗概率<St’>(即具有K*M列的行向量)中的第(m-1)K+k列中的分量是在時間點t處于因子#m的狀態(tài)#k的狀態(tài)概率。
<StSt’>是具有K*M行和K*M列的矩陣，其中后驗概率<S(m)tS(n)t’>(<S(m)tS(n)t’>中的每一個是具有K行和K列的矩陣)按因子#m的順序從頂到底設置并且按因子#n的順序從左到右設置。后驗概率<StSt’>(即具有K*M行和K*M列的矩陣)的第(m-1)K+k行并且第(n-1)K+k’列中的分量是在時間點t處于因子#m的#k并且處于另一因子#n的狀態(tài)#k’的狀態(tài)概率。
上標星號(*)表示逆矩陣或偽逆矩陣。
根據計算表達式(12)的波形分離學習，測量的波形Yt分離為特定波形W(m)，使得在測量的波形Yt與表達式(5)的平均值μt＝ΣW(m)S*(m)t之間的誤差盡可能地小。
在步驟S32中，差異學習單元52利用來自數據獲取單元31的測量的波形Yt、來自估計器42的后驗概率<S(m)t>以及存儲在模型存儲單元33中的特定波形W(m)執(zhí)行差異學習，從而確定差異C的更新值Cnew。差異學習單元52更新存儲在模型存儲單元33中的差異C。然后，處理進行至步驟S33。
具體地，對于差異學習，差異學習單元52計算表達式(13)，從而確定差異C的更新值Cnew。
[表達式13]
在步驟S33中，狀態(tài)差異學習單元53利用來自估計器42的后驗概率<S(m)t>和<S(m)t-1S(m)t’>執(zhí)行狀態(tài)差異學習，從而確定轉換概率P(m)i,j的更新值和初始狀態(tài)概率π(m)的更新值π(m)new。狀態(tài)差異學習單元53利用更新值和π(m)new更新存儲在模型存儲單元33中的轉換概率P(m)i，j和初始狀態(tài)概率π(m)。然后，處理從M步驟的處理返回。
具體地，對于狀態(tài)差異學習，狀態(tài)差異學習單元53計算表達式(14)和表達式(15)，從而確定轉換概率P(m)i,j的更新值和初始狀態(tài)概率π(m)的更新值π(m)new。
[表達式14]
[表達式15]
在此，<S(m)t-1,iS(m)t,j>是后驗概率<S(m)t-1S(m)t’>(即具有K行和K列的矩陣)的第i行和第j列中的分量，并且<S(m)t-1,iS(m)t,j>表示在因子#m中，在時間點t-1處于狀態(tài)#i并且在下一時間點t處于狀態(tài)#j的狀態(tài)概率。
<S(m)t-1,i>是具有K行的列向量后向概率<S(m)t-1>的第i行中的分量，并且<S(m)t-1,i>表示在時間點t-1處于因子#m的狀態(tài)#i的狀態(tài)概率。
π(m)(π(m)new)是具有K行的列向量，其中因子#m的狀態(tài)#k的初始狀態(tài)概率π(m)k(的更新值π(m)knew)作為第k個分量。
<信息呈現處理>
圖12是描述電器#m的呈現信息的信息呈現處理的實例的流程圖，信息呈現處理通過解聚裝置16(圖5)執(zhí)行。
在步驟S41中，數據輸出單元36利用來自數據獲取單元31的電壓波形Vt(對應于電流波形Yt)、作為來自狀態(tài)估計單元32的狀態(tài)估計結果的后驗概率<S(m)t>以及存儲在模型存儲單元33中的特定波形W(m)，確定每個因子#m的功耗U(m)。然后，處理進行至步驟S42。
在此，利用在時間點t的電壓波形Vt以及在時間點t對應于因子#m的電器#m的電流消耗At，數據輸出單元36確定在時間點t對應于因子#m的電器#m的功耗U(m)。
在數據輸出單元36中，在時間點t對應于因子#m的電器#m的電流消耗At按以下方式確定。
具體地，例如，數據輸出單元36將因子#m中具有最大后驗概率<S(m)t>的狀態(tài)#k的特定波形W(m)確定為在時間點t時對應于因子#m的電器#m的電流消耗At。
進一步，例如，數據輸出單元36利用在時間點t的因子#m的每個狀態(tài)的狀態(tài)概率(其是后驗概率<S(m)t>的分量，后驗概率<S(m)t>是具有K行的列向量)作為權重，將因子#m的每個狀態(tài)中的特定波形W(m)1、W(m)2、...、W(m)K的權重相加值確定為在時間點t時對應于因子#m的電器#m的電流消耗At。
應當注意，假設FHMM的學習發(fā)展并且因子#m變成適合代表電器#m的電器模型。在這種情況下，關于在時間點t時的因子#m的每個狀態(tài)的狀態(tài)概率，在時間點t時對應于電器#m的操作狀態(tài)的狀態(tài)的狀態(tài)概率是在1附近并且剩余的K-1個數量的狀態(tài)的狀態(tài)概率是在0附近。
因此，在因子#m中，具有最大后驗概率<S(m)t>的狀態(tài)#k的特定波形W(m)近似與因子#m的每個狀態(tài)的特定波形W(m)1、W(m)2、...、W(m)K的權重相加值相等，其中后驗概率<S(m)t>用作在時間點t的因子#m的每個狀態(tài)的狀態(tài)概率，作為權重。
在步驟S42中，標記獲取單元35獲取由電器模型#m中的每一個表示的電器#m，即用于識別與FHMM中的每個因子#m對應的電器#m的電器標記L(m)。標記獲取單元35將電器標記L(m)提供至數據輸出單元36。然后，處理進行至步驟S43。
在此，例如，在標記獲取單元35中，通過數據輸出單元36確定的對應于每個因子#m的電器#m的電流消耗At、功耗U(m)或基于功耗U(m)識別的電器#m的使用時間區(qū)域從通信單元30經由網絡15發(fā)送至用戶的房子。電流消耗At、功耗U(m)或電器#m的使用時間區(qū)域可以通過用戶的房子中顯示其的顯示裝置而呈現給用戶。
然后，例如，在標記獲取單元35中，呈現給用戶的電流消耗At或功耗U(m)或對應于使用時間區(qū)域的電器的名稱由用戶輸入并且經由網絡15和通信單元30接收。以這種方式，可以獲取由用戶輸入的電器的名稱作為電器標記L(m)。
進一步，例如，在標記獲取單元35中，關于各種電器的屬性(諸如其功耗、電流波形(電流消耗)以及使用時間區(qū)域)可以與電器的名稱相關聯并且提前記錄為數據庫。在這種數據庫中，可以獲取對應于每個因子#m的電器#m的電流消耗At(通過數據輸出單元36確定)相關聯的電器的名稱、功耗U(m)以及基于功耗U(m)識別的電器#m的使用時間區(qū)域，作為電器標記L(m)。
應當注意，在標記獲取單元35中，關于對應于電器#m的因子#m，其中已經識別電器#m的電器標記L(m)并且將該電器標記提供至數據輸出單元36，因此可以跳過步驟S42的處理。
在步驟S43中，數據輸出單元36將對應于每個因子#m的電器的功耗U(m)以及該因子#m的電器標記L(m)從通信單元30經由網絡15發(fā)送至用戶的房子。例如，其通過用戶的房子中的顯示其的顯示裝置而呈現給用戶。然后，信息呈現處理終止。
圖13是示出在圖12中的信息呈現處理中，通過用戶的房子中的顯示裝置顯示的功耗U(m)的顯示實例的示圖。
例如，在顯示裝置中，如圖13所示，對應于每個因子#m的電器#m的功耗U(m)的時間序列可以與電器標記L(m)(諸如電器#m的名稱)一起顯示。
在解聚裝置16中，執(zhí)行FHMM的學習作為解聚，在FHMM中每個電器的操作狀態(tài)利用FHMM模型化，每個因子具有三個或四個狀態(tài)。因此，相對于功耗(電流)根據模式、設定等變化的可變負載電器(諸如空調)，可以準確地確定功耗等。
進一步，在解聚裝置16中，可以僅通過在一點(諸如功率表12)測量由用戶的房子中的電器消耗的電流的總和，確定用戶的房子中的每個電器的功耗。因此，根據成本和人工兩者，可以容易地實現用戶的房子中的每個電器的功耗的“可視化”。
例如，根據如上所述的用戶的房子中的每個電器的功耗的“可視化”，可以提升對于用戶的房子中的節(jié)能的認識。
進一步，解聚裝置16能夠收集許多用戶的房子中的電器的功耗并且估計電器的使用時間區(qū)域，并且因此基于用戶的房子中的每個電器的功耗估計生活方式。這對于市場化等是有用的。
附帶地，為了使解聚裝置16通過使用在電器的操作狀態(tài)下由電流傳感器13測量的電流波形Yt而執(zhí)行確定用戶的房子中的電器的電流消耗等的解聚，電器的操作狀態(tài)必須改變并且電器的電流消耗必須改變。
例如，電器的操作狀態(tài)通過用戶的操作改變。然而，當電器的操作狀態(tài)僅通過用戶的操作改變時，執(zhí)行解聚是花時間的。
進一步，當解聚裝置16的標記獲取單元35獲取由用戶輸入的電器的名稱作為電器標記L(m)時，用戶必須輸入電器的名稱(即電器標記L(m))。這可能使得用戶感覺麻煩。
鑒于此，在圖1的解聚系統(tǒng)中，媒介14與解聚裝置16協(xié)同操作。因此，電器的操作狀態(tài)快速地改變并且解聚快速地執(zhí)行。
此外，在圖1的解聚系統(tǒng)中，媒介14與解聚裝置16協(xié)同操作，并且因此，不需使用戶輸入電器標記L(m)(用作電器標記的電器的名稱)，而獲取對應于因子#m的電器的電器標記L(m)并且電器標記L(m)與因子#m相關聯。
在下文中，如上所述，將描述協(xié)同操作的媒介14與解聚裝置16。
<媒介14的配置實例>
圖14是示出圖1中的媒介14的外部配置實例的立體圖。
在圖14的實施方式中，媒介14是看起來像狗的寵物機器人。大致來講，媒介14由主體單元1、腿部單元102A、腿部單元102B、腿部單元102C、腿部單元102D、頭部單元103以及尾部單元104組成。
等同于腿部的腿部單元102A、腿部單元102B、腿部單元102C、腿部單元102D耦合至等同于軀體的主體單元101的前部、后部、左部以及右部。等同于頭部的頭部單元103以及等同于尾部的尾部單元104耦合至主體單元101的前端部和后端部。
在主體單元101的上表面中，設置有背傳感器101A。進一步，頭部單元103包括在其上部的頭部傳感器103A和在其下部的下巴傳感器103B。應當注意，背傳感器101A、頭部傳感器103A以及下巴傳感器103B都是由壓力傳感器構成，并且壓力傳感器檢測施加至該點的壓力。
尾部單元104安裝在主體單元101上以便在水平方向和垂直方向上可擺動。
圖15是示出圖14中的媒介14的內部配置實例的框圖。
如圖15所示，控制器111、A/D(模擬/數字)轉換器112、D/A轉換器113、通信單元114、半導體存儲器115、背傳感器101A等存儲在主體單元101中。
控制器111執(zhí)行媒介14的整體控制以及各種類型的處理。
A/D轉換器112將通過麥克風121、CCD照相機122L和CCD照相機122R、背傳感器101A、頭部傳感器103A以及下巴傳感器103B輸出的模擬信號A/D-轉換為數字信號并且將該數字信號提供至控制器111。D/A轉換器113將從控制器111提供的數字信號D/A-轉換為模擬信號并且將該模擬信號提供至揚聲器123。
通信單元114與外部無線或有線地通信。具體地通信單元114接收從外部發(fā)送的數據并且將該數據提供至控制器111。進一步，通信單元114將從控制器111提供的數據發(fā)送至外部。
例如，半導體存儲器115由易失性存儲器(諸如RAM(隨機存取存儲器))或非易失性存儲器(諸如EEPROM(電可擦除可編程只讀存儲器))構成。例如，半導體存儲器115在控制器111的控制之下存儲電器表(將稍后描述)和其他的必要數據。
應當注意，半導體存儲器115可以配置為可附接至設置在主體單元101中的凹槽(未示出)或可從該凹槽移除。
背傳感器101A設置在主體單元101中對應于媒介14的背面的部位處。背傳感器101A檢測來自用戶的施加至其的壓力，并且將對應于該壓力的壓力檢測信號經由A/D轉換器112輸出至控制器111。
應當注意，另外，例如，主體單元101還容納作為媒介14的電源的電池(未示出)以及檢測電池的殘余量的電路。
例如，如圖15所示，麥克風121、圖像傳感器122L和圖像傳感器122R、頭部傳感器103A以及下巴傳感器103B設置在頭部單元103的對應的部位中。麥克風121用作感應來自外部的刺激的傳感器，并且麥克風121相當于感應聲音的“耳朵”。圖像傳感器122L和圖像傳感器122R等同于感應光的“左眼”和“右眼”。頭部傳感器103A和下巴傳感器103B等同于感應通過用戶的觸摸等施加的壓力的觸覺。進一步，例如，等同于媒介14的“嘴部”的揚聲器123放置在頭部單元103的對應部位處。
致動器安裝在腿部單元102A至腿部單元102D的接合、腿部單元102A至腿部單元102D與主體單元101之間的耦接部、頭部單元103與主體單元101之間的耦接部以及尾部單元104與主體單元101之間的耦接部等中。致動器基于來自控制器111的指令操作相應的部分。具體地，例如，致動器使腿部單元102A至腿部單元102D移動，使得機器人行走。
安裝在頭部單元103中的麥克風121收集包括來自用戶的話語的周圍語音(聲音)，并且將獲得的音頻信號經由A/D轉換器112輸出至控制器111。圖像傳感器122L和圖像傳感器122R使周圍環(huán)境成像并且將獲得的圖像信號經由A/D轉換器112輸出至控制器111。例如，設置在頭部單元103的上部中的頭部傳感器103A和設置在頭部單元103的下部中的下巴傳感器103B檢測由于用戶的物理動作(例如“撫摸”或“打擊”)而接收的壓力，并且將其中的檢測結果作為壓力檢測信號經由A/D轉換器112輸出至控制器111。
在此，在圖15中，控制器111包括動作確定器131、識別單元132、位置檢測器133、操作控制器134、通知控制器135以及表生成器136。
例如，動作確定器131基于從麥克風121、圖像傳感器122L和圖像傳感器122R、背傳感器101A、頭部傳感器103A以及下巴傳感器103B經由A/D轉換器112提供的音頻信號、圖像信號、壓力檢測信號等，對于周圍環(huán)境以及來自用戶的指令還有來自用戶的動作的存在或不存在等作出確定。動作確定器131基于確定的結果確定媒介14下一個采取的動作。然后，動作確定器131基于動作確定的結果驅動必要的致動器。這促使頭部單元103在上方、下方、左方以及右方搖擺或者使尾部單元104移動。進一步，例如，動作確定器131驅動腿部單元102A至腿部單元102D中的每一個使得媒介14采取行走的動作或操作用戶的房子中的電器。
進一步，動作確定器131基于動作確定的結果生成合成聲音，并且將合成聲音經由D/A轉換器113提供至揚聲器123，用于輸出該合成聲音或打開、關閉或閃爍設置在媒介14的“眼”的位置處的LED(發(fā)光二極管)(未示出)。
如上所述，動作確定器131促使媒介14基于周圍環(huán)境、試圖與動作確定器131通信的用戶等，獨立地采取動作。
例如，識別單元132基于從圖像傳感器122L和圖像傳感器122R經由A/D轉換器112供應至控制器111的圖像信號，識別設定為媒介14的操作目標的電器(在下文中也稱為操作目標電器)并且獲取表示操作目標電器的電器標記。
具體地，例如，識別單元132基于從圖像傳感器122L和圖像傳感器122R提供的操作目標電器的圖像信號，識別操作目標電器。識別單元132獲取用于識別操作目標電器的信息(諸如模型名稱和模型數量)，作為操作目標電器的電器標記。
例如，作為操作目標電器的電器標記的模型名稱、模型編號等可以通過搜索互聯網中用于電器標記的服務器而獲取并且經由通信單元114下載電器標記。
另外，作為操作目標電器的電器標記的模型名稱、模型編號等可以通過與操作目標電器經由通信單元114通信而獲取。
進一步，例如，識別單元132基于從圖像傳感器122L和圖像傳感器122R提供的操作目標電器的圖像信號，識別操作目標電器的操作狀態(tài)。識別單元132獲取表示操作狀態(tài)的操作狀態(tài)標記。
具體地，例如，當識別操作目標電器斷電或通電作為操作目標電器的操作狀態(tài)時，通過生成斷電或通電作為操作狀態(tài)標記，識別單元132獲取各自表示電源關閉或打開的字符串“斷電”或“通電”。
進一步，例如，當識別操作目標電器的操作模式是節(jié)能模式作為操作目標電器的操作狀態(tài)時，通過生成節(jié)能模式作為操作狀態(tài)標記，識別單元132獲取表示節(jié)能模式的字符串“節(jié)能模式”。
應當注意，例如，除了基于操作目標電器的圖像信號的識別以外，識別單元132通過與操作目標電器經由通信單元114通信還能夠識別操作目標電器以及操作目標電器的操作狀態(tài)。
進一步，例如，識別132通過詢問用戶操作目標電器以及操作目標電器的操作狀態(tài)，而能夠識別操作目標電器以及操作目標電器的操作狀態(tài)。
具體地，例如，媒介14利用合成聲音等詢問用戶操作目標電器以及操作目標電器的操作狀態(tài)，并且識別問題的答案作為用戶的語音。以這種方式，可以識別操作目標電器以及操作目標電器的操作狀態(tài)。
在這種情況下，例如，可以采用作為用戶的語音的答案的語音識別結果，作為電器標記或操作狀態(tài)標記。
例如，位置檢測器133通過利用GPS(全球定位系統(tǒng))檢測操作目標電器的位置。位置檢測器133輸出表示該位置的位置信息。
例如，可以限定絕對三維坐標系統(tǒng)并且可以采用三維坐標系統(tǒng)的坐標作為操作目標電器的位置信息。進一步，例如，媒介14可以通過創(chuàng)建地圖而獲取用戶的房子的地圖，并且例如，伴隨地圖中的預定位置作為地圖中的參考或定位(例如起居室、臥室)，可以采用坐標系中的坐標作為操作目標電器的位置信息。
操作控制器134控制由媒介14相對于操作目標電器進行的操作。
具體地，操作控制器134確定要在操作目標電器上執(zhí)行哪個操作并且請求動作確定器131執(zhí)行該操作。動作確定器131確定媒介14的動作使得執(zhí)行根據操作控制器134的請求的操作，并且驅動必要的致動器。
經由網絡15請求解聚裝置16檢測用戶的房子中的電器的操作狀態(tài)。然后，通知控制器135獲取表示用戶的房子中的電器的操作狀態(tài)的操作狀態(tài)標記，該操作狀態(tài)標記響應于用于檢測操作狀態(tài)的請求而從解聚裝置16發(fā)送。然后，通知控制器135根據操作狀態(tài)標記控制電器的操作狀態(tài)的通知。
具體地，如稍后將描述，在必要時，解聚裝置16將表示用戶的房子中的電器的操作狀態(tài)的操作狀態(tài)標記經由網絡15發(fā)送至媒介14。
當從解聚裝置16發(fā)送表示用戶的房子中的電器的操作狀態(tài)的操作狀態(tài)標記時，通知控制器135經由通信單元114從解聚裝置16獲取該操作狀態(tài)標記。然后，通知控制器135根據操作狀態(tài)標記請求動作確定器131通知電器的操作狀態(tài)。例如，根據操作控制器134的請求，動作確定器131確定將電器的操作狀態(tài)作為音頻輸出、生成用于通知電器的操作狀態(tài)的合成聲音以及促使揚聲器123經由D/A轉換器113輸出該聲音。
表生成器136將通過識別單元132獲得的電器(操作目標電器)的電器標記與通過位置檢測器133獲得的電器的位置信息相關聯。表生成器136將它們記錄在存儲于半導體存儲器115中的電器表內。
在此，記錄在電器表中的電器(操作目標電器)的電器標記和位置信息從通信單元114經由網絡15發(fā)送至解聚裝置16。
進一步，在操作控制器134的控制之下，媒介14操作操作目標電器并且識別單元132在操作之后識別操作目標電器的操作狀態(tài)。當獲取了操作狀態(tài)的操作狀態(tài)標記時，操作狀態(tài)標記從通信單元114經由網絡15發(fā)送至解聚裝置16。
應當注意，例如，操作控制器134能夠在互聯網中的服務器上搜索可以由操作目標電器采取的操作狀態(tài)作為操作目標電器的操作狀態(tài)，并且從可以由操作目標電器采取的操作狀態(tài)當中選擇應當由操作目標電器采取的操作狀態(tài)作為指令操作狀態(tài)。在這種情況下操作控制器134能夠控制相對于操作目標電器的操作以便獲得指令操作狀態(tài)。此外，在這種情況下，識別單元132能夠識別指令操作狀態(tài)作為操作目標電器的操作狀態(tài)。
圖16是示出存儲在圖15的半導體存儲器115中的電器表的實例的示圖。
在電器表中，通過識別單元132獲得的電器的電器標記以及通過位置檢測器133獲得的電器的位置信息彼此相關聯地記錄。
例如，媒介14在用戶的房子中獨立地移動。在移動期間，識別單元132基于從圖像傳感器122L和圖像傳感器122R經由A/D轉換器112供應至控制器111的圖像信號識別電器。識別單元132選擇該電器作為候選電器(即操作目標電器的候選)。
此外，識別單元132獲取候選電器的電器標記并且促使位置信息檢測器133檢測候選電器的位置信息。然后，識別單元132確定一組電器標記和候選電器的位置信息是否已被記錄在電器表中。
當該組電器標記和候選電器的位置信息已被記錄在電器表中時，識別單元132識別該已經選擇該候選電器作為操作目標電器。然后，識別單元132重新選擇另一電器作為候選電器。隨后，重復類似處理。
另一方面，當該組電器標記和候選電器的位置信息沒有記錄在電器表中時，識別單元132選擇候選電器作為操作目標電器。然后，識別單元132控制表生成器136將操作目標電器(其已是候選電器)的電器標記與位置信息相關聯，并且將它們記錄在存儲于半導體存儲器115內的電器表中。
<標記獲取單元35的配置實例>
圖17是示出當媒介14與解聚裝置16協(xié)同操作時圖5的標記獲取單元35的配置實例的框圖。
標記獲取單元35包括獲取單元201和獲取單元202、標記單元203、對應存儲單元204以及控制器205。
(電器信息)獲取單元201獲取從媒介14經由網絡15發(fā)送的并且通過通信單元30(圖5)接收的操作目標電器的電器信息。獲取單元201將電器信息提供至標記單元203。
在此，操作目標電器的電器信息是有關操作目標電器的信息。在這個實施方式中，電器信息包括操作目標電器的電器標記、位置信息以及操作狀態(tài)標記。
(可能性信息)獲取單元202利用用戶的房子的電流波形Yt，從狀態(tài)估計單元32(的估計器42)獲取從解聚得到的狀態(tài)概率(后驗概率)<S(m)t>。獲取單元202將該狀態(tài)概率提供至標記單元203。
在此，可以說在如上所述通過解聚裝置16執(zhí)行的解聚中，利用電流波形Yt(即關于通過用戶的房子中的所有電器消耗的電流的總和的總和數據)更新(確定)每個因子#m的狀態(tài)#k中的每一個的特定波形W(m)k(表示在電器中的每一個的操作狀態(tài)中的每一個內的電流消耗的圖案信息)，使得電器的電流消耗分離(特定波形W(m)k與電流波形Yt分離，作為電器#m中的對應于因子#m的狀態(tài)#k的操作狀態(tài)中的電流消耗)。
可以說在特定波形W(m)k(即圖案信息)的更新中，關于特定波形W(m)k，利用電流波形Yt確定狀態(tài)概率<S(m)t>(即表示通過對應于因子#m的電器#m消耗由特定波形W(m)k表示的電流消耗的概率)，并且基于狀態(tài)概率<S(m)t>(即可能性信息)更新特定波形W(m)k(圖案信息)。
在上述解聚中，獲取單元202從狀態(tài)估計單元32獲取狀態(tài)概率<S(m)t>(即可能性信息)，狀態(tài)概率<S(m)t>通過狀態(tài)估計單元32相對于特定波形W(m)k(具有特定波形W(m)k的狀態(tài)#k)而獲得。
標記單元203基于狀態(tài)概率<S(m)t>(即來自獲取單元202的可能性信息)確定特定波形W(m)k(即表示在操作目標電器的電流操作狀態(tài)下消耗的電流消耗的圖案信息)。標記單元203執(zhí)行將操作目標電器的電器標記和操作狀態(tài)標記(即來自獲取單元201的電器信息)與特定波形W(m)k(具有特定波形W(m)k的狀態(tài)#k)相關聯的標記。
然后，標記單元203將從標記得到的對應信息記錄在存儲于對應存儲單元204內的對應表中。
對應存儲單元204存儲對應表。
例如，控制器205監(jiān)測標記單元203?；诒O(jiān)測的結果，控制器205與媒介14(的通信單元114)經由通信單元30(圖5)和網絡15交換必要的消息。
圖18是示出存儲在圖17的對應存儲單元204中的對應表的實例的示圖。
對應信息記錄在對應表中。
相對于用戶的房子中的電器，電器標記、位置信息以及對應于電器的因子#m(因子編號#m作為用于識別因子#m的信息)和狀態(tài)地圖關聯作為對應信息。
在狀態(tài)地圖中，對應于電器#m的因子#m的狀態(tài)#k(狀態(tài)編號#k作為用于識別狀態(tài)#k的信息)與電器#m的操作狀態(tài)的操作狀態(tài)標記相關聯。
在此，根據對應信息中的電器標記和因子#m，能夠識別對應于由電器標記表示的電器的因子#m并且識別對應于因子#m的電器的電器標記。
進一步，根據對應信息中的電器標記和狀態(tài)地圖，能夠識別與由電器標記表示的電器的操作狀態(tài)對應的因子#m的狀態(tài)#k并且識別與因子#m(對應于因子#m的電器)的狀態(tài)#k對應的電器的操作狀態(tài)的操作標記。
具體地，在狀態(tài)地圖中，對應于電器#m的因子#m的狀態(tài)#k與該電器#m的操作狀態(tài)的操作狀態(tài)標記相關聯。因此，可以識別因子#m的狀態(tài)#k與對應于該因子#m的電器的操作狀態(tài)(的操作狀態(tài)標記)之間的對應。
在此，因子#m的狀態(tài)#k具有特定波形W(m)k(即圖案信息)。因此，可以說在狀態(tài)地圖中，電器#m(其中消耗由特定波形W(m)k表示的電流)的操作狀態(tài)的操作狀態(tài)標記應用至特定波形W(m)k(即圖案信息)。
進一步，在對應信息中，狀態(tài)地圖與電器標記相關聯，其中在狀態(tài)地圖中以上提及的操作狀態(tài)標記應用至特定波形W(m)k(即圖案信息)(具有特定波形W(m)k的狀態(tài)#k)。因此，也可以說電器#m(其中消耗由特定波形W(m)k表示的電流)的電器標記應用至特定波形W(m)k(即圖案信息)。
因此，可以說在對應信息中，電器(其中消耗由特定波形W(m)k表示的電流)的電器標記和該電器的操作狀態(tài)的操作狀態(tài)標記應用至特定波形W(m)k(即圖案信息)。
根據對應信息，可以識別對應于因子#m的電器的電器標記。此外，根據對應信息可以識別對應于因子#m的狀態(tài)#k的(電器#m的)操作狀態(tài)。
<標記處理>
圖19是示出通過圖15的媒介14執(zhí)行的處理作為用于將對應信息記錄在對應表中的標記處理的實例的流程圖。
在步驟S101中，例如，識別單元132基于從圖像傳感器122L和圖像傳感器122R經由A/D轉換器112供應至控制器111的圖像信號，檢測(識別)存在于媒介14的視野內的所謂的電器。識別單元132選擇電器中的任一個作為候選電器。然后，處理進行至步驟S102。
在步驟S102中，識別單元132生成(獲取)候選電器的電器標記，位置信息檢測器133檢測候選電器的位置信息。然后，處理進行至步驟S103。
在步驟S103中，基于候選電器的一組電器標記和位置信息，識別單元132確定候選電器是否沒有記錄在電器表(圖16)中。
當在步驟S102中確定沒有未記錄候選電器時，即當候選電器的一組電器標記和位置信息已被記錄在電器表中時，處理返回至步驟S101并且然后重復類似處理。
進一步，當在步驟S102中確定沒有記錄候選電器時，即當候選電器的一組電器標記和位置信息沒有記錄在電器表中時，處理進行至步驟S104。然后，識別單元132選擇該候選電器作為操作目標電器。然后，識別單元132控制表生成器136將操作目標電器的電器標記和位置信息彼此相關聯地記錄在存儲于半導體存儲器115內的電器表中。
此外，在步驟S104中，識別單元132控制通信單元114將操作目標電器的電器標記和位置信息發(fā)送至解聚裝置16。然后，處理進行至步驟S105。
在此，從媒介14的通信單元114發(fā)送的操作目標電器的電器標記和位置信息通過解聚裝置16的通信單元30(圖5)接收并且經由網絡15供應至標記獲取單元35(圖17)。
在步驟S105中，操作控制器134等待來自解聚裝置16的RESULT：READY消息，并且促使媒介14操作操作目標電器使得操作目標電器進入預定操作狀態(tài)(例如，通電的操作狀態(tài))。然后，處理進行至步驟S106。
在此，RESULT：READY消息是表示如下事實的消息，即在解聚裝置16(圖17)的標記獲取單元35中完成用于將對應信息記錄在對應表(圖18)中的準備。RESULT：READY消息從標記獲取單元35的控制器205經由通信單元30(圖5)和網絡15發(fā)送至媒介14。如上所述從解聚裝置16發(fā)送至媒介14的RESULT：READY消息通過通信單元114接收并且提供至操作控制器134。
在步驟S106中，識別單元132識別操作目標電器的操作狀態(tài)并且生成(獲取)表示操作狀態(tài)的操作狀態(tài)標記。然后，處理進行至步驟S107。
在步驟S107中，識別單元132控制通信單元114將操作目標電器的操作狀態(tài)的操作狀態(tài)標記發(fā)送至解聚裝置16。然后，處理進行至步驟S108。
在此，從媒介14的通信單元114發(fā)送的操作目標電器標記的操作狀態(tài)通過解聚裝置16的通信單元30(圖5)接收并且經由網絡15提供至標記獲取單元35(圖17)。
在步驟S108中，操作控制器134確定是否已從解聚裝置16接收RESULT：FINISHED消息。
在此，RESULT：FINISHED消息是表示如下事實的消息，即操作目標電器的對應信息已記錄在解聚裝置16(圖17)的標記獲取單元35內的對應表(圖18)中。RESULT：FINISHED消息從標記獲取單元35的控制器205經由通信單元30(圖5)和網絡15發(fā)送至媒介14。
在步驟S108中，確定是否已從解聚裝置16發(fā)送并且通過通信單元114(圖15)接收以上提及的RESULT：FINISHED消息。
當在步驟S108中確定沒有接收RESULT：FINISHED消息時，即當操作目標電器的對應信息沒有記錄在解聚裝置16的標記獲取單元35內的對應表中時，處理進行至步驟S109。然后，操作控制器134確定是否已從解聚裝置16接收RESULT：MORE消息。
在此，RESULT：MORE消息是用于請求將操作目標電器的操作狀態(tài)改變?yōu)榱硪徊僮鳡顟B(tài)的消息，并且RESULT：MORE消息從標記獲取單元35(圖17)的控制器205經由通信單元30(圖5)和網絡15發(fā)送至媒介14。
在步驟S109中，確定是否已從解聚裝置16發(fā)送并且通過通信單元114(圖15)接收以上提及的RESULT：MORE消息。
當在步驟S109中確定沒有接收RESULT：MORE消息時，處理返回至步驟S108并且然后重復類似處理。
另一方面，當在步驟S109中確定已接收RESULT：MORE消息時，處理進行至步驟S110。然后，操作控制器134促使媒介14操作操作目標電器使得操作目標電器進入與當前操作狀態(tài)不同的操作狀態(tài)(例如，使得電源從接通操作狀態(tài)轉換為關閉操作狀態(tài))。然后，處理進行至步驟S111。
在步驟S110中通過媒介進行的操作之后，在步驟S111中，識別單元132識別操作目標電器的操作狀態(tài)并且生成(獲取)表示該操作狀態(tài)的操作狀態(tài)標記。然后，處理進行至步驟S112。
在步驟S110中通過媒介進行的操作之后，在步驟S112中，識別單元132控制通信單元114將操作目標電器的操作狀態(tài)的操作狀態(tài)標記發(fā)送至解聚裝置16。然后，處理返回至步驟S108并且然后重復類似處理。
然后，當在步驟S108中確定已接收RESULT：FINISHED消息時，即當操作目標電器的對應信息已記錄在解聚裝置16的標記獲取單元35內的對應表(圖18)中時，處理返回至步驟S101并且然后重復類似處理。
圖20是示出通過解聚裝置16(圖17)的標記獲取單元35執(zhí)行的處理作為用于將對應信息記錄在對應表中的標記處理的實例的流程圖。
在步驟S121中，獲取單元201等待操作目標電器的電器標記和位置信息從媒介14到來并且獲取電器標記和位置信息。
換言之，在圖19的步驟S104中，媒介14發(fā)送操作目標電器的電器標記和位置信息。來自媒介14的操作目標電器的電器標記和位置信息通過解聚裝置16(圖5)的通信單元30接收。因此，獲取單元201獲取已通過通信單元30接收的操作目標電器的電器標記和位置信息，并且將它們提供至標記單元203。
當操作目標電器的電器標記和位置信息從獲取單元201提供至標記單元203時，控制器205生成RESULT：READY消息，RESULT：READY消息表示完成用于將對應信息記錄在對應表(圖18)中的準備的事實。然后，控制器205將RESULT：READY消息從通信單元30(圖5)發(fā)送至媒介14。然后，處理從步驟S121進行至步驟S122。
在步驟S122中，獲取單元201等待操作目標電器的操作狀態(tài)的操作狀態(tài)標記從媒介14到來并且獲取該操作狀態(tài)標記。
換言之，在圖19的步驟S107和步驟S122中，媒介14發(fā)送操作目標電器的操作狀態(tài)的操作狀態(tài)標記。來自媒介14的操作目標電器的操作狀態(tài)的操作狀態(tài)標記通過解聚裝置16(圖5)的通信單元30接收。因此，獲取單元201獲取已通過通信單元30接收的操作目標電器的操作狀態(tài)的操作狀態(tài)標記，并且將其提供至標記單元203。
此后，處理從步驟S122進行至步驟S123。當操作目標電器處于當前操作狀態(tài)時，獲取單元202從狀態(tài)估計單元32(圖5)獲取狀態(tài)概率(后驗概率)<S(m)t>，其中狀態(tài)概率<S(m)t>是有關特定波形W(m)k的可能性信息，作為每個因子#m的狀態(tài)#k的圖案信息的特定波形W(m)k利用用戶的房子的電流波形Yt從解聚得到。獲取單元202將狀態(tài)概率<S(m)t>提供至標記單元203。然后，處理進行至步驟S124。
在步驟S124中，標記單元203基于來自獲取單元202的狀態(tài)概率<S(m)t>，確定特定波形W(m)k(即每個因子#m的狀態(tài)#k的圖案信息)的目標特定波形W(m)k，目標特定波形W(m)k表示在操作目標電器的當前操作狀態(tài)下消耗的電流消耗。然后，處理進行至步驟S125。
在此，例如，在步驟S124中，在所有因子#1至#M的所有狀態(tài)#1至#k的特定波形W(1)1、W(1)2、、...、W(1)k、W(2)1、W(2)2、...、W(1)K、...W(m)1、W(m)2、...、W(m)k當中，由于在操作目標電器的操作狀態(tài)改變之前的狀態(tài)概率與操作狀態(tài)改變之后的狀態(tài)概率進行比較，狀態(tài)概率<S(m)t>的增加的量相對于(因子#m的狀態(tài)#k的)特定波形是最大的，那么可以確定該特定波形作為目標特定波形W(m)k。
應當注意，例如，如果操作目標電器的操作狀態(tài)從未改變，那么可以確定相對于特定波形的狀態(tài)概率<S(m)t>是最低的該特定波形等作為目標特定波形W(m)k。
在步驟S125中，基于目標特定波形W(m)k的狀態(tài)概率<S(m)t>，即具有目標特定波形W(m)k的因子#m的狀態(tài)#k的狀態(tài)概率<S(m)t>，標記單元203對于目標特定波形W(m)k表示在操作目標電器的當前操作狀態(tài)下的電流消耗的可能性作出確定。
在步驟S125中，例如，當目標特定波形W(m)k的狀態(tài)概率<S(m)t>是大于或等于1.0附近的閾值并且小于1.0的概率時，確定目標特定波形W(m)k是可能的。當目標特定波形W(m)k的狀態(tài)概率<S(m)t>不是大于或等于閾值的概率時，確定目標特定波形W(m)k是不可能的。
當在步驟S125中確定目標特定波形W(m)k不可能時，處理進行至步驟S126。然后，控制器205生成RESULT：MORE消息以將操作目標電器的操作狀態(tài)改變?yōu)榱硪徊僮鳡顟B(tài)以便改變操作目標電器的電流消耗，并且將RESULT：MORE消息從通信單元30(圖5)發(fā)送至媒介14。然后，處理從步驟S126返回至步驟S122并且然后重復類似處理。
另一方面，當在步驟S125中確定目標特定波形W(m)k可能時，處理進行至步驟S127。標記單元203生成對應信息(圖18)，其中來自獲取單元201的操作目標電器的電器標記和位置信息以及操作狀態(tài)標記與目標特定波形W(m)k相關聯。
具體地，標記單元203將其中的狀態(tài)#k具有目標特定波形W(m)k的因子#m設定為對應于操作目標電器的對應因子#m。標記單元203將對應因子#m(的因子編號#m)與操作目標電器的電器標記和位置信息相關聯，并且將它們添加至操作目標電器的對應信息。
此外，標記單元203將具有目標特定波形W(m)k的對應因子#m的狀態(tài)#k設定為對應于操作目標電器的當前操作狀態(tài)的對應狀態(tài)#k。標記單元203將操作目標電器的當前操作狀態(tài)的對應狀態(tài)#k(的狀態(tài)編號#k)和操作狀態(tài)標記與操作目標電器的對應信息的狀態(tài)地圖(圖18)相關聯并且記錄它們。
然后，標記單元203將操作目標電器的對應信息記錄在對應存儲單元204的對應表中。然后，處理進行至步驟S128。
在步驟S128中，控制器205生成RESULT：FINISHED消息并且促使通信單元30(圖5)將該消息發(fā)送至媒介14，RESULT：FINISHED消息表示操作目標電器的對應信息已記錄在對應表中的事實。然后處理從步驟S128返回至步驟S121并且然后重復類似處理。
如上所述，在用戶的房子中的媒介14內，操作操作目標電器并且識別操作目標電器的操作狀態(tài)。然后，表示操作目標電器的電器標記和表示操作目標電器的操作狀態(tài)的操作狀態(tài)標記從媒介14發(fā)送至解聚裝置16。
另一方面，在解聚裝置16中，獲取來自媒介14的操作目標電器標記和操作狀態(tài)標記，并且獲取利用用戶的房子的電流波形Y從解聚得到的作為可能性信息的狀態(tài)概率<S(m)t>。然后，在解聚裝置16中，基于狀態(tài)概率<S(m)t>(即該可能性信息)，確定表示在操作目標電器的當前操作狀態(tài)下消耗的電流消耗的特定波形W(m)k(即圖案信息)。操作目標電器的電器標記和操作狀態(tài)標記與特定波形W(m)k(即該圖案信息)相關聯。
因此，通過媒介14操作電器，改變電器的電流消耗。因此能夠利用具有該電流消耗的電流波形Y快速執(zhí)行解聚裝置16中的解聚。
此外，媒介14將表示電器的電器標記和表示電器的操作狀態(tài)的操作狀態(tài)標記發(fā)送至解聚裝置16。在解聚裝置16中，基于狀態(tài)概率<S(m)t>(即可能性信息)，電器標記和操作狀態(tài)標記與特定波形W(m)k(即圖案信息)相關聯，其中狀態(tài)概率<S(m)t>表示消耗由特定波形W(m)k(即圖案信息)表示的電流消耗的概率。
即根據電器標記和操作狀態(tài)標記，其中電流消耗通過圖案信息表示的電器正在消耗并且該電器的操作狀態(tài)可以以人可以識別它們的這種方式呈現，電器標記和操作狀態(tài)標記與圖案信息相關聯。
應當注意，在媒介14中，除了根據從解聚裝置16發(fā)送至媒介14的RESULT：MORE消息改變以外，操作目標電器的操作狀態(tài)可以獨立地改變。即媒介14能夠獨立地采取操作操作目標電器的動作，以便改變操作目標電器的操作狀態(tài)。
<數據輸出單元36的配置實例>
圖21是示出當媒介14與解聚裝置16協(xié)同操作時圖5的數據輸出單元36的配置實例的框圖。
數據輸出單元36包括獲取單元211、檢測目標存儲單元212以及操作狀態(tài)檢測器213。
(操作狀態(tài)檢測請求)獲取單元211獲取用于請求檢測電器的操作狀態(tài)的操作狀態(tài)檢測請求消息并且將該消息提供至檢測目標存儲單元212，其中操作狀態(tài)檢測請求消息從媒介14經由網絡15發(fā)送并且通過通信單元30(圖5)接收。
檢測目標存儲單元212存儲檢測列表(即用于記錄檢測目標電器的電器標記的列表)，其中檢測目標電器是設定作為操作狀態(tài)的檢測目標的電器。該列表包括在來自獲取單元211的操作狀態(tài)檢測請求消息中。
在此，通過媒介14發(fā)送的操作狀態(tài)檢測請求消息包括檢測目標電器的電器標記。
操作狀態(tài)檢測器213指存儲在標記獲取單元35的對應存儲單元204中的對應表(圖18)。操作狀態(tài)檢測器213檢測檢測目標電器的當前操作狀態(tài)，其中檢測目標電器的電器標記已記錄在存儲于檢測目標存儲單元212內的檢測列表中。
具體地，操作狀態(tài)檢測器213從對應表中選擇包括存儲在檢測目標存儲單元212中的電器標記的對應信息作為目標對應信息，并且從狀態(tài)估計單元32獲取包括在目標對應信息中的狀態(tài)概率<S(m)t>(即因子#m的每個狀態(tài)#k的可能性信息)。
此外，操作狀態(tài)檢測器213基于因子#m的每個狀態(tài)#k的狀態(tài)概率<S(m)t>(狀態(tài)概率<S(m)t>包括在目標對應信息中)，檢測在因子#m的狀態(tài)#k當中具有最高狀態(tài)概率<S(m)t>的狀態(tài)#k(狀態(tài)#k包括在該目標對應信息中)。檢測到狀態(tài)#k作為對應于檢測目標電器的當前操作狀態(tài)的狀態(tài)。
然后，操作狀態(tài)檢測器213促使通信單元30(圖5)將操作狀態(tài)標記發(fā)送至媒介14。操作狀態(tài)標記與在目標對應信息的狀態(tài)地圖中具有最高狀態(tài)概率<S(m)t>的狀態(tài)#k相關聯。操作狀態(tài)標記作為表示檢測目標電器的當前操作狀態(tài)的目標操作狀態(tài)標記而發(fā)送。操作狀態(tài)標記與檢測目標電器的電器標記一起發(fā)送。
<操作狀態(tài)通知處理>
圖22是示出通過圖15的媒介14執(zhí)行的處理作為通知用戶用戶的房子中的電器的操作狀態(tài)的操作狀態(tài)通知處理的實例的流程圖。
在步驟S141中，通知控制器135從電器中確定檢測目標電器(即設定作為檢測目標電器的電器)，其中電器的電器標記已記錄在存儲于半導體存儲器115(圖16)內的電器表中。
在此，例如，在通知控制器135中，在其電器標記已記錄在電器表中的電器當中，可以確定其操作狀態(tài)不能通過媒介14從當前定位識別的一個或多個電器(例如，不能通過圖像傳感器122L和圖像傳感器122R從當前定位捕捉的電器)作為檢測目標電器。
在確定檢測目標電器之后，通知控制器135包括檢測目標電器的電器標記。通知控制器135促使通信單元114將用于請求檢測檢測目標電器的操作狀態(tài)的操作狀態(tài)檢測請求消息發(fā)送至解聚裝置16。
例如，當檢測目標電器的電器標記是“TV#1，”時，發(fā)送包括電器標記并且請求檢測檢測目標電器的操作狀態(tài)的MONITOR：TV#1消息作為操作狀態(tài)檢測請求消息。
在發(fā)送操作狀態(tài)檢測請求消息之后，通知控制器135等待RESULT：FINISHED消息從解聚裝置16到來，其中RESULT：FINISHED消息表示完成接收用于檢測檢測目標電器的操作狀態(tài)的請求。通知控制器135獲取RESULT：FINISHED消息。然后，處理從步驟S141進行至步驟S142。
具體地，解聚裝置16從媒介14接收操作狀態(tài)檢測消息并且將RESULT：FINISHED消息發(fā)送至媒介14。在媒介14中，通信單元114從解聚裝置16接收RESULT：FINISHED消息并且將該消息提供至通知控制器135。通知控制器135從媒介14獲取以這種方式通信單元114提供的RESULT：FINISHED消息。
在步驟S142中，通知控制器135等待檢測目標電器的電器標記和操作狀態(tài)標記從解聚裝置16到來，并且通知控制器135獲取電器標記和操作狀態(tài)標記。然后，處理進行至步驟S143。
具體地，解聚裝置16檢測檢測目標電器的操作狀態(tài)并且將操作狀態(tài)的操作狀態(tài)標記與檢測目標電器的電器標記一起發(fā)送。在媒介14中，通信單元114從解聚裝置16接收檢測目標電器的電器標記和操作狀態(tài)標記，并且將該電器標記和操作狀態(tài)標記提供至通知控制器135。因此，通知控制器135獲取以這種方式從通信單元114提供的檢測目標電器的電器標記和操作狀態(tài)標記。
在步驟S143中，通知控制器135根據在步驟S142中獲取的操作狀態(tài)標記，通知用戶電器標記的檢測目標電器的操作狀態(tài)，電器標記在步驟S142中類似地獲取。然后，處理進行至步驟S144。
具體地，例如，通知控制器135促使媒介14將消息作為合成聲音輸出，該消息表示電器標記的檢測目標電器處于由操作狀態(tài)標記表示的操作狀態(tài)的事實。
可替換地，通知控制器135能夠經由通信單元114與在用戶的房子中的電器之外的顯示裝置通信，并且通知控制器135促使顯示裝置將消息作為音頻輸出并且輸出屏幕顯示該消息，該消息表示電器標記的檢測目標電器處于由操作狀態(tài)標記表示的操作狀態(tài)的事實。
另外，例如，通過經由通信單元114與通知控制器135通信，通知控制器135能夠將如下消息發(fā)送至便攜式終端(諸如由用戶持有的智能手機)，該消息表示電器標記的檢測目標電器處于由操作狀態(tài)標記表示的操作狀態(tài)。以這種方式，能夠通知用戶檢測目標電器的操作狀態(tài)。
在步驟S144中，通知控制器135等待RESULT：CHANGE消息、檢測目標電器的電器標記以及操作狀態(tài)標記從解聚裝置16到來，其中RESULT：CHANGE消息表示檢測目標電器的操作狀態(tài)已改變的事實，操作狀態(tài)標記表示在改變之前和改變之后的操作狀態(tài)中的每一個。然后，通知控制器135獲取RESULT：CHANGE消息、電器標記以及操作狀態(tài)標記。然后，處理進行至步驟S145。
具體地，解聚裝置16檢測檢測目標電器的操作狀態(tài)。當操作狀態(tài)改變時，解聚裝置16發(fā)送檢測目標電器的電器標記以及操作狀態(tài)標記還有RESULT：CHANGE消息，其中操作狀態(tài)標記表示在改變之前和改變之后的操作狀態(tài)中的每一個。在媒介14中，通信單元114從解聚裝置16接收RESULT：CHANGE消息、檢測目標電器的電器標記以及表示在改變之前和改變之后的操作狀態(tài)中的每一個的操作狀態(tài)標記，并且將它們提供至通知控制器135。因此，通知控制器135獲取以這種方式從通信單元114提供的RESULT：CHANGE消息、檢測目標電器的電器標記以及表示在改變之前和改變之后的操作狀態(tài)中的每一個的操作狀態(tài)標記。
在步驟S145中，根據在步驟S144中獲取的操作狀態(tài)標記，通知控制器135通知用戶電器標記的檢測目標電器的操作狀態(tài)(中的改變)，電器標記在步驟S144中類似地獲取。然后，處理終止。
具體地，例如，假設檢測目標電器的電器標記是表示某個TV的“TV#1”，表示改變之前的操作狀態(tài)的操作狀態(tài)標記表示斷電，并且表示改變之后的操作狀態(tài)的操作狀態(tài)標記表示通電。在這種情況下，例如，在媒介14中生成說“TV#1通電”的消息并且參考步驟S143將該消息以如上所述的方式輸出。因此，能夠通知用戶檢測目標電器的操作狀態(tài)(中的改變)。
應當注意，在解聚裝置16中，檢測目標電器的電器標記和操作狀態(tài)標記還有該檢測目標電器的位置信息也可以發(fā)送至媒介14。
在這種情況下，在媒介14中可以利用檢測目標電器的位置信息，生成用于通知用戶檢測目標電器的操作狀態(tài)(中的改變)的消息。
具體地，例如，假設檢測目標電器的電器標記是表示某個TV的“TV#1”，表示改變之前的操作狀態(tài)的操作狀態(tài)標記表示斷電的事實，并且表示改變之后的操作狀態(tài)的操作狀態(tài)標記表示通電的事實。在這種情況下，例如，如果可以基于檢測目標電器的位置信息識別檢測目標電器放置在用戶的房子中的起居室內，那么媒介14能夠利用檢測目標電器的位置信息生成說“某人在起居室內開始看TV#1”的消息。
進一步，例如，假設檢測目標電器的電器標記是表示某些燈的標記，表示改變之前的操作狀態(tài)的操作狀態(tài)標記表示燈關閉的事實，并且表示改變之后的操作狀態(tài)的操作狀態(tài)標記表示燈打開的事實。在這種情況下，例如，如果可以基于檢測目標電器的位置信息識別作為檢測目標電器的燈放置在用戶的房子中的入口，那么媒介14能夠利用檢測目標電器的位置信息生成說“入口的燈(臺燈)打開了”的消息。
圖23是示出通過解聚裝置16的數據輸出單元36(圖21)執(zhí)行的處理作為通知用戶用戶的房子中的電器的操作狀態(tài)的操作狀態(tài)通知處理的實例的流程圖。
在步驟S151中，獲取單元211等待用于請求檢測檢測目標電器的操作狀態(tài)的操作狀態(tài)檢測請求消息從圖22的步驟S141中的媒介14到來。然后，獲取單元211獲取操作狀態(tài)檢測請求消息。然后，處理進行至步驟S152。
具體地，通過媒介14發(fā)送的操作狀態(tài)檢測請求消息通過解聚裝置16(圖5)的通信單元30接收。因此，獲取單元211獲取通過通信單元30接收的操作狀態(tài)檢測請求消息。
在步驟S152中，獲取單元211將檢測目標電器的電器標記提供至檢測目標存儲單元212，其中檢測目標電器的電器標記包括在操作狀態(tài)檢測請求消息中。然后，獲取單元211將該電器標記記錄在存儲于檢測目標存儲單元212內的檢測列表中。
然后，獲取單元211生成RESULT：FINISHED消息，RESULT：FINISHED消息表示完成接收用于檢測檢測目標電器的操作狀態(tài)的請求，并且獲取單元211促使(圖5)通信單元30發(fā)送至媒介14。然后，處理從步驟S152進行至步驟S153。
在步驟S153中，操作狀態(tài)檢測器213從狀態(tài)估計單元32(圖5)獲取狀態(tài)概率(后驗概率)<S(m)t>。狀態(tài)概率(后驗概率)<S(m)t>是作為特定波形W(m)k的可能性信息的狀態(tài)概率(后驗概率)<S(m)t>，特定波形W(m)k作為每個因子#m的狀態(tài)#k中的每一個的圖案信息，狀態(tài)概率(后驗概率)<S(m)t>利用用戶的房子中的電流波形Yt從解聚得到，電流波形Yt包括電器標記已記錄在檢測目標存儲單元212的檢測列表中的檢測目標電器的電流消耗。然后，處理進行至步驟S154。
在步驟S154中，操作狀態(tài)檢測器213指存儲在對應存儲單元204中的對應表(圖18)。然后，操作狀態(tài)檢測器213識別與檢測目標電器的電器標記相關聯的因子#m，作為對應于檢測目標電器的因子#m。
此外，操作狀態(tài)檢測器213指存儲在對應存儲單元204中的對應表(圖18)。操作狀態(tài)檢測器213基于從步驟S153中獲取的狀態(tài)概率<S(m)t>之中的對應于檢測目標電器的因子#m的每個狀態(tài)#k的狀態(tài)概率<S(m)t>，檢測檢測目標電器的當前操作狀態(tài)。
具體地，操作狀態(tài)檢測器213檢測表示如下操作狀態(tài)標記的操作狀態(tài)作為檢測目標電器的操作狀態(tài)，即該操作狀態(tài)標記與在因子#m的狀態(tài)#k當中具有最高狀態(tài)概率<S(m)t>的狀態(tài)#k相關聯，其中因子#m對應于狀態(tài)地圖中的檢測目標電器，檢測目標電器與存儲在對應存儲單元204內的對應表中的檢測目標電器的電器標記相關聯。
此后，處理從步驟S154進行至步驟S155并且操作狀態(tài)檢測器213促使通信單元30(圖5)將檢測目標電器的電器標記和操作狀態(tài)標記(在步驟S154中檢測到的操作狀態(tài)的操作狀態(tài)標記)發(fā)送至媒介14。然后，處理進行至步驟S156。
在此，在步驟S155中，與檢測目標電器的電器標記相關聯地記錄在對應表(圖18)中的檢測目標電器的位置信息也可以與檢測目標電器的電器標記和操作狀態(tài)標記一起發(fā)送至媒介14。
在步驟S156中，操作狀態(tài)檢測器213等待在下一時間點t利用電流波形Yt執(zhí)行用戶的房子中的解聚，例如該解聚包括檢測目標電器的電流消耗。操作狀態(tài)檢測器213從狀態(tài)估計單元32(圖5)獲取每個因子#m的狀態(tài)#k中的每一個的狀態(tài)概率(后驗概率)<S(m)t>，該狀態(tài)概率(后驗概率)<S(m)t>從解聚得到。然后，處理進行至步驟S157。
在步驟S157中，操作狀態(tài)檢測器213基于如在步驟S154中的狀態(tài)概率<S(m)t>，檢測檢測目標電器的當前操作狀態(tài)。然后，處理進行至步驟S158。
在步驟S158中，操作狀態(tài)檢測器213確定檢測目標電器的操作狀態(tài)是否已改變(關于檢測目標電器的操作狀態(tài)的最新的檢測的結果是否與先前的檢測的結果彼此不同)。
當在步驟S158中確定檢測目標電器的操作狀態(tài)沒有改變時，處理返回至步驟S156并且然后重復類似處理。
進一步，當在步驟S158中確定檢測目標電器的操作狀態(tài)已改變時，處理進行至步驟S159，并且操作狀態(tài)檢測器213促使通信單元30(圖5)將表示檢測目標電器的操作狀態(tài)已改變的事實的RESULT：CHANGE消息、檢測目標電器的電器標記以及操作狀態(tài)標記發(fā)送至媒介14，其中操作狀態(tài)標記表示檢測目標電器的操作狀態(tài)改變之前和改變之后的操作狀態(tài)中的每一個。然后，處理進行至步驟S160。
在此，在步驟S159中，與檢測目標電器的電器標記相關聯地記錄在對應表(圖18)中的檢測目標電器的位置信息也可以與RESULT：CHANGE消息、檢測目標電器的電器標記以及操作狀態(tài)標記一起發(fā)送至媒介14。
在步驟S160中，操作狀態(tài)檢測器213從檢測目標存儲單元212的檢測列表中刪除電器標記已發(fā)送至媒介14的檢測目標電器的電器標記。然后，處理終止。
應當注意，當多個(檢測目標電器的)電器標記已記錄在檢測目標存儲單元212的檢測列表中時，相對于由多個電器標記表示的檢測目標電器中的每一個，執(zhí)行步驟S153至步驟S160中的處理。
如上所述，解聚裝置16將檢測目標電器的操作狀態(tài)、以及檢測目標電器的電器標記和操作狀態(tài)標記發(fā)送至媒介14，其中檢測目標電器的操作狀態(tài)基于狀態(tài)概率<S(m)t>(即可能性信息)檢測到。另一方面，媒介14解聚裝置16獲取檢測目標電器的電器標記和操作狀態(tài)標記。例如，當根據操作狀態(tài)標記通知由電器標記表示的檢測目標電器的操作狀態(tài)時，媒介14能夠立刻識別不能從當前定位識別操作狀態(tài)的電器(例如，不能通過圖像傳感器122L和圖像傳感器122R從當前定位捕捉的電器)的操作狀態(tài)，并且將該操作狀態(tài)通知用戶。
應當注意，在媒介14中，用戶的房子中的所有電器(電器標記已記錄在電器表(圖16)中的所有電器)確定作為檢測目標電器，并且因此媒介14能夠實時地識別用戶的房子中的所有電器的操作狀態(tài)。
進一步，在這個實施方式中，媒介14根據從解聚裝置16獲得的檢測目標電器標記的操作狀態(tài)，呈現檢測目標電器的操作狀態(tài)。然而，可替換地，媒介14可以根據從解聚裝置16獲得的檢測目標電器標記的操作狀態(tài)，采取根據檢測目標電器的操作狀態(tài)的動作。
例如，當檢測目標電器是廊燈并且廊燈從關閉轉化為打開時，媒介14能夠識別用戶回家并且采取移動至入口以迎接用戶的動作。
應當注意，盡管在這個實施方式中，采用可移動的媒介14作為控制用戶的房子中的電器的控制裝置，但是除了像媒介14的可移動的機器人以外，還可以采用能夠利用家庭網絡等通過無線通信或有線通信控制電器的通電/斷電、操作模式(中的改變)的設定等的裝置(例如家庭網絡中的服務器)作為控制電器的控制裝置。
進一步，在這個實施方式中，采用的是基于狀態(tài)概率<S(m)t>通過使用電流波形Yt(即總和數據)確定(更新)特定波形W(m)k的分離電器的電流消耗的解聚，狀態(tài)概率<S(m)t>表示消耗由特定波形W(m)k表示的電流消耗的概率，其相對于表示每個電器的每個操作狀態(tài)的電流消耗的特定波形W(m)k獲得。然而，可替換地，例如，除了狀態(tài)概率<S(m)t>以外，還能夠采用利用任意表示消耗由圖案信息表示的電流消耗的概率的可能性信息的解聚。
具體地，例如，通過利用總和數據(電流波形Yt)的預測值與實際總和數據之間的誤差作為可能性信息，其中總和數據利用由圖案信息表示的電流消耗確定，并且基于該誤差采用實際總和數據用于更新圖案信息使得誤差變得更小，而能夠采用分離電器的電流消耗的解聚。
<應用了本技術的計算機的描述>
接下來，以上提及的媒介14和解聚裝置16的處理的序列可以通過硬件執(zhí)行或可以通過軟件執(zhí)行。當處理的序列通過軟件執(zhí)行時，配置軟件的程序安裝到計算機等中。
鑒于此，圖24示出計算機的實施方式的配置實例，在該計算機中安裝了用于執(zhí)行以上提及的處理的序列的程序。
程序可以預先記錄在硬盤305或作為計算機的內置記錄介質的ROM303上。
可替換地，程序可以存儲(記錄)在可移除記錄介質311中。這種可移除記錄介質311可以設置為所謂的封裝軟件。在此，可移除記錄介質311的實例包括柔性磁盤、CD-ROM(光盤只讀存儲器)、MO(磁光)盤、DVD(數字通用光盤)、磁盤以及半導體存儲器。
應當注意，除了從上述可移除記錄介質311安裝在計算機中以外，程序還可以經由通信網絡或廣播網絡下載在計算機中并且可以安裝在合并的硬盤305中。具體地，例如，程序可以從下載部位經由用于數字衛(wèi)星廣播的人造衛(wèi)星無線轉移至計算機并且可以經由網絡(諸如LAN(局域網))和互聯網有線轉移至計算機。
計算機包括內置CPU(中央處理器)302。輸入輸出接口310經由總線301連接至CPU 302。
例如，當通過用戶操作輸入單元307經由輸入輸出接口310輸入指令時，CPU 302相應地執(zhí)行存儲在ROM(只讀存儲器)303中的程序?？商鎿Q地，CPU 302將存儲在硬盤305中的程序加載到RAM(隨機存取存儲器)304并且執(zhí)行該程序。
通過這樣，CPU 302基于以上提及的流程圖執(zhí)行處理，或執(zhí)行通過以上提及的框圖的配置執(zhí)行的處理。然后，例如，在必要時，CPU 302促使輸出單元306將處理的結果經由輸入輸出接口310輸出或促使通信單元308經由輸入輸出接口310發(fā)送處理的結果，用于例如將結果記錄在硬盤305上。
應當注意，輸入單元307由鍵盤、鼠標、麥克風等構成。進一步，輸出單元306由LCD(液晶顯示器)、揚聲器等構成。
在此，在本說明書中，通過計算機根據程序執(zhí)行的處理不必需要按如流程圖中的每一個所描述的順序中的時間序列執(zhí)行。具體地，通過計算機根據程序執(zhí)行的處理也包括并且執(zhí)行或單獨執(zhí)行的處理(例如并行處理或對象處理)。
進一步，程序可以通過單個計算機(處理器)處理或可以通過多個計算機分布并且處理。此外程序可以轉移至遠程計算機并且由遠程計算機執(zhí)行。
進一步，如本文中使用的術語“系統(tǒng)”指多個部件(裝置、模塊(部分)等)的集合。所有部件可以封裝在相同的殼體中或不需要封裝在相同的殼體中。因此，封裝在分離的殼體中并且經由網絡互相連接的多個裝置，以及包括封裝在單個殼體中的多個模塊的單個裝置都是系統(tǒng)。
應當注意，本技術的實施方式不限于以上提及的實施方式，并且可以對實施方式作出各種修改而不偏離本技術的主旨。
例如，本技術可以采取云計算配置，其中單個功能經由網絡分布至多個裝置并且通過多個裝置以協(xié)同方式處理。
進一步，以上參考流程圖描述的步驟可以通過單個裝置執(zhí)行，并且還可以分布至多個裝置且通過多個裝置執(zhí)行。
此外，當單個步驟包括多個處理時，單個步驟中的多個處理可以通過單個裝置執(zhí)行，并且還可以分布至多個裝置且通過多個裝置執(zhí)行。
進一步，本文中描述的效果僅是實例并非限制性的，并且可以提供其他效果。
應當注意，本技術可以采取以下配置。
<1>
信息處理裝置，包括：
電器信息獲取單元，從控制裝置獲取電器標記和操作狀態(tài)標記，其中控制裝置
操作電器，
識別電器的操作狀態(tài)，并且
發(fā)送表示電器的電器標記和表示電器的操作狀態(tài)的操作狀態(tài)標記；
可能性信息獲取單元，基于可能性信息利用有關由電器消耗的電流的總和的總和數據更新圖案信息，其中可能性信息表示消耗由圖案信息表示的電流消耗的概率，可能性信息相對于表示多個電器中的每一個的操作狀態(tài)中的每一個內的電流消耗的圖案信息獲得，從而獲取從分離電器的電流消耗的解聚得到的可能性信息；以及
標記單元，基于可能性信息確定圖案信息并且執(zhí)行將電器標記和操作狀態(tài)標記與圖案信息相關聯的標記，其中圖案信息表示在由電器標記表示的電器的當前操作狀態(tài)下消耗的電流消耗。
<2>
根據<1>的信息處理裝置，其中
基于可能性信息確定圖案信息表示在由電器標記表示的電器的當前操作狀態(tài)下的電流消耗的可能性，并且
當圖案信息不可能時，請求控制裝置將由電器標記表示的電器的操作狀態(tài)改變?yōu)榱硪徊僮鳡顟B(tài)。
<3>
根據<1>或<2>的信息處理裝置，進一步包括
操作狀態(tài)檢測器，操作狀態(tài)檢測器基于可能性信息檢測電器的當前操作狀態(tài)，其中
電器標記和操作狀態(tài)標記被發(fā)送至控制裝置，電器標記和操作狀態(tài)標記與表示在電器的當前操作狀態(tài)下消耗的電流消耗的圖案信息相關聯。
<4>
根據<3>的信息處理裝置，其中
電器信息獲取單元還獲取表示電器的位置的位置信息，
標記單元還將電器標記和操作狀態(tài)標記以及位置信息與圖案信息相關聯，并且
位置信息還與電器標記和操作狀態(tài)標記一起發(fā)送至控制裝置，其中電器標記和操作狀態(tài)標記與表示在電器的當前操作狀態(tài)下消耗的電流消耗的圖案信息相關聯。
<5>
根據<1>至<4>中任一項的信息處理裝置，其中
在解聚中，
利用總和數據執(zhí)行狀態(tài)估計，其中在狀態(tài)估計中確定處于FHMM(因子隱Markov模型)的每個因子的狀態(tài)的狀態(tài)概率作為可能性信息，并且
利用狀態(tài)概率執(zhí)行FHMM的學習。
<6>
根據<5>的信息處理裝置，其中
FHMM包括，
特定于每個因子的每個狀態(tài)的特定波形，特定波形用于確定總和數據的觀察值的平均值，總和數據在因子的狀態(tài)的組合中觀察到，
總和數據的觀察值的差異，其中總和數據在因子的狀態(tài)的組合中觀察到，
每個因子的每個狀態(tài)是初始狀態(tài)的初始狀態(tài)概率，
每個因子的每個狀態(tài)轉換的轉換概率，
作為模型參數，并且
在FHMM的學習中，執(zhí)行
波形分離學習，其中確定特定波形作為圖案信息，
差異學習，其中確定差異，以及
狀態(tài)變化學習，其中確定初始狀態(tài)概率和轉換概率。
<7>
根據<6>的信息處理裝置，其中
在狀態(tài)估計中，
利用平均值和差異確定在因子的狀態(tài)的組合中觀察到總和數據的觀察概率，
利用觀察概率和轉換概率，相對于總和數據的序列Y1、Y2、...、YT觀察到總和數據Y1、Y2、...、Yt，并且確定在時間點t處于因子的狀態(tài)的組合z中的前向概率αt,z和在時間點t處于因子的狀態(tài)的組合z中并且然后觀察到總和數據Yt、Yt+1、...、YT的后向概率βt,z。
利用前向概率αt,z和后向概率βt,z確定在時間點t處于因子的狀態(tài)的組合z中的后驗概率γt,z，并且
通過使后驗概率γt,z邊緣化確定狀態(tài)概率。
<8>
信息處理方法，包括步驟：
從控制裝置獲取電器標記和操作狀態(tài)標記，其中控制裝置
操作電器，
識別電器的操作狀態(tài)，并且
發(fā)送表示電器的電器標記和表示電器的操作狀態(tài)的操作狀態(tài)標記；
基于可能性信息利用有關由多個電器消耗的電流的總和的總和數據更新圖案信息，其中可能性信息表示消耗由圖案信息表示的電流消耗的概率，可能性信息相對于表示電器中的每一個的操作狀態(tài)中的每一個內的電流消耗的圖案信息獲得，從而獲取從分離電器的電流消耗的解聚得到的可能性信息；以及
基于可能性信息確定圖案信息并且執(zhí)行將電器標記和操作狀態(tài)標記與圖案信息相關聯的標記，其中圖案信息表示在由電器標記表示的電器的當前操作狀態(tài)下消耗的電流消耗。
<9>
程序，用于促使計算機用作：
電器信息獲取單元，從控制裝置獲取電器標記和操作狀態(tài)標記，其中控制裝置
操作電器，
識別電器的操作狀態(tài)，并且
發(fā)送表示電器的電器標記和表示電器的操作狀態(tài)的操作狀態(tài)標記；
可能性信息獲取單元，基于可能性信息利用有關由電器消耗的電流的總和的總和數據更新圖案信息，其中可能性信息表示消耗由圖案信息表示的電流消耗的概率，可能性信息相對于表示多個電器中的每一個的操作狀態(tài)中的每一個內的電流消耗的圖案信息獲得，從而獲取從分離電器的電流消耗的解聚得到的可能性信息；以及
標記單元，基于可能性信息確定圖案信息并且執(zhí)行將電器標記和操作狀態(tài)標記與圖案信息相關聯的標記，其中圖案信息表示在由電器標記表示的電器的當前操作狀態(tài)下消耗的電流消耗。
<10>
控制裝置，包括：
操作控制器，控制相對于電器的操作；
識別單元，識別電器的操作狀態(tài)；以及
通信單元，基于可能性信息利用有關由電器消耗的電流的總和的總和數據更新圖案信息，其中可能性信息表示消耗由圖案信息表示的電流消耗的概率，可能性信息相對于表示多個電器中的每一個的操作狀態(tài)中的每一個內的電流消耗的圖案信息獲得，從而將表示電器的電器標記和表示電器的操作狀態(tài)的操作狀態(tài)標記發(fā)送至執(zhí)行分離電器的電流消耗的解聚的解聚裝置。
<11>
根據<10>的控制裝置，是可移動的媒介。
<12>
根據<11>的控制裝置，其中
操作控制器根據來自解聚裝置的請求控制相對于電器的操作，以將電器的操作狀態(tài)改變?yōu)榱硪徊僮鳡顟B(tài)。
<13>
根據<10>至<12>中任一項的控制裝置，進一步包括
通知控制器，在解聚裝置中，通知控制器獲取表示電器的操作狀態(tài)的操作狀態(tài)標記和表示電器的電器標記，并且根據操作狀態(tài)標記控制由電器標記表示的電器的操作狀態(tài)的通知，其中操作狀態(tài)標記和電器標記基于可能性信息獲得。
<14>
根據<13>的控制裝置，其中
識別單元還識別電器的位置，
通信單元還將表示電器的位置的位置信息發(fā)送至解聚裝置，并且
通知控制器根據操作狀態(tài)標記和位置信息，控制由電器標記表示的電器的操作狀態(tài)的通知。
<15>
根據<10>至<14>中任一項的控制裝置，其中
識別單元通過詢問用戶識別電器以及電器的操作狀態(tài)。
<16>
控制方法，包括步驟：
操作電器；
識別電器的操作狀態(tài)；以及
基于可能性信息利用有關由多個電器消耗的電流的總和的總和數據更新圖案信息，其中可能性信息表示消耗由圖案信息表示的電流消耗的概率，可能性信息相對于表示電器中的每一個的操作狀態(tài)中的每一個內的電流消耗的圖案信息獲得，從而將表示電器的電器標記和表示電器的操作狀態(tài)的操作狀態(tài)標記發(fā)送至執(zhí)行分離電器的電流消耗的解聚的解聚裝置。
<17>
程序，用于促使計算機用作：
操作控制器，控制相對于電器的操作；
識別單元，識別電器的操作狀態(tài)；以及
通信單元，基于可能性信息利用有關由多個電器消耗的電流的總和的總和數據更新圖案信息，其中可能性信息表示消耗由圖案信息表示的電流消耗的概率，可能性信息相對于表示電器中的每一個的操作狀態(tài)中的每一個內的電流消耗的圖案信息獲得，從而將表示電器的電器標記和表示電器的操作狀態(tài)的操作狀態(tài)標記發(fā)送至執(zhí)行分離電器的電流消耗的解聚的解聚裝置。
符號的描述
11配電板、12功率表、13電流傳感器、14媒介、15網絡、16解聚裝置、30通信單元、31數據獲取單元、32狀態(tài)估計單元、33模型存儲單元、34模型學習單元、35標記獲取單元、36數據輸出單元、41評估器、42估計器、51波形分離學習單元、52差異學習單元、53狀態(tài)變化學習單元、101主體單元、101A背傳感器、102A至102D腿部單元、103頭部單元、103A頭部傳感器、103B下巴傳感器、104尾部單元、111控制器、112A/D轉換器、113D/A轉換器、114通信單元、115半導體存儲器，121麥克風、122L、122R圖像傳感器、123揚聲器、131動作確定器、132識別單元、133位置檢測器、134操作控制器、135通知控制器、136表生成器、201、202獲取單元、203標記單元、204對應存儲單元、205控制器、211獲取單元、212檢測目標存儲單元、213操作狀態(tài)檢測器、301總線、302CPU、303ROM、304RAM、305硬盤、306輸入單元、307輸出單元、308通信單元、309驅動、310輸入/輸出接口、311可移除記錄介質。
- 還沒有人留言評論。精彩留言會獲得點贊！