数据处理设备、数据处理方法及程序的利记博彩app
【专利摘要】用于对用于使用随机动态模型对时间序列信号进行建模的参数进行估计的设备、方法以及程序。方法用于：获得表示两个或更多个时间序列信号的混合信号的数据；对用于使用随机动态模型对时间序列信号进行建模的参数进行估计。本技术涉及数据处理设备、数据处理方法以及程序。
【专利说明】数据处理设备、数据处理方法及程序
【技术领域】
[0001]〈相关申请〉
[0002]本申请要求于2012年3月30日提交至日本专利局的日本在先专利申请JP2012-079579的优先权权益以及于2012年3月30日提交至日本专利局的日本在先专利申请JP 2012-079580的优先权权益，在此这些申请通过引用以其全部内容合并到本文中。
[0003]本技术涉及数据处理设备、数据处理方法及程序，具体地，涉及能够容易且精确地获得例如家庭中的多个电器中每个的功率消耗等的数据处理设备、数据处理方法及程序。
【背景技术】
[0004]作为向家庭中的用户呈现该家庭等中的每个电器如家用电器(用于家庭的电器)的功率消耗或电流消耗并且实现功率消耗等的所谓的“可视化”的方法，存在例如在每个插座中安装智能抽头(smart tap)的方法。
[0005]智能抽头具有对由安装有智能抽头的插座(家用电器连接至此)消耗的功率进行测量的测量功能以及与外部装置通信的通信功能。
[0006]在智能抽头中，使用通信功能将使用测量功能所测量的功率(消耗)发送至显示器等，并且在显示器中显示来自智能抽头的功率消耗，由此实现每个家用电器的功率消耗的“可视化”。
[0007]然而，就成本而言，在家庭中的所有插座中安装智能抽头并不容易。
[0008]另外，在一些情况下，固定在房子中的家用电器如所谓的内置空调可以不使用插座而直接连接至电力线，因而，对于这样的家用电器难以使用智能抽头。
[0009]因此，称作NILM(非侵入式负载监测)的技术引起了关注，在该技术中，在例如家庭等中，根据关于配电板(电力配电板)中所测量的电流的信息获得家庭中的在此之前连接的每个家用电器的功率消耗等。
[0010]在NILM中，例如使用在一个位置中所测量的电流，获得在此之前连接的每个家用电器(负载)的功率消耗而无需进行单独测量。
[0011]例如，PTLl公开了以下NILM技术:根据在一个位置中所测量的电流和电压计算有功功率和无功功率，并且通过对相应的变化量进行聚类来识别电器。
[0012]在PTLl中公开的技术中，由于使用当接通或关断家用电器时有功功率和无功功率中的变化，所以对有功功率和无功功率的变化点进行检测。为此，如果变化点的检测失败，则难以精确地识别家用电器。
[0013]此外，在现代家用电器中，难以将操作状态表示为接通和关断两种状态，因此，难以仅通过使用接通状态和关断状态下的有功功率和无功功率中的变化来精确地识别家用电器。
[0014]因此，例如，PTL2和PTL3公开了以下NILM技术:使用LMC(大间距分类器)如SVM(支持向量机)作为家用电器的识别模型(判别模型，分类)。
[0015]然而，在使用识别模型的NILM中，与生成模型如HMM(隐式马尔可夫模型)不同，为每个家用电器准备现有学习数据，并且需要提前完成使用学习数据的识别模型的学习。
[0016]为此，在使用识别模型的NILM中，难以应对未使用已知的学习数据进行识别模型的学习的家用电器。
[0017]因此，例如，NPLl和NPL2公开了以下NILM技术:使用作为生成模型的HMM代替需要提前使用已知的学习数据进行其学习的识别模型。引用列表
[0018]专利文献
[0019]PTLl:美国专利N0.4858141的说明书
[0020]PTL2:日本未审查专利申请公报N0.2001-330630
[0021]PTL3:国际公布手册 TO01/077696
[0022]非专利文献
[0023]NPLl:Bons M.，Deville Y.，Schang D.1994.Non-1ntrusive electrical loadmonitoring using Hidden Markov Models.Third internat1nal Energy Efficiency andDSM Conference, October 31，Vancouver, Canada.，p.7。
[0024]NPL2:Hisahide NAKAMURA,Koichi ITOj Tatsuya SUZUKI，"Load MonitoringSystem of Electric Appliances Based on Hidden Markov Model"，IEEJ Transact1nsBj Vol.126，N0.12，pp.12231229，2006。
【发明内容】
[0025]技术问题
[0026]然而，在使用简单的HMM的NILM中，如果家用电器的数量增加，则HMM的状态的数量变得巨大，因此其实现困难。
[0027]具体地，例如，在每个家用电器的操作状态为接通和关断两种状态的情况下，表示M个家用电器的操作状态(的组合)所需要的HMM的状态的数量为2M，并且状态的转移概率的数量为(2M)2，即状态的数量的平方。
[0028]因此，即使家庭中的家用电器的数量M例如为20，尽管近来不能说具有很多家用电器，但是HMM的状态的数量为22° = I, 048，576，并且转移概率的数量为更大的在兆兆级中的对应于其平方的I, 099，511，627，776。
[0029]目前，要求提出以下NILM技术:能够容易且精确地获得其操作状态不仅为接通和关断两种状态的家用电器，即，每个电器如家用电器(可变负载家用电器)例如其功率(电流)消耗根据模式、设置等变化的空调的功率消耗等。
[0030]考虑到这些情况做出本技术，并且本技术使得能够容易且精确地获得每个家用电器的功率消耗。
[0031]问题的解决方案
[0032]根据本公开的一个方面，提供了一种用于估计电气装置的电流消耗的方法，包括:获得表示两个或更多个电气装置的电信号的和的数据，所述两个或更多个电气装置包括第一电气装置；使用因子隐式马尔可夫模型(FHMM)处理数据以产生第一电气装置的电信号的估计；以及输出第一电气装置的电信号的估计，其中，该FHMM具有对应于第一电气装置的因子，该因子具有三种或更多种状态。
[0033]在一些实施例中，因子的三种或更多种状态对应于在该第一电气装置的三种或更多种相应的操作状态下的第一电气装置的三个或更多个相应的电信号。
[0034]在一些实施例中，该方法还包括:限制FHMM，使得在同一时间点经历状态转移的FHMM的因子的数量小于阈值数量。
[0035]根据本公开的另一方面，提供了一种监测设备，包括:数据获取单元，其用于获得表示两个或更多个电气装置的电信号的和的数据，所述两个或更多个电气装置包括第一电气装置；状态估计单元，其用于使用因子隐式马尔可夫模型(FHMM)处理数据以产生第一电气装置的操作状态的估计，该FHMM具有对应于第一电气装置的因子，该因子具有三种或更多种状态；以及数据输出单元，其用于输出第一电气装置的电信号的估计，电信号的估计至少部分地基于第一电气装置的操作状态的估计。
[0036]根据本公开的另一方面，提供了一种监测设备，包括:数据获取单元，其用于获得表示两个或更多个电气装置的电信号的和的数据，所述两个或更多个电气装置包括第一电气装置；状态估计单元，其用于使用因子隐藏马尔可夫模型(FHMM)处理数据以产生第一电气装置的操作状态的估计，该FHMM具有对应于第一电气装置的因子，该因子具有三种或更多种状态；模型学习单元，其用于更新FHMM的一个或更多个参数，其中，更新FHMM的一个或更多个参数包括执行受限的波形分离学习；以及数据输出单元，其用于输出第一电气装置的电信号的估计，该电信号的估计至少部分地基于第一电气装置的操作状态的估计。
[0037]发明的有利效果
[0038]根据本技术的方面，可以容易且精确地获得每个电器的功率消耗。
【专利附图】
【附图说明】
[0039]图1是示出了应用了本技术的数据处理设备的监测系统的实施例的概要的图。
[0040]图2是示出了家用电器分离中执行的波形分离学习的概要的图。
[0041]图3是示出了应用了本技术的监测系统的第一实施例的配置示例的框图。
[0042]图4是示出了 FHMM的图。
[0043]图5是示出了使用FHMM的家用电器分离的公式化的概要的图。
[0044]图6是示出了由监测系统执行的根据EM算法的FHMM的学习的处理(学习处理)的流程图。
[0045]图7是示出了由监测系统在步骤S13中执行的E步骤的处理的流程图。
[0046]图8是示出了 FHMM的前向概率ALPHAt，z与后向概率BETAt，z之间的关系以及HMM的前向概率ALPHAm和后向概率BETA,，」之间的关系的图。
[0047]图9是示出了由监测系统在步骤S14中执行的M步骤的处理的流程图。
[0048]图10是示出了由监测系统执行的在家用电器#m上呈现信息的信息呈现处理的流程图。
[0049]图11是示出了在信息呈现处理中执行的功率消耗Uw的显示示例的图。
[0050]图12是示出了应用了本技术的监测系统的第二实施例的配置示例的框图。
[0051]图13是示出了由监测系统在步骤S13中执行的E步骤的处理的流程图。
[0052]图14是示出了由监测系统在步骤S14中执行的M步骤的处理的流程图。
[0053]图15是示出了应用了本技术的监测系统的第三实施例的配置示例的框图。
[0054]图16是示出了通过对FHMM的状态的组合z应用粒子滤波器来获得前向概率ALPHAt；p的方法的图。
[0055]图17是示出了通过对FHMM的状态的组合z应用粒子滤波器来获得后向概率BETAt；p的方法的图。
[0056]图18是示出了通过对FHMM的状态的组合z应用粒子滤波器来获得后验概率GAMMAt；p的方法的图。
[0057]图19是示出了由监测系统在步骤S13中执行的E步骤的处理的流程图。
[0058]图20是示出了由监测系统在步骤S13中执行的E步骤的处理的流程图。
[0059]图21是示出了应用了本技术的监测系统的第四实施例的配置示例的框图。
[0060]图22是示出了由施加负载限制的监测系统执行的步骤S14的M步骤的处理的流程图。
[0061]图23是示出了负载限制的图。
[0062]图24是示出了基本波形限制的图。
[0063]图25是示出了由施加基本波形限制的监测系统执行的步骤S14的M步骤的处理的流程图。
[0064]图26是示出了应用了本技术的监测系统的第五实施例的配置示例的框图。
[0065]图27是示出了由执行FHMM的学习的监测系统进行的讲话人分离的概要的图。
[0066]图28是示出了应用了本技术的监测系统的第六实施例的配置示例的框图。
[0067]图29是示出了由监测系统执行的模型学习的处理(学习处理)的流程图。
[0068]图30是示出了应用了本技术的计算机的实施例的配置示例的框图。
【具体实施方式】
[0069]<本技术的概要>
[0070]图1是示出了应用了本技术的数据处理设备的监测系统的实施例的概要的图。在一些实施例中，可以将监测系统称为智能电表。
[0071]在每个家庭中，由电力公司提供的电力被引导至配电板(电力配电板)，并且被提供给电器如家庭中的家用电器(连接至插座)。
[0072]应用了本技术的监测系统对由家庭中的一个位置如配电板即给家庭供电的源中的一个或更多个电器消耗的电流的总和进行测量，并且根据一系列电流(电流波形)的总和执行家用电器分离，在家用电器分离中获得由各个家用电器诸如例如家庭中的空调或吸尘器消耗的功率(电流)。
[0073]另外，作为被输入至监测系统的输入数据，除了由每个家用电器消耗的电流本身的总和以外，还可以利用与由每个家用电器消耗的电流的总和有关的总和数据。
[0074]作为总和数据，可以利用能够被相加的值的总和。具体地，作为总和数据，除了由每个家用电器消耗的电流本身的总和以外，还可以利用例如由每个家用电器消耗的功率的总和或通过对于由每个家用电器消耗的电流的波形执行FFT (快速傅里叶变换)所获得的频率分量的总和。
[0075]另外，在家用电器分离中，除了由每个家用电器消耗的功率以外，可以将关于由每个家用电器消耗的电流的信息与总和数据分离。具体地，在家用电器分离中，可以将由每个家用电器消耗的电流或其频率分量与总和数据分离。
[0076]在下面的描述中，利用例如由每个家用电器消耗的电流的总和作为总和数据，并且例如，将由每个家用电器消耗的电流的波形与作为总和数据的电流的总和的波形分离。
[0077]图2是示出了执行家用电器分离的波形分离学习的概要的图。
[0078]在波形分离学习中，将作为时间点t处的总和数据的电流波形Yt设置为由每个家用电器#m消耗的电流的电流波形Ww的相加数据(总和)，并且从电流波形Yt获得由每个家用电器#m消耗的电流波形Ww。
[0079]在图2中，在家庭中具有5个家用电器#1至#5，并且5个家用电器#1至#5中的家用电器#1、#2、#4和#5处于接通状态(消耗功率的状态)，而家用电器#3处于关断状态(不消耗功率的状态)。
[0080]为此，在图2中，作为总和数据的电流波形Yt变成相应的家用电器#1、#2、#4和#5的电流消耗w(1)、ff(2)、ff(4)和W⑸的相加值(总和)。
[0081]<应用了本技术的监测系统的第一实施例>
[0082]图3是示出了应用了本技术的监测系统的第一实施例的配置示例的框图。
[0083]在图3中，监测系统包括数据获取单元11、状态估计单元12、模型存储单元13、模型学习单元14、标签获取单元15和数据输出单元16。
[0084]数据获取单元11获取作为总和数据的电流波形Y的时间序列(电流时间序列)，以及与电流波形Y对应的电压波形的时间序列(电压时间序列)V，以将其提供至状态估计单元12、模型学习单元14和数据输出单元16。
[0085]换言之，数据获取单元11由测量例如电流和电压的测量装置(传感器)构成。
[0086]数据获取单元11测量电流波形Y作为由家庭例如配电板等中的安装有监测系统的每个家用电器消耗的电流的总和，并且测量相应的电压波形V，以将其提供至状态估计单元12、模型学习单元14和数据输出单元16。
[0087]状态估计单元12执行用于通过使用来自数据获取单元11的电流波形Y以及存储在模型存储单元13中并且作为家庭中安装有监测系统的全部家用电器的模型的整体模型(其模型参数)Φ来对每个家用电器的操作状态进行估计的状态估计。另外，状态估计单元12将作为状态估计的估计结果的每个家用电器的操作状态Γ提供至模型学习单元14、标签获取单元15和数据输出单元16。
[0088]换言之，在图3中，状态估计单元12具有评价部分21和估计部分22。
[0089]评价部分21获得在形成存储在模型存储单元13中的整体模型Φ的多个家用电器模型#1至#M的状态的每个组合下观察到由数据获取单元11提供(至状态估计单元12)的电流波形Y的评价值E，以将其提供至估计部分22。
[0090]估计部分22通过使用由评价部分21提供的评价值E对形成存储在模型存储单元13中的整体模型Φ的多个家用电器模型#1至#M*每个的状态，S卩，由家用电器模型#m(由家用电器模型#m建模的家用电器)表示的家用电器的操作状态Γ进行估计，以将其提供至模型学习单元14、标签获取单元15和数据输出单元16。
[0091]模型存储单元13存储作为多个整体模型的整体模型(模型参数)Φ。
[0092]整体模型Φ包括作为多个家用电器的M个模型(表不电流消耗)的家用电器模型#1至#M。
[0093]整体模型的参数Φ包括表示由家用电器模型#m表示的家用电器的每种操作状态的电流消耗的电流波形参数。
[0094]整体模型的参数Φ可以包括例如表不由家用电器模型#m表不的家用电器的操作状态的转移(变化)的状态变化参数、表示由家用电器模型#m表示的家用电器的操作状态的初始状态的初始状态参数、以及与在整体模型下观察到的(生成的)电流波形Y的观察值的方差有关的方差参数。
[0095]存储在模型存储单元13中的整体模型的模型参数Φ由状态估计单元12的评价部分21和估计部分22、标签获取单元15和数据输出单元16引用，并且由模型学习单元14的波形分离学习部分31、方差学习部分32和状态变化学习部分33更新，这将在下文中描述。
[0096]模型学习单元14执行用于使用由数据获取单元11提供的电流波形Y和由状态估计单元12 (的估计部分22)提供的状态估计的估计结果(每个家用电器的操作状态)Γ来更新存储在模型存储单元13中的整体模型的模型参数Φ的模型学习。
[0097]换言之，在图3中，模型学习单元14包括波形分离学习部分31、方差学习部分32和状态变化学习部分33。
[0098]波形分离学习部分31执行用于通过使用由数据获取单元11提供(至模型学习单元14)的电流波形Y和由状态估计单元12 (的估计部分22)提供的每个家用电器的操作状态Γ来获得(更新)作为模型参数Φ的电流波形参数的波形分离学习，并且将存储在模型存储单元13中的电流波形参数更新成通过波形分离学习所获得的电流波形参数。
[0099]方差学习部分32执行用于通过使用由数据获取单元11提供(至模型学习单元14)的电流波形Y和由状态估计单元12 (的估计部分22)提供的每个家用电器的操作状态Γ来获得(更新)作为模型参数Φ的方差参数的方差学习，并且将存储在模型存储单元13中的方差参数更新成通过方差学习所获得的方差参数。
[0100]状态变化学习部分33执行用于通过使用由状态估计单元12 (的估计部分22)提供的每个家用电器的操作状态Γ来获得(更新)作为模型参数Φ的初始状态参数和状态变化参数的状态变化学习，并且将存储在模型存储单元13中的初始状态参数和状态变化参数更新成通过方差学习所获得的初始状态参数和状态变化参数。
[0101]标签获取单元15获取用于通过使用由状态估计单元12 (的估计部分22)提供的每个家用电器的操作状态Γ、存储在模型存储单元13中的整体模型Φ和由数据输出单元16获得的每个家用电器模型#m的家用电器的功率消耗Uw来识别由每个家用电器模型#m表示的家用电器的家用电器标签Lw，以根据需要将其提供至数据输出单元16。
[0102]数据输出单元16通过使用由数据获取单元11提供的电压波形V、由状态估计单元12 (的估计部分22)提供的每个家用电器的操作状态Γ φ和存储在模型存储单元13中的整体模型来获得由每个家用电器模型#m表示的家用电器的功率消耗Uw，以将其显示在显示器(未示出)上和呈现给用户。
[0103]另外，在数据输出单元16中，由每个家用电器模型#m表示的家用电器的功率消耗Uw可以连同由标签获取单元15提供的家用电器标签Lw —起呈现给用户。
[0104]在以上述方式配置的监测系统中，可以利用例如FHMM(因子隐式马尔可夫模型)作为存储在模型存储单元13中的整体模型。
[0105]图4是示出了 FHMM的图。
[0106]换言之，图4的A示出了普通HMM的图形模型，而图4的B示出了 FHMM的图形模型。
[0107]在普通HMM中，在时间点t处，在时间点t处的单个状态St下观察到单个观察值
YtO
[0108]另一方面，在FHMM下，在时间点t处，在时间点t处的多个状态S(1)t、S(2)t、…、S(M)t的组合下观察到单个观察值Yt。
[0109]该FHMM为由Zoubin Ghahramani等人提出的概率生成模型，并且其细节公开在例如 Zoubin Ghahramani et al., and details thereof are disclosed in, forexample, Zoubin Ghahramani, and Michael 1.Jordan, Factorial Hidden MarkovModels’，Machine Learning Volume 29，Issue2_3, Nov./Dec.1997 (在下文中，也称为文档A)中。
[0110]图5是示出了使用FHMM的家用电器分离的公式化的概要的图。
[0111]在此，FHMM包括多个HMM。包括在FHMM中的每个HMM也称为因子，并且第m个因子由因子#m表不。
[0112]在FHMM中，时间点t处的多个状态S(1)t至Swt的组合为因子#m的状态的组合(因子#1的状态、因子#2的状态、…、因子#M的状态的集合)。
[0113]图5示出了在因子的数量M为3的情况下的FHMM。
[0114]在家用电器分离中，例如，单个因子对应于单个家用电器(单个因子与单个家用电器相关)。在图5中，因子#m对应于家用电器#m。
[0115]在FHMM中，形成因子的状态的数量对于每个因子而言是任意的，而在图5中，3个因子#1、#2和#3中每个的状态的数量为4。
[0116]在图5中，在时间点t = tO处，因子#1处于四种状态#11、#12、#13和#14中的状态#14(由粗线圈表示)下，而因子#2处于四种状态#21、#22、#23和#24中的状态#21(由粗线圈表示)下。另外，在时间点t = tO处，因子#3处于四种状态#31、#32、#33和#34中的状态#33 (由粗线圈表示)下。
[0117]在家用电器分离中，因子#m的状态对应于与因子#m对应的家用电器#m的操作状态。
[0118]例如，在对应于家用电器#1的因子#1中，状态#11对应于家用电器#1的关断状态，而状态#14对应于家用电器#1的所谓的普通模式下的接通状态。另外，在对应于家用电器#1的因子#1中，状态#12对应于家用电器#1的所谓的睡眠模式下的接通状态，而状态#13对应于家用电器#1的所谓的省电模式下的接通状态。
[0119]在FHMM下，在因子#m的状态#mi下，观察到(生成)作为因子的每种状态的独特波形的独特波形W(m)#mi。
[0120]在图5中，在因子#1下，在时间点t = tO处的状态#14下观察到独特波形W(1)#14，而在因子#2下，在时间点t = tO处的状态#21下观察到独特波形W(2)#21。此外，在因子#3下，在时间点t = tO处的状态#33下观察到独特波形W(3)#33。
[0121]在FHMM中，生成通过对在各个因子的状态下所观察到的独特波形进行合成所得到的合成波形作为在FHMM中所观察到的观察值。
[0122]在此，可以利用例如独特波形的总和(相加)作为独特波形的合成。另外，可以利用例如独特波形的加权相加或独特波形的逻辑和(独特波形的值为O或I的情况下)作为独特波形的合成，并且在家用电器分离中，利用独特波形的总和。
[0123]在FHMM的学习中，获得(更新)FHMM的模型参数，使得观察到作为FHMM中的各个时间点t =…、to、tl、…处的总和数据的电流波形Yt(l、Yt(l+1、…。
[0124]在利用上述FHMM作为存储在模型存储单元13 (图3)中的整体模型Φ的情况下，形成整体模型Φ的家用电器模型#m对应于因子#m。
[0125]另外，可以利用比期望家庭中存在的家用电器的最大数量大作为余量的预定量的值作为FHMM的因子的数量M。
[0126]另外，作为整体模型Φ的FHMM可以利用其中每个因子具有三种或更多种状态的FHMM0
[0127]这是因为:在因子具有仅两种状态的情况下，将例如仅关断状态和接通状态两种状态表示为对应于因子的家用电器的操作状态，并且难以获得关于家用电器(在下文中，也称为可变负载家用电器)如其功率(电流)消耗根据模式或设置而变化的空调的精确的功率消耗。
[0128]也就是说，如果作为整体模型Φ的FHMM利用其中每个因子具有三种或更多种状态的FHMM，则可以参照可变负载家用电器来获得功率消耗等。
[0129]在利用FHMM作为总体模式Φ的情况下，使用假定马尔可夫性质的数学式(I)来计算在FHMM下所观察到的电流波形Yt的序列与因子#m的状态Swt的组合St的联合分布P({St, Yt})。
[0130][数学式I]
[0131]P(ISt, YtD =P(S1)P(YtIS1)ITP(StISt^l)P(YtISt)
[0132]…(I)
[0133]在此，联合距离P ({St，YJ)表示在时间点t处的因子#m的状态Swt的组合(M个因子的状态的组合)St下观察到电流波形Yt的概率。
[0134]P(S1)表示处于因子#m在初始时间点t = I处的状态Sw1的组合S1下的初始状态概率。
[0135]P(SjSw)表示因子在时间点t-Ι处于状态的组合Sw下并且在时间点t处转移成状态的组合St的转移概率。
[0136]P(YjSt)表示在时间点t处的状态的组合St下观察到电流波形Yt的观察概率。
[0137]时间点t处的状态的组合St为M个因子#1至#M的时间点t处的状态S(1)t、S(2)t、…、和S(M)t的组合，并且由数学式St= {S(1)t，S(2)t，…，S(M)J表示。
[0138]另外，将家用电器#m的操作状态假定成独立于另一家用电器#m’而变化，并且因子#m的状态Swt独立于另一因子#m’的状态S(m’)t而转移。
[0139]此外，作为FHMM的因子#m的HMM的状态的数量Kw可以利用独立于作为另一因子#m’的HMM的状态的数量K(m’)的数量。然而，在此为了描述简便，因子#1至#1的数量K(1)至K?为由数学式Κω =K⑵=…=K? =K表示的相同数量K。
[0140]在FHMM中，可以如下计算在数学式⑴中计算联合距离P ({St，YJ)所需要的初始状态概率P (S1)、转移概率P (St I St_i)和观察概率P (Yt I St)。
[0141]也就是说，可以根据数学式(2)来计算初始状态概率P (S)。
[0142][数学式2]
【权利要求】
1.一种数据处理设备，包括: 数据获取单元，被配置成:获得代表两个或更多个时间序列信号的混合信号的数据； 状态估计单元，被配置成:对用于使用随机动态模型对时间序列信号进行建模的参数进行估计； 其中，所述状态估计单元被配置成:在具体限制下对所述参数进行估计。
2.根据权利要求1所述的数据处理设备，其中，所述随机动态模型为FHMM(因子隐式马尔可夫模型)。
3.根据权利要求1所述的数据处理设备，其中，所述状态估计单元被配置成:通过控制所述数据成为正因子的相加数据来在具体限制下对所述参数进行估计。
4.根据权利要求1所述的数据处理设备，其中，所述状态估计单元被配置成:在控制因子的至少一种状态以输出零信号的所述具体约束下对所述参数进行估计。
5.根据权利要求1所述的数据处理设备，其中，所述状态估计单元被配置成:在控制以将选择因子的非零状态的概率最小化的所述具体约束下对所述参数进行估计。
6.根据权利要求2所述的数据处理设备，其中，所述状态估计单元被配置成:通过限制所述FHMM使得所述FHMM(因子隐式马尔可夫模型)的能够在同一时间点经历状态转移的因子的数量小于阈值数量来在具体限制下对所述参数进行估计。
7.根据权利要求1所述的数据处理设备，其中，所述状态估计单元被配置成:通过将所估计的参数限制成多个预定参数的一种或更多种组合来在具体限制下对所述参数进行估计。
8.根据权利要求1所述的数据处理设备，其中，所述状态估计单元被配置成:通过将所估计的参数限制成多个时间序列信号的一种或更多种组合来在具体限制下对所述参数进行估计。
9.根据权利要求2所述的数据处理设备，其中，所述状态估计单元被配置成:通过计算代表两个或更多个时间序列信号的混合信号的所述数据的方差以及使用所计算的方差作为所述FHMM(因子隐式马尔可夫模型)的参数来在具体限制下对所述参数进行估计。
【文档编号】G01R21/133GK104205090SQ201380016155
【公开日】2014年12月10日 申请日期:2013年3月29日 优先权日:2012年3月30日
【发明者】伊藤真人, 佐部浩太郎 申请人:索尼公司