摘要
朱塞佩·埃托奥、多梅尼科·齐恩佐、安东尼奥·蒙蒂耶里和安东尼奥·佩斯卡佩。 2019.MIMETIC:使用多模式深度学习的移动加密流量分类。 计算机网络165（2019），106944。 内政部： https://doi.org/10.1016/j.comnet.2019.106944 谷歌学者 
数字图书馆 
朱塞佩·埃托奥、多梅尼科·齐恩佐、安东尼奥·蒙蒂耶里和安东尼奥·佩斯卡佩。 2020年。通过深度学习实现有效的移动加密流量分类。 神经计算409（2020），306–315。 内政部： https://doi.org/10.1016/j.neucom.2020.05.036 谷歌学者 交叉引用 
JoséAlcalá、Oliver Parson和Alex Rogers。 2015年，通过能量分解和cox过程检测老年居民日常生活活动的异常。 第二届ACM节能建筑环境嵌入式系统国际会议论文集。 美国医学会，225–234。 谷歌学者 数字图书馆 K.Basu、V.Debusschere、S.Bacha、U.Maulik和S.Bondyopadhayay。 2015.非侵入性负载监测：一种时间多标签分类方法。 IEEE工业信息学汇刊11，1（2015），262–270。 谷歌学者 交叉引用 考斯塔夫·巴苏（Kaustav Basu）、文森特·德彪舍尔（Vincent Debusschere）和巴沙·塞迪克（Bacha Seddik）。 2012年，居民家庭仪表盘电力记录中的负荷识别。 2012年第20届国际电机会议记录（ICEM’12）。 2098–2104. 内政部： https://doi.org/10.109/ICElMach.2012.6350172 谷歌学者 交叉引用 尼蓬·巴特拉（Nipun Batra）、杰克·凯利（Jack Kelly）、奥利弗·帕森（Oliver Parson）、海蒙蒂·杜塔（Haimonti Dutta）、威廉·诺滕贝尔（William Knottenbelt）、亚历克斯·罗杰斯（Alex Rogers）、阿玛吉特·辛格（Ama。 2014年，NILMTK：非侵入性负载监测的开源工具包。第五届国际未来能源系统会议论文集。 谷歌学者 数字图书馆 M.Z.A.Bhotto、S.Makonin和I.V.Bajic。 2017.基于辅助线性整数规划的负荷分解。 IEEE电路与系统汇刊II：快讯64、7（2017）、792–796。 谷歌学者 交叉引用 陈坤锦、王琴、何紫玉、陈坤龙、胡军和何金良。 2018.卷积序列到序列非侵入荷载监测。《工程杂志》17（2018），1860–1864。 谷歌学者 交叉引用 钟俊英（Junyoung Chung）、卡格拉·古尔切里（Caglar Gulcehre）、赵京贤（Kyunghyun Cho）和约书亚·本吉奥（Yoshua Bengio）。 2014.门控递归神经网络对序列建模的实证评估。 在2014年NIPS深度学习和表征学习研讨会论文集上。 谷歌学者 Yann N.Dauphin、Angela Fan、Michael Auli和David Grangier。 2017.门限卷积网络的语言建模。 第34届机器学习国际会议论文集。 JMLR.org，933–941。 谷歌学者 数字图书馆 多米尼克·埃加特（Dominik Egarter）、安妮塔·索布（Anita Sobe）和威尔弗里德·埃尔门瑞克（Wilfried Elmenreich）。 2013年，《演变非侵入性负载监测》，《演变计算应用国际会议论文集》。 第7835卷。 182–191. 谷歌学者 数字图书馆 Ehsan Elhamifar和Shankar Sastry。 2015年，通过学习电力网和稀疏编码实现能源分解。 第29届AAAI人工智能会议论文集。 AAAI出版社，629–635。 谷歌学者 科琳娜·菲舍尔。 2008年，家庭用电量反馈：节能工具？ 能源效率1，1（2008），79–104。 谷歌学者 乔恩·弗罗利希（Jon Froehlich）。 2009年，通过反馈促进家庭节能行为：人机交互的作用。 HCIC 2009冬季研讨会论文集。 谷歌学者 Jon Froehlich、Eric Larson、Sidhant Gupta、Gabe Cohn、Matthew Reynolds和Shwetak Patel。 2011年。智能电网的非汇总最终用户能源传感。IEEE普适计算10，1（2011），28–39。 谷歌学者 数字图书馆 Alex Graves、Abdel-rahman Mohamed和Geoffrey Hinton。 2013年，使用深度递归神经网络进行语音识别。 IEEE声学、语音和信号处理国际会议论文集。 6645–6649. 谷歌学者 交叉引用 阿隆·哈雷尔（Alon Harell）、斯蒂芬·马科宁（Stephen Makonin）和伊万·巴基奇（Ivan V.Bajić）。 2019.WaveNILM：用于从复杂功率信号中分离功率的因果神经网络。 IEEE声学、语音和信号处理国际会议论文集。 8335–8339. 谷歌学者 乔治·W·哈特。 1992年。非侵入式设备负载监测。IEEE 80，12（1992），1870–1891年会议记录。 谷歌学者 交叉引用 K.He、L.Stankovic、J.Liao和V.Stankovi。 2018年。使用图形信号处理进行非侵入性负荷分解。 IEEE智能电网交易9，3（2018），1739–1747。 谷歌学者 交叉引用 Sepp Hochreiter和Jürgen Schmidhuber。 1997.长短期记忆。 神经计算9，8（1997），1735-1780。 谷歌学者 数字图书馆 拉兹洛·杰尼（LászlóA.Jeni）、杰弗里·科恩（Jeffrey F.Cohn）和费尔南多·德拉托雷（Fernando De La Torre）。 2013年，面对不平衡的数据——建议使用绩效指标。 在2013年Humaine协会情感计算和智能交互会议记录中。 IEEE计算机学会，245-251。 谷歌学者 数字图书馆 Jie Jiang、Mark Hoogendoorn、Diederik Roijers、Qiuqiang Kong和Nigel Gilbert。 2018年。预测家用环境中的家电使用状态。 第23届数字信号处理国际会议论文集。 谷歌学者 交叉引用 杰克·凯利和威廉·诺滕贝尔。 2015年，神经NILM：深度神经网络应用于能源分解。 第二届ACM节能建筑环境嵌入式系统国际会议论文集。 ACM，55–64岁。 谷歌学者 数字图书馆 杰克·凯利和威廉·诺滕贝尔。 2015年，英国-DALE数据集、家用电器水平的电力需求和五个英国家庭的全时电力需求。 科学数据215007（2015），1-14。 谷歌学者 交叉引用 M.Khodayar、J.Wang和Z.Wang。 2019.通过深度时间字典学习进行能量分解。 IEEE神经网络和学习系统汇刊31，5（2019），1-14。 谷歌学者 Hyungsul Kim、Manish Marwah、Martin F.Arlitt、Geoff Lyon和Jiawei Han。 2011.低频功率测量的无监督分解。 2011年SIAM数据挖掘国际会议论文集。 747–758页。 谷歌学者 交叉引用 Diederik P.Kingma和Jimmy Ba.2014年。 亚当：一种随机优化方法。 在第三届学习表现国际会议记录中。 谷歌学者 J.Zico Kolter、Siddarth Batra和Andrew Y.Ng.2010年。 通过区分稀疏编码进行能量分解。 第23届神经信息处理系统国际会议论文集-第1卷（NIPS’10）。 Curran Associates Inc.，纽约州Red Hook，1153-1161。 谷歌学者 数字图书馆 J.Zico Kolter和Tommi Jaakkola。 2012.加性阶乘HMM的近似推断及其在能量分解中的应用。 第15届国际人工智能与统计会议论文集。 1472–1482. 谷歌学者 铃木康介（Kosuke Suzuki）、稻崎信吉（Shinkichi Inagaki）、铃木达也（Tatsuya Suzukii）、中村久弘（Hisahide Nakamura）和伊藤光一（Koichi Ito）。 2008年。基于整数编程的非侵入式设备负载监控。 2008年SICE年会会议记录。 2742–2747. 谷歌学者 亚历克斯·克利舍夫斯基（Alex Krizhevsky）、伊利亚·萨茨克弗（Ilya Sutskever）和杰弗里·欣顿（Geoffrey E.Hinton）。 2017.使用深度卷积神经网络进行ImageNet分类。 ACM通讯60，6（2017年5月），84-90。 谷歌学者 数字图书馆 D.李和S.迪克。 2019.通过基于图形的多标签半监督学习进行住宅住户非侵入性负荷监测。 IEEE智能电网交易10，4（2019），4615–4627。 谷歌学者 交叉引用 Lukas Mauch和Bin Yang。 2015年。使用深度循环LSTM网络进行监督功率分解的新方法。2015年IEEE信号和信息处理全球会议论文集。 63–67. 谷歌学者 交叉引用 大卫·穆雷、利娜·斯坦科维奇和弗拉基米尔·斯坦科维奇。 2017年，英国家庭两年纵向研究的电力负荷测量数据集。 《科学数据》4，160122（2017），1--12。 谷歌学者 交叉引用 奥利弗·帕森（Oliver Parson）、悉达塔·戈什（Siddhartha Ghosh）、马克·韦尔（Mark Weal）和亚历克斯·罗杰斯（Alex Rogers）。 2012.使用通用电器类型的先前型号进行非侵入式负载监测。 第26届AAAI人工智能会议论文集。 AAAI出版社，356–362。 谷歌学者 Razvan Pascanu、Tomas Mikolov和Yoshua Bengio。 2013.关于训练递归神经网络的难度。 机器学习国际会议论文集。 1310–1318. 谷歌学者 达里奥·雷塔吉（Dario Rethage）、乔迪·蓬斯（Jordi Pons）和泽维尔·塞拉（Xavier Serra）。 2018年，用于语音去噪的WaveNet。 2018年IEEE声学、语音和信号处理国际会议论文集。 5069–5073. 谷歌学者 交叉引用 Kiarash Shaloudegi、András György、Csaba Szepesvári和Wilsun Xu。 2016年，SDP放松，能源分解随机取整。 第30届神经信息处理系统国际会议论文集。 4985–4993. 谷歌学者 申昌浩（Changho Shin）、赵成婉（Sunghwan Joo）、尹家云（Jaeryun Yim）、李孝硕（Hyoseop Lee）、大寿文（Taesup Moon）和李元勋（Wonjong Rhee）。 2019.用于非侵入性负载监测的子任务门控网络。第33届AAAI人工智能会议论文集。 1150–1157. 谷歌学者 交叉引用 奥利维尔·西德勒。 2003年DSM：欧洲四个国家400户家庭最终使用计量活动的主要结果。 ECEEE夏季研究论文集。 467–474. 谷歌学者 O.Sidler和P.Waide。 1999.计量问题！ 设备效率3，4（1999）。 谷歌学者 S.Singh和A.Majumdar。 2018年。非侵入性负载监测的深度稀疏编码。IEEE智能电网交易9，5（2018），4669–4678。 谷歌学者 交叉引用 V.Singhal、J.Maggu和A.Majumdar。 2019.通过多标签一致深度字典学习和深度转换学习，从智能仪表测量中同时检测多个设备。 IEEE智能电网交易10，3（2019），2969–2978。 谷歌学者 交叉引用 Tharmakulasingam Sirojan、B.Toan Phung和Eliathamby Ambikairajah。 2018.基于深度神经网络的能量分解。 2018年IEEE智能电网工程国际会议论文集。73–77。 谷歌学者 交叉引用 S.M.Tabatabaei、S.Dick和W.Xu。 2017年。通过多标签分类实现非侵入性负载监测。 IEEE智能电网交易8，1（2017），26–40。 谷歌学者 交叉引用 Aäron van den Oord、Sander Dieleman、Heiga Zen、Karen Simonyan、Oriol Vinyals、Alex Graves、Nal Kalchbrenner、Andrew W.Senior和Koray Kavukcuoglu。 2016.WaveNet：原始音频的生成模型。 arXiv预印本arXiv:1609.03499（2016）。 谷歌学者 S.Verma、S.Singh和A.Majumdar。 2019.用于非侵入性负载监测的多标签限制Boltzmann机器。2019年IEEE声学、语音和信号处理国际会议论文集（ICASSP’19）。 8345–8349. 谷歌学者 Y.Xu、Q.Kong、W.Wang和M.D.Plumbley。 2018年。使用门限卷积神经网络的大尺度弱监督音频分类。2018年IEEE声学、语音和信号处理国际会议论文集（ICASSP’18）。 121–125. 谷歌学者 张朝云、钟明军、王宗佐、奈杰尔·戈达德和查尔斯·萨顿。 2018年，利用神经网络进行序列对点学习，用于非侵入性负载监测。第32届AAAI人工智能会议论文集。 2604–2611. 谷歌学者 B.Zhao、K.He、L.Stankovic和V.Stankovi。 2018.使用图形信号处理改进基于事件的非侵入性负载监控。 IEEE Access 6（2018），53944–53959。 谷歌学者 交叉引用 B.Zhao、L.Stankovic和V.Stankovi。 2016年，关于使用图形信号处理进行非侵入式电器负载监测的无培训解决方案。 IEEE Access 4（2016），1784–1799。 谷歌学者 交叉引用 钟明军、奈杰尔·戈达德和查尔斯·萨顿。 2014.加性阶乘HMM中的信号聚合约束，应用于能量分解。 神经信息处理系统进展论文集。 3590–3598. 谷歌学者
建议
基于人工神经网络的能量在线分解滑动窗方法 SETN’18：第十届希腊人工智能会议记录 能量分解是从建筑物的总能耗信号中提取多个电器的功耗的过程。 在过去的十年中，人工神经网络（ANN）在这项任务中非常流行。 在本文中，我们。。。 基于聚类回归模型的能量分解——以便利店为例 TAAI’13：2013年人工智能技术和应用会议记录 全球变暖和自然资源枯竭是我们所面临的两个最困难的问题。 为了解决这个问题，人们开始更加关注碳减排和节能。 对于住宅。。。
