控制装置、控制方法、信息处理装置、信息处理方法以及程序与流程
本技术涉及控制装置、控制方法、信息处理装置、信息处理方法以及程序，并且具体涉及控制装置、控制方法、信息处理装置、信息处理方法以及程序，例如，通过这些可以迅速地对房子里的多个电器进行确定功耗等的解聚。
背景技术：
被称作NILM(非侵入式负载监测)的技术引起了关注。例如，在该技术中，基于房子中的配电板(配电盘)测量的电流的信息，确定连接至配电板的房子中的诸如主要电器(家用电器)的电器(电气装置、电子装置)的个体功耗、电流消耗等。
本申请的申请人已经提出解聚技术作为NILM。在该技术中，利用FHMM(因子隐Markov模型)，不仅各自具有ON和OFF两个操作状态的电器，而且还有各自具有三个以上操作状态的电器，电器中的每一个的电流消耗等基于配电板测量的有关电流的信息容易地并且准确地确定(例如参见专利文献1)。
专利文献1：日本专利申请公开第2013-210755号
技术实现要素：
要解决的问题
例如，为了基于由配电板测量的电流的信息进行电器的确定电流消耗等的解聚，每个电器的电流消耗必须根据电器的操作状态中的改变(即电器的开/关)变化。
例如，电器的操作状态可以通过用户的操作改变。然而，利用用户的操作，解聚花费时间。
考虑到以上提及的情况构成本技术以快速地进行解聚。
用于解决问题的方法
根据本技术的信息处理装置或第一程序是信息处理装置，包括：电器信息获取单元，从控制装置获取电器标记和操作状态标记，其中控制装置操作电器、识别电器的操作状态并且发送表示电器的电器标记和表示电器的操作状态的操作状态标记；可能性信息获取单元，基于可能性信息利用有关由电器消耗的电流的总和的总和数据更新图案信息，可能性信息表示消耗由图案信息表示的电流消耗的可能性，可能性信息相对于表示多个电器中的每一个的操作状态中的每一个中的电流消耗的图案信息获得，从而获取由解聚电器的单独的电流消耗得到的可能性信息；以及标记单元，基于可能性信息确定图案信息并且执行将电器标记和操作状态标记与图案信息相关联的标记，其中图案信息表示在由电器标记表示的电器的电流操作状态下消耗的电流消耗。可替换地，信息处理装置是用于促使计算机用作这种信息处理装置的程序。
根据本技术的信息处理方法是包括如下步骤的信息处理方法：从控制装置获取电器标记和操作状态标记，其中控制装置操作电器、识别电器的操作状态，并且发送表示电器的电器标记和表示电器的操作状态的操作状态标记；基于可能性信息利用有关由多个电器消耗的电流的总和的总和数据更新图案信息，其中可能性信息表示消耗由图案信息表示的电流消耗的可能性，可能性信息相对于表示电器中的每一个的操作状态中的每一个内的电流消耗的图案信息获得，从而获取从分离电器的电流消耗的解聚得到的可能性信息；以及基于可能性信息确定图案信息并且执行将电器标记和操作状态标记与图案信息相关联的标记，其中图案信息表示在由电器标记表示的电器的当前操作状态下消耗的电流消耗。
在根据本技术的信息处理装置，信息处理方法以及第一程序中，从控制装置获取电器标记和操作状态标记，其中控制装置操作电器、识别电器的操作状态并且发送表示电器的电器标记和表示电器的操作状态的操作状态标记。进一步，基于可能性信息利用有关由电器消耗的电流的总和的总和数据更新图案信息，其中可能性信息表示消耗由图案信息表示的电流消耗的可能性，可能性信息相对于表示多个电器中的每一个的操作状态中的每一个内的电流消耗的图案信息获得，从而获取从分离电器的电流消耗的解聚得到的可能性信息。此外，基于可能性信息确定图案信息并且执行将电器标记和操作状态标记与图案信息相关联的标记，其中图案信息表示在由电器标记表示的电器的当前操作状态下消耗的电流消耗。
根据本技术的控制装置或第二程序是控制装置，包括：操作控制器，控制相对于电器的操作；识别单元，识别电器的操作状态；以及通信单元，基于可能性信息利用有关由电器消耗的电流的总和的总和数据更新图案信息，其中可能性信息表示消耗由图案信息表示的电流消耗的可能性，可能性信息相对于表示多个电器中的每一个的操作状态中的每一个内的电流消耗的图案信息获得，从而将表示电器的电器标记和表示电器的操作状态的操作状态标记发送至执行分离电器的电流消耗的解聚的解聚装置。可替换地，控制装置是用于促使计算机用作这种控制装置的程序。
根据本技术的控制方法是包括如下步骤的控制方法：操作电器；识别电器的操作状态；以及基于可能性信息利用有关由多个电器消耗的电流的总和的总和数据更新图案信息，其中可能性信息表示消耗由图案信息表示的电流消耗的可能性，可能性信息相对于表示电器中的每一个的操作状态中的每一个内的电流消耗的图案信息获得，从而将表示电器的电器标记和表示电器的操作状态的操作状态标记发送至执行分离电器的电流消耗的解聚的解聚装置。
在根据本技术的控制装置、控制方法以及第二程序中，操作电器并且识别电器的操作状态。进一步，基于可能性信息利用有关由多个电器消耗的电流的总和的总和数据更新图案信息，其中可能性信息表示消耗由图案信息表示的电流消耗的可能性，可能性信息相对于表示电器中的每一个的操作状态中的每一个内的电流消耗的图案信息获得，从而将表示电器的电器标记和表示电器的操作状态的操作状态标记发送至执行分离电器的电流消耗的解聚的解聚装置。
应当注意，信息处理装置和控制装置可以是独立的装置或可以是配置单个装置的内部块件。
进一步，程序可以通过经由传输介质传输提供或通过记录在记录介质上提供。
效果
根据本技术，能够快速地执行解聚。
应当注意，这里描述的效果不必是限制性的并且可以是本公开中描述的任何效果。
附图说明
[图1]示出应用了本技术的解聚系统的实施方式的配置实例的示图。
[图2]描述解聚系统的处理的实例的示图。
[图3]描述通过解聚装置16进行的解聚的概况的示图。
[图4]描述在解聚中进行的波形分离学习的概况的示图。
[图5]示出解聚装置16的配置实例的框图。
[图6]描述FHMM的示图。
[图7]描述通过FHMM的解聚的构想的概况的示图。
[图8]描述根据EM算法的FHMM的学习的处理(学习处理)的流程图，其中学习处理通过解聚装置16进行。
[图9]描述通过步骤S13中的解聚装置16进行的E步骤的处理的流程图。
[图10]描述FHMM的前向概率αt,z和后向概率βt,z与HMM的前向概率αt,i和后向概率βt,j之间的关系的示图。
[图11]描述通过步骤S14中的解聚装置16进行的M步骤的处理的流程图。
[图12]描述通过解聚装置16进行的呈现电器#m的信息的信息呈现处理的流程图。
[图13]示出在信息呈现处理中进行的功耗U(m)的显示实例的示图。
[图14]示出媒介14的外部配置实例的立体图。
[图15]示出媒介14的内部配置实例的框图。
[图16]示出存储在半导体存储器115中的电器表的实例的示图。
[图17示出当媒介14和解聚装置16协同操作时标记获取单元35的配置实例的框图。
[图18]示出存储在对应的存储单元204中的对应表的实例的示图。
[图19]示出通过媒介14作为用于记录对应表中的对应信息的标记处理而进行的处理的实例的流程图。
[图20]示出通过标记获取单元35作为用于记录对应表中的对应信息的标记处理而进行的处理的实例的流程图。
[图21]示出当媒介14和解聚装置16协同操作时数据输出单元36的配置实例的框图。
[图22]示出由媒介14进行的处理作为通知用户用户的房子中的电器的操作状态的操作状态通知处理的实例的流程图。
[图23]示出通过数据输出单元36进行的处理作为通知用户用户的房子中的电器的操作状态的操作状态通知处理的实例的流程图。
[图24]示出根据应用了本技术的计算机的实施方式的硬件的配置实例的框图。
具体实施方式
<解聚系统的配置实例>
图1是示出应用了本技术的解聚系统的实施方式的配置实例的示图。
在用户的房子(家庭、公司等)中，布置配电板11。从电力公司提供的电穿过功率表12被拉入到配电板11中，并且从配电板11供应至电器，诸如用户的房子的主要电器(连接至电源插座等的)。例如，电流传感器13安装在配电板11上。
电流传感器13在所谓的配电板11的单个基点测量通过用户的房子中的所有电器(一个或多个电器)消耗的电流的总和，单个基点给用户的房子供应电。例如，电流传感器13经由诸如互联网的网络15将电流的总和发送至配置在云端的解聚装置16。
例如，媒介14是看起来像狗的可移动的宠物机器人。媒介14用作控制用户的房子中的电器的控制装置。
具体地，媒介14移动手或腿，从而直接操作电器的按键或者用于电器的远程控制器的按键。以这种方式，媒介14操作电器，例如，打开/关闭电器或者改变其操作模式。
另外，媒介14发射红外线用于电器或者经由家庭网络与电器无线或有线通信，该红外线类似于由远程控制器发射的红外线。以这种方式，媒介14可以操作(控制)电器。
进一步，例如，媒介14手持杆等并且利用杆操作电器的按键。以这种方式，媒介14可以操作电器。
媒介14识别用户的房子中的电器的操作状态(例如打开/关闭状态、静音状态)。媒介14将它们经由网络15供应至解聚装置16，作为有关电器的电器信息。
此外，媒介14能够从解聚装置16经由网络15接收用户的房子中的电器的操作状态，并且根据操作状态采取预设动作。
解聚装置16接收从用户的房子的电流传感器13经由网络15发送的电流的总和。解聚装置16基于电流的总和的序列(电流波形序列)，执行分离由用户的房子中的单独的电器(例如TV(电视接收器)、电热壶、冰箱以及灯)消耗的电流消耗或功耗的解聚。
此外，解聚装置16利用来自媒介14的电器信息执行标记。标记用于表示电器和电器的操作状态，其中在电器中消耗了从解聚得到的电流消耗等。
进一步，解聚信息16基于从解聚得到的电流消耗等，检测用户的房子中的电器的操作状态并且将操作状态经由网络15发送至媒介14。
图2是描述图1的解聚系统的处理的实例的示图。
电流传感器13测量由用户的房子的所有电器消耗的电流的总和。电流传感器13将电流的总和经由网络15发送至解聚装置16。
解聚装置16接收从用户的房子的电流传感器13发送的电流的总和。解聚装置16执行解聚。在解聚中，由用户的房子中的单独的电器消耗的电流与电流的总和的序列(电流波形序列)分离。
如在图1和图2中所示，在用户的房子中有电器#1、#2、#3、#4。解聚装置16执行由用户的房子中的电器#1至电器#4单独消耗的分离电流(电流消耗)的解聚。
在此，为了使解聚装置16分离电器#1至电器#4的电流消耗，电器的电流消耗必须变化。
由此看来，例如，如果必要的话用户的房子中的媒介14在用户的房子中移动并且操作电器的按键或者用于电器的远程控制器的按键，从而操作电器，例如打开/关闭电器。
通过这样，当电器#1至电器#4处于不同的操作状态时的功耗的总和从电流传感器13发送至解聚装置16。功耗的总和的实例包括当某个电器断电时电器#1至电器#4的电流消耗的总和以及当另一电器通电时电器#1至电器#4的电流消耗的总和。
然后，解聚装置16利用当电器#1至电器#4处于不同的操作状态时功耗的总和执行解聚。通过这样，电器#1至电器#4的电流消耗分离。
进一步，解聚装置16基于从解聚得到的电器#1至电器#4中的每一个的电流消耗，检测用户的房子中的电器的操作状态。解聚装置16将它们经由网络15发送至媒介14。
媒介14从解聚装置16接收用户的房子中的电器的操作状态。媒介14根据操作状态采取预设动作。
例如，假设媒介14从解聚装置16接收电器的操作状态，该操作状态表示用户的房子的廊灯已被接通。在这种情况下，即使当媒介14没有位于用户的房子的入口时媒介14识别廊灯已被接通。
在这种情况下，媒介14能够识别居住在用户的房子中的用户回家，并且采取动作从用户的房子的房间移动至入口迎接他或她。
可替换地，媒介14能够在当前定位附近通知用户用户的房子的廊灯已被接通的事实，例如作为声音来通知。
<解聚>
图3是描述通过图1的解聚装置16进行的解聚的概况的示图。
在每个用户的房子中，从电力公司提供的电拉入配电板12中并且从配电板12供应至电器，诸如用户的房子的主要电器。
为了解聚，配电板12设置有电流传感器13。电流传感器13测量由用户的房子中的电器消耗的电流的总和。以这种简单方式，用户的房子的单独的电器的电流消耗(功耗)从电流的总和的序列(电流波形序列)中分离。
应当注意，可以采用有关由电器消耗的电流的总和的总和数据，例如简单地由电器消耗的电流的总和，作为用于解聚的数据。
可以采用值的总和(其可以相加)作为总和数据。具体地，除由电器自身消耗的电流的总和以外，通过在由电器消耗的功率的总和上或者由电器消耗的电流的波形的总和上执行FFT(快速傅里叶变换)等，可以获得频率分量的总和，例如采用频率分量的总和作为总和数据。
进一步，在解聚中，有关由单独的电器消耗的电流的信息(诸如由单独的电器消耗的电流)可以基于总和数据分离。具体地，例如，在解聚中，由单独的电器消耗的电流值和功率值以及其频率分量可以基于总和数据分离。
在以下描述中，例如，假设采用由电器消耗的电流的总和作为总和数据，并且在解聚中，例如，由单独的电器消耗的电流(电流消耗)的波形与电流的总和的波形(即总和数据)分离。
图4是描述在解聚中进行的波形分离学习的概况的示图。
在解聚中进行波形分离学习。在波形分离学习中，基于总和数据确定每个电器的电流消耗的波形。
在波形分离学习中，假设在各时间t的点的总和数据的电流波形Yt是各个表示每个电器#m的电流消耗的具体波形W(m)的相加值(总和)，从电流波形Yt确定由单独的电器#m消耗的具体波形W(m)。
在图4中，用户的房子包括五个电器#1至#5。在五个电器#1至#5当中，电器#1、#2、#4以及#5是开启状态(消耗功率的状态)并且电器#3处于关闭状态(不消耗功率的状态)。
因此，在图4中，作为总和数据的电流波形Yt是电器#1、#2、#4以及#5的电流消耗W(1)、W(2)、W(4)以及W(5)的相加值(总和)。
<解聚装置16的配置实例>
图5是示出图1的解聚装置16的配置实例的框。
在图5中，解聚装置16包括通信单元30、数据获取单元31、状态估计单元32、模型存储单元33、模型学习单元34、标记获取单元35以及数据输出单元36。
通信单元30经由网络15与电流传感器13或媒介14通信。
具体地，通信单元30经由网络15接收从电流传感器13发送的作为总和数据的电流波形的时间序列Y(电流时间序列)。通信单元30将电流时间序列Y供应至数据获取单元31。
进一步，通信单元30经由网络15接收从媒介14发送的数据并且将该数据供应至标记获取单元35或数据输出单元36。此外，通信单元30经由网络15从标记获取单元35或数据输出单元36发送供应至媒介14的数据。
应当注意，在这个实施方式中，通信可以是无线通信、有线通信以及无线通信和有线通信中的任一项。
数据获取单元31通过经由通信单元30接收而获取从电流传感器13发送的作为总和数据的电流波形的时间序列Y(电流时间序列)。数据获取单元31将电流时间序列Y供应至状态估计单元32、模型学习单元34以及数据输出单元36。
进一步，数据获取单元31获取具有对应于电流波形Y的电压的波形(电压波形)的时间序列V(电压时间序列)作为总和数据。数据获取单元31将电压时间序列V供应至状态估计单元32、模型学习单元34以及数据输出单元36。
应当注意，如在电流波形Y中，可以通过配电板12测量电压波形V并且可以将电压波形V经由网络15发送至解聚装置16。进一步，可以采用在例如50Hz或60Hz的预定频率具有预定值(例如100V的均方根值)的正弦波(近似从电力公司提供的电)作为电压波形V。
状态估计单元32进行状态估计。在状态估计中，利用来自数据获取单元31的电流波形Y和整体模型(的模型参数)估计对应于用户的房子的相应电器的整体模型的状态。在此，整体模型是用户的房子中的所有电器的模型并且存储在模型存储单元33中。然后，状态估计单元32将状态估计的状态估计结果Γ(即整个模型的状态)供应至模型学习单元34、标记获取单元35以及数据输出单元36。
即在图5中，状态估计单元32包括评估器41和估计器42。
评估器41确定评估值E并且将其供应至估计器42。评估值E用于评估以下程度，该程度是在构成存储在模型存储单元33中的整体模型的多个电器模型#1至#M中的每一个的状态的组合中的每一个内，观察到从数据获取单元31供应(至状态估计单元32)的电流波形Y的程度。
利用从评估器41供应的评估值E，估计器42估计构成存储在模型存储单元33中的整体模型的多个电器模型#1至#M中的每一个的状态Γ。估计器42将状态Γ供应至模型学习单元34、标记获取单元35以及数据输出单元36。
模型存储单元33存储作为所有多个电器的模型的整体模型(的模型参数)。
整体模型由作为多个(即M个)电器(表示电流消耗)的模型的电器模型#1至#M构成。例如，电器模型#1至#M以及由电器模型#1至#M构成的整体模型是概率生成模型或状态转换模型并且包括多个状态。
整体模型的参数包括电流波形参数，电流波形参数表示对于电器模型#m的状态(对应的电器的操作状态)中的每一个的电流消耗。
整体模型的参数的其他实例可以包括表示电器模型#m的状态(对应的电器的操作状态)的转换(变化)的状态变化参数，表示电器模型#m的状态(对应的电器的操作状态)的初始状态的初始状态参数，以及涉及整体模型中观察到的(生成的)电流波形Y的观察值的差异的差异参数。
在必要时，存储在模型存储单元33中的整体模型的模型参数由状态估计单元32的评估器41和估计器42、标记获取单元35以及数据输出单元36引用。存储在模型存储单元33中的整体模型的模型参数通过模型学习单元34中的波形分离学习单元51、差异学习单元52以及状态变化学习单元53更新，这将稍后描述。
模型学习单元34进行模型学习，其中存储在模型存储单元33中的整体模型的模型参数利用从数据获取单元31供应的电流波形Y以及从状态估计单元32(的估计器42)供应的状态估计((构成整体模型的)相应的电器模型#m的状态)的状态估计结果Γ更新。
即在图5中，模型学习单元34包括波形分离学习单元51、差异学习单元52以及状态变化学习单元53。
波形分离学习单元51进行波形分离学习，其中利用从数据获取单元31供应(至模型学习单元34)的电流波形Y以及从状态估计单元32(的估计器42)供应的相应电器模型#m的状态估计结果Γ，确定(更新)电流波形参数(即模型参数)。波形分离学习单元51利用从波形分离学习得到的电流波形参数，更新存储在模型存储单元33中的电流波形参数。
差异学习单元52进行差异学习，其中利用从数据获取单元31供应(至模型学习单元34)的电流波形Y以及从状态估计单元32的(估计器42)供应的相应电器模型#m的状态估计结果Γ，确定(更新)差异参数(即模型参数)。差异学习单元52利用从差异学习得到的差异参数，更新存储在模型存储单元33中的差异参数。
状态变化学习单元53进行状态变化学习，其中利用从状态估计单元32(的估计器42)供应的相应电器模型#m的状态估计结果Γ，确定(更新)状态变化参数(即模型参数)。状态变化学习单元53利用从状态变化学习得到的初始状态参数和状态变化参数，更新存储在模型存储单元33中的初始状态参数和状态变化参数。
在必要时，标记获取单元35利用从状态估计单元32(的估计器42)供应的相应电器模型#m的状态估计结果Γ、存储在模型存储单元33中的整体模型通过数据输出单元36获得的表示相应电器模型#m的电器的功耗U(m)、从通信单元30供应的来自媒介14的数据等，获取表示对应于每个电器模型#m的电器的电器标记L(m)(用于识别电器)。在必要时，标记获取单元35将电器标记L(m)供应至数据输出单元36。
数据输出单元36利用从数据获取单元31供应的电压波形V、从状态估计单元32(的估计器42)供应的每个电器模型#m的状态估计结果Γ以及存储在模型存储单元33中的整体模型，确定(对应于每个电器模型#m的)用户的房子的每个电器的功耗U(m)，每个电器由每个电器模型#m表示。数据输出单元36将功耗U(m)与从标记获取单元35供应的电器标记L(m)一起供应至居住在用户的房子中的用户。
具体地，数据输出单元36将用户的房子中的电器中的每一个的功耗U(m)和电器标记L(m)从通信单元30经由网络15发送至媒介14。通过与包括显示器的显示装置(例如，用户的房子中的TV或居住在用户的房子中的用户持有的智能手机)通信，媒介14能够将功耗U(m)和电器标记L(m)从数据输出单元36发送至显示装置。
进一步，数据输出单元36基于相应电器模型#m的状态估计结果Γ检测用户的房子中的每个电器的操作状态。数据输出单元36将表示该操作状态的操作状态标记从通信单元30经由网络15发送至媒介14。媒介14能够根据来自数据输出单元36的用户的房子的每个电器的操作状态(标记)采取预定动作。
在因此配置的解聚装置16中，例如，可以采用FHMM(因子隐Markov模型)作为整体模型存储在模型存储单元33中。
<FHMM>
图6是描述FHMM的示图。
具体地，图6中的A示出常规HMM的图形模型并且图6中的B示出FHMM的图形模型。
在常规HMM中，在时间点t，在处于时间点t的单个状态St中观察到单个观察值Yt。
另一方面，在FHMM中，在时间点t处，在处于时间点t的多个状态S(1)t、S(2)t、...、S(m)t的组合中观察到单个观察值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(在下文中也称为文献A)中描述了FHMM的细节。
图7是描述通过FHMM的解聚的构想的概况的示图。
在此，FHMM被配置为具有多个HMM。FHMM中的HMM中的每一个称为因子。在下文中，FHMM的第m个因子也将称为因子#m。
在FHMM中，处于时间点t的多个状态S(1)t至S(m)t的组合是处于时间点t的因子#m的状态(因子#1的状态、因子#2的状态、...、因子#M的状态的集合)的组合。
图7示出其中因子的数量M是3的FHMM。
例如，在解聚中，一个因子对应于一个电器(一个因子与一个电器相关联)。在图7中，因子#m对应于电器#m。
在FHMM中，的因子的状态的数量针对每个因子是任意的。然而，在图7中，三个因子#1、#2、#3中的每一个的状态的数量是四。
在图7中，在时间点t＝t0处，因子#1(已)处于四个状态#11、#12、#13、#14中的状态#14(由实线圆表示)。因子#2处于四个状态#21、#22、#23、#24中的状态#21(由实线圆表示)。进一步，在时间点t＝t0处，因子#3处于四个状态#31、#32、#33、#34中的状态#33(由实线圆表示)。
例如，在解聚中，因子#m的状态对应于对应于因子#m的电器#m的操作状态。
例如，在对应于电器#1的因子#1中，状态#11对应于电器#1的关闭状态并且状态#14对应于电器#1在所谓的正常模式上的开启状态。进一步，例如，在对应于电器#1的因子#1中，状态#12对应于电器#1在所谓的睡眠模式上的开启状态。状态#13对应于电器#1在所谓的节能模式上的开启状态。
在FHMM中，在因子#m的状态#mi中，观察到(生成)特定波形W(m)#mi(即特定于每个因子的每个状态的波形)。
在图7中，在因子#1中，在处于时间点t＝t0的状态#14下，观察到特定波形W(1)#14。在因子#2中，在处于时间点t＝t0的状态#21下，观察到特定波形W(2)#21。此外，在因子#3中，在处于时间点t＝t0的状态#33下，观察到特定波形W(3)#33。
在FHMM中，生成合成波形作为FHMM中观察到的观察值，合成波形通过合成处于因子中的状态下观察到的特定波形而获得。
在此，例如，可以采用特定波形的总和(相加)用于特定波形的合成。另外例如，可以采用特定波形的权重相加或特定波形的逻辑和(当特定波形的值是0和1时)用于特定波形的合成。然而，在解聚中，采用特定波形的总和。
在FHMM的学习中，在FHMM中，确定(更新)FHMM的模型参数，使得观察到作为时间点t＝...、t0、t1、...的总和数据的电流波形...、Yt0、Yt0+1、...。
当采用如上所述的FHMM作为整体模型存储在模型存储单元33(图5)中时，构成整体模型的电器模型#m对应于因子#m。
应当注意，假设在用户的房子中存在电器的最大数量，采用以预定数量(即裕度)大于电器的最大数量的值，作为FHMM的因子的数量M。
进一步，可以采用其中每个因子具有两个状态或三个以上状态的FHMM作为FHMM(即整体模型)。
当因子的状态的数量是两个状态时，例如，仅可以表达关闭状态和打开状态这两个操作状态作为对应于因子的电器的操作状态。因此，当因子的状态的数量是两个状态时，变得难以相对于具有三个以上操作状态的电器(可变负载电器)(诸如其功耗(电流)根据模式、设定而变化的空调等)准确地确定功耗等。
另一方面，当采用其中每个因子具有三个以上状态的FHMM作为FHMM(即整体模型)时，变得能够相对于具有三个以上操作状态的可变负载电器准确地确定功耗等。
当采用FHMM作为整体模型时，通过假设Markov性质，在FHMM中观察到的电流波形Yt的序列的联合概率分布P({St,Yt})以及因子#m的状态S(m)t的组合St的序列通过表达式(1)计算。
[表达式1]
在此，联合概率分布P({St,Yt})表示在时间点t处，在因子#m的状态S(m)t的组合St中观察到电流波形Yt的概率。
P(S1)表示在第一时间点t＝1处，处于每个因子#m的状态S(m)1的组合S1的初始状态概率。
P(St|St-1)表示在时间点t-1处处于状态的组合St-1并且在时间点t处转换为状态的组合St的概率。
P(Yt|St)表示在时间点t处，在状态的组合St中观察到电流波形Yt的观察概率。
在时间点t处的状态的组合St是在时间点t处M个数量的因子#1至#M中的每一个的状态S(1)t、S(2)t、...、S(m)t的组合，并且由表达式St＝{S(1)t，S(2)t，...，S(m)t}表示。
应当注意，设置为电器#m的操作状态独立于其他电器#m的操作状态变化，并且假设因子#m的状态S(m)t独立于其他因子#m’的状态S(m’)转换。
进一步，可以采用独立于作为其他因子#m’的HMM的状态的数量K(m’)的数量，作为FHMM的因子#m的HMM的状态的数量K(m)。应当注意，在此，为了描述的目的，假设因子#1至#M的状态的数量K(1)至K(m)是相同的数量K，如由表达式K(1)＝K(2)＝...＝K(m)＝K所表达。
在FHMM中，用于计算表达式(1)的联合概率分布P({St,Yt})的初始状态概率P(S1)、转换概率P(St|St-1)以及观察概率P(Yt|St)可以如下计算。
即初始状态概率P(S1)可以根据表达式(2)计算。
[表达式2]
在此，P(S(m)1)表示在时间点t＝1处因子#m的状态S(m)1是状态(初始状态)的初始状态概率。
例如，初始状态概率P(S(m)1)是具有K行的列向量(具有K行和1列的矩阵)，其中因子#m的第k(k＝1、2、...、K)个状态的初始状态概率作为第k个分量。
转换概率P(St|St-1)可以根据表达式(3)计算。
[表达式3]
在此，P(S(m)t|S(m)t-1)表示在因子#m中，在时间点t-1处于状态S(m)t-1并且在时间点t转换为状态S(m)t的转换概率。
例如，转换概率P(S(m)t|S(m)t-1)是具有K行和K列的矩阵(方阵)，其中从因子#m的第k个状态#k转换为第k’(k’＝1、2、...、K)个状态#k’的转换概率作为第k行和第k’列的分量。
观察概率P(Yt|St)可以根据表达式(4)计算。
[表达式4]
在此，划线(’)表示转置并且上标-1表示乘法逆元(逆矩阵)。进一步，|C|表示C(行列式)的绝对值(行列式计算)。
进一步，D表示观察值Yt的维度。
例如，当电压变化从负值到正值时具有与零相交的定时作为电流的相位是0的定时，电流传感器13以预定的采样间隔在一个周期(在日本是1/50或1/60秒)对电流进行采样。电流传感器13输出具有作为分量的采样值的列向量，作为一个时间点的电流波形Yt。
假设通过电流传感器13在一个周期对电流进行采样的次数是D，那么电流波形Yt是具有D行的列向量。
根据表达式(4)的观察概率P(Yt|St)，观察值Yt基于平均值(平均向量)是μt并且差异(差异-协差异矩阵)是C的正态分布。
如在电流波形Yt中，平均值μt是具有D行的列向量并且差异C是具有D行和D列的矩阵(对角线分量作为差异的矩阵)。
参考图7，平均值μt利用以上描述的特定波形W(m)通过表达式(5)表达。
[表达式5]
在此，假设因子#m的状态#k的特定波形由W(m)k表示。然后，例如，因子#m的状态#k的特定波形W(m)k是作为电流波形Yt中的具有D行的列向量。
进一步，特定波形W(m)是因子#m的状态#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列的矩阵，其中作为因子#m的状态#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表示在时间点t的因子#m的状态。在下文中，S*(m)t也将称为在时间点t的因子#m的当前状态。例如，在时间点t的因子#m的当前状态S*(m)t是具有K行的列向量，其中仅在K行中的一行的分量是1并且在其他行中的分量是0，如在表达式(6)中所示。
[表达式6]
当处于时间点t的因子#m的状态是状态#k时，在具有K行的列向量S*(m)t中，仅第k个分量设为1并且其他分量设为0，即在时间点t的因子#m的当前状态S*(m)t。
根据表达式(5)，确定在时间点t的每个因子#m的状态#k的特定波形W(m)k的总和作为在时间点t的电流波形Yt的平均值μt。
FHMM的模型参数是表达式(2)的初始状态概率P(S(m)1)、表达式(3)的转换概率P(S(m)t|S(m)t-1)，表达式(4)的差异C以及表达式(5)的特定波形W(m)(＝W(m)1，W(m)2，...，W(m)K)。在图5的模型学习单元34中，确定FHMM的模型参数
具体地，波形分离学习单元51进行波形分离学习，从而确定特定波形W作为当前波形参数。差异学习单元52进行差异学习，从而确定差异C作为差异参数。状态变化学习单元53进行状态变化学习，从而确定初始状态概率P(S(m)1)和转换概率P(S(m)t|S(m)t-1)分别作为初始状态参数和状态变化参数。
在此，例如，即使单独的电器的操作状态是打开和关闭两个状态，当20个电器的操作状态(的组合)通过常规HMM表达时，HMM的状态的数量是220＝1，048，576，并且转换概率的数量是1，099，511，627，776(HMM的状态的数量的平方)。
另一方面，根据FHMM，仅具有打开和关闭两个状态的M个数量的电器，作为操作状态可以通过各自具有两个状态的M个数量的因子表达。因此，在每个因子中，状态的数量是二并且转换概率的数量是四(状态的数量的平方)。因此，当M＝20的电器的操作状态(因子)通过FHMM表达时，FHMM的状态的数量(总数)仅必须是小数量，即40＝2*20并且转换概率的数量也仅必须是小数量，即80＝4*20。
例如，FHMM的学习，即作为FHMM的模型参数的初始状态概率P(S(m)1)、转换概率P(S(m)t|S(m)t-1)、差异C以及特定波形W(m)的更新，可以根据如文献A中描述的EM(期望最大化)算法进行。
在利用EM算法的FHMM的学习中，交替地重复E步骤的处理和M步骤的处理以便使表达式(7)的条件完整数据对数似然(log-likelihood)的期望值最大化。
[表达式7]
在此，条件完整数据对数似然的期望值指，当在模型参数下观察到完整数据{St,Yt}时，在新模型参数下观察到完整数据{St,Yt}的对数似然的期望值。
在EM算法的E步骤的处理中，确定表达式(7)的条件完整数据对数似然的期望值(等价于Q的值)。在EM算法的M步骤的处理中，确定增加在E步骤的处理中确定的期望值的新模型参数并且模型参数更新至新模型参数(增加期望值)。
<作为解聚的FHMM的模型学习>
图8是描述基于EM算法(即通过解聚装置16(图5)进行解聚)的FHMM的模型学习的处理(学习处理)的实例的流程图。
在步骤S11中，模型学习单元34初始化存储在模型存储单元33中的FHMM的模型参数即初始状态概率P(S(m)1)、转换概率P(S(m)t|S(m)t-1)、差异C以及特定波形W(m)。然后，处理进行至步骤S12。
在此，例如，作为初始状态概率P(S(m)1)的具有K行的列向量的第k个分量，即因子#m的第k个初始状态概率π(m)k初始化为1/K。
例如，利用随机数，在作为(即因子#m的)转换概率P(S(m)t|S(m)t-1)的具有K行和K列的矩阵的第i行和第j列中的分量(i，j＝1、2、...K)中，初始化从第i个状态#i转换为第j个状态#j的转换概率P(m)i,j，以便满足表达式P(m)i,1+P(m)i,2+...+P(m)i,K＝1。
例如，具有D行和D列的矩阵(即差异C)初始化为对角线矩阵，其中第D行和第D列中对角线分量利用随机数设置并且其他分量设为0。
例如，利用随机数将具有D行和K列的矩阵(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的状态#k的特定波形W(m)k)中的每个分量初始化。
在步骤S12中，数据获取单元31在预定时间T获取通过电流传感器13测量的电流波形并且将在时间点t＝1、2、...、T的电流波形Y1、Y2、...、YT供应至状态估计单元32和模型学习单元34。然后，处理进行至步骤S13。
在此，数据获取单元31也获取在时间点t＝1、2、...、T的电压波形以及电流波形。数据获取单元31将在时间点t＝1、2、...、T的电压波形供应至数据输出单元36。
在数据输出单元36中，来自数据获取单元31的电压波形用于计算功耗。
在步骤S13中，状态估计单元32利用来自数据获取单元31的测量的波形Y1至YT进行E步骤的处理。然后，处理进行至步骤S14。
具体地，在步骤S13中，状态估计单元32利用来自数据获取单元31的测量的波形Y1至YT，进行状态估计，其中FHMM的每个因子#m的每个状态内的状态概率等存储在模型存储单元33中。状态估计单元32将状态估计的状态估计结果供应至模型学习单元34和数据输出单元36。
在此，如上参考图7所述，在解聚中，因子#m的状态对应于与因子#m对应的电器#m的操作状态。FHMM的因子#m的处于状态#k的状态概率表示，电器#m的操作状态与状态#k之间的对应的程度。因此，可以说确定这种状态概率的状态估计确定(估计)电器的操作状态。
在步骤S14中，模型学习单元34利用来自数据获取单元31的测量的波形Y1至YT以及来自状态估计单元32的状态估计结果进行M步骤的处理。然后，处理进行至步骤S15。
具体地，在步骤S14中，模型学习单元34利用来自数据获取单元31的测量的波形Y1至YT以及来自状态估计单元32的状态估计结果，进行存储在模型存储单元33中的FHMM的学习，从而更新作为存储在模型存储单元33中的FHMM的模型参数的初始状态概率π(m)k、转换概率P(m)ij、差异C以及特定波形W(m)。
在步骤S15中，模型学习单元34确定模型参数是否满足收敛条件。
可以采用如下事实作为模型参数的收敛条件：E步骤和M步骤的处理重复预先设定的预定次数，或者在更新通过FHMM中测量的波形Y1至YT观察到的似然的模型参数之前和之后改变的量在预先设定的阈值内。
当在步骤S15中确定不满足模型参数的收敛条件时，处理返回至步骤S13并且然后重复类似的处理。
进一步，当在步骤S15中确定满足模型参数的收敛条件时，学习处理终止。
应当注意，在步骤S12至步骤S15中的处理周期或非周期地执行。
图9是描述E步骤的处理的流程图，E步骤通过图8的步骤S13中的图5的解聚装置16执行。
在步骤S21中，利用存储在模型存储单元33中的FHMM(即整体模型)的差异C和特定波形W(m)，以及来自数据获取单元31的测量的波形Yt＝{Y1，Y2，...,YT}，评估器41确定表达式(4)的观察概率P(Yt|St)作为在各时间点t＝{1，2，...,T}相对于状态的每个组合St的评估值E。评估器41将评估值E提供至估计器42。然后，处理进行至步骤S22。
在步骤S22中，利用来自评估器41的观察概率P(Yt|St)和存储在模型存储单元33中的FHMM(即整体模型)的转换概率P(m)i,j(以及初始状态率π(m))，估计器42观察测量的波形Y1、Y2、...、Yt并且确定处于时间点t的状态的组合z(在时间点t的因子#1的状态、因子#2的状态、...、因子#M的状态的组合)中的前向概率αt,z。然后，处理进行至步骤S23。
在此，例如，在“Pattern Recognition and Machine Learning-Statistical Prediction based on Bayesian Theory”by C.M.Bishop,Springer Japan,2008(后文中也称为文献B)的第336页中描述了如何确定HMM的前向概率。
例如，前向概率αt,z可以根据递推关系αt,z＝Σαt-1,wP(z|w)P(Yt|z)利用在先前时间点的前向概率αt-1,w来确定。
在递推关系αt，z＝Σαt-1,wP(z|w)P(Yt|z)中，Σ表示通过将w设定为FHMM的状态的组合的全部而求的和。
进一步，在递推关系αt,z＝Σαt-1,wP(z|w)P(Yt|z)中，w表示处于时间点t-1(即先前时间点)的状态的组合。P(z|w)表示在时间点t-1处于状态的组合w并且在时间点t转换为状态的组合z的转换概率。P(Yt|z)表示在时间点t在状态的组合z中观察到测量的波形Yt的观察概率。
应当注意，采用构成状态的组合z的每个因子#m的状态#k的初始状态概率π(m)k的乘积作为前向概率αt,z(即在时间点t＝1的前向概率α1,z)。
在步骤S23中，利用来自评估器41的观察概率P(Yt|St)和存储在模型存储单元33中的FHMM(即整体模型)的转换概率P(m)i,j，估计器42确定在时间点t处于状态的组合z中并且然后观察到测量的波形Yt、Yt+1、...、YT的后向概率βt,z。然后，处理进行至步骤S24。
在此，例如，在以上文献B的第336页中描述了如何确定HMM的后向概率。
例如，后向概率βt,z可以利用在下一时间点的后向概率βt+1,w，根据递推关系βt,z＝ΣP(Yt|z)P(w|z)βt+1,w而确定。
在递推关系βt,z＝ΣP(Yt|z)P(w|z)βt+1,w中，Σ表示通过将w设定为FHMM的状态的组合的全部而求和。
此外，在递推关系βt,z＝ΣP(Yt|z)P(w|z)βt+1,w中，w表示处于作为下一时间点的时间点t+1的状态的组合。P(w|z)表示在时间点t处于状态的组合z并且在时间点t+1转换到状态的组合w的转换概率。P(Yt|z)表示在时间点t，在状态的组合z中观察到测量的波形Yt的观察概率。
应当注意，采用1作为后向概率βt,z(即在时间点t＝T的后向概率)的初始值。
在步骤S24中，利用前向概率αt,z和后向概率βt,z，估计器42确定在FHMM(即根据表达式(8)的整体模型)中，在时间点t处于状态的组合z中的后验概率γt,z。然后，处理进行至步骤S25。
[表达式8]
在此，表达式(8)的右侧上的分母中的Σ表示通过将w设定至在时间点t可取的状态的组合St的所有而求的和。
根据表达式(8)，利用这样的乘积αt,wβt,w相对于FHMM可取的状态的组合w的总和Σαt,wβt,w，通过将前向概率和后向概率的乘积归一化而确定后验概率γt,z。
在步骤S25中，利用后验概率γt,z，估计器42确定在因子#m中在时间点t处于状态S(m)t的后验概率<S(m)t>，以及在时间点t在因子#m中处于状态S(m)t的后验概率<S(m)tS(n)t’>，以及在另一因子#n中处于状态S(n)t的后验概率<S(m)tS(n)t’>。然后，处理进行至步骤S26。
在此，根据表达式(9)确定后验概率<S(m)t>。
[表达式9]
根据表达式(9)，在因子#m中，通过将在时间点t处于状态的组合z的后验概率γt,z相对于不包括因子#m的状态的状态的组合z进行边缘化而确定在时间点t处于状态S(m)t的后验概率<S(m)t>。
应当注意，例如，后验概率<S(m)t>是具有K行的列向量，其中在时间点t处于因子#m的K个数量状态中的第k个状态的状态概率(后验概率)作为第k个分量。
后验概率<S(m)tS(n)t’>根据表达式(10)确定。
[表达式10]
根据表达式(10)，在因子#m中，通过将在时间点t处于状态的组合z的后验概率γt,z相对于不包括因子#m的状态且不包括因子#n的状态的状态的组合z进行边缘化，而确定在时间点t处于状态S(m)t并且在另一因子#n中处于状态S(n)t的后验概率<S(m)tS(n)t’>。
应当注意，例如，后验概率<S(m)tS(n)t’>是具有K行和K列的矩阵，其中在时间点t处于因子#m的状态#k并且处于另一因子#n的状态k’的状态概率(后验概率)作为第k行和第k’列的分量。
在步骤S26中，利用前向概率αt,z、后向概率βt,z、转换概率P(z|w)以及来自评估器41的观察概率P(Yt|St)，估计器42确定在因子#m中，在时间点t-1处于状态S(m)t-1并且在下一时间点t处于状态S(m)t的后验概率<S(m)t-1S(m)t’>。
然后，估计器42将后验概率<S(m)t>、<S(m)tS(n)t’>以及<S(m)t-1S(m)t’>作为状态估计结果提供至模型学习单元34、标记获取单元35以及数据输出单元36。然后，处理从E步骤的处理返回。
在此，后验概率<S(m)t-1S(m)t’>根据表达式(11)确定。
[表达式11]
为了计算表达式(11)中的后验概率<S(m)t-1S(m)t’>，根据表达式(3)，从状态的组合w转换到状态的组合z的转换概率P(z|w)确定为，从因子#1中的构成状态的组合w的状态#i(1)至因子#1中的构成状态的组合z的状态#j(1)的转换概率P(1)i(1),j(1)、从因子#2中的构成状态的组合w的状态#i(2)至因子#2中的构成状态的组合z的状态#j(2)的转换概率P(2)i(2)，j(2)...、以及从因子#m中的构成状态的组合w的状态#i(m)至因子#m中的构成状态的组合z的状态#j(m)的转换概率P(m)i(m),j(m)的乘积P(1)i(1),j(1)*PP(2)i(2),j(2)*...*P(m)i(m),j(m)。
应当注意，例如，后验概率<S(m)t-1S(m)t’>是具有K行和K列的矩阵，其中在因子#m中在时间点t-1处于状态#i的状态概率(后验概率)并且在下一时间点t处于状态j的状态概率(后验概率)作为第i行和第j列的分量。
图10是描述FHMM中的前向概率αt,z与后向概率βt,z之间的关系以及(正常)HMM中的前向概率αt,i与后向概率βt,j之间的关系的示图。
对于FHMM，可以配置等效于该FHMM的HMM。
等效于某个FHMM的HMM具有等效于FHMM中的因子的状态的组合z的状态。
然后，FHMM中的前向概率αt,z和后向概率βt,z与等效于该FHMM的HMM中的前向概率αt,i和后向概率βt,j相等。
图10的A示出由具有状态#1和状态#2两个状态的因子#1和因子#2形成的FHMM。
在图10的A中的FHMM中，利用因子#1的状态#k与因子#2的状态#k’的组合z＝[k，k’]，存在四种模式，包括：因子#1的状态#1与因子#2的状态#1的组合[1，1]、因子#1的状态#1与因子#2的状态#2的组合[1，2]、因子#1的状态#2与因子#2的状态#1的组合[2，1]以及因子#1的状态#2与因子#2的状态#2的组合[2，2]。
图10的B示出与图10的A中的FHMM等效的HMM。
图10的B中的HMM具有四个状态#(1，1)、#(1，2)、#(2，1)以及#(2，2)，该四个状态分别等效于图10的A中的FHMM的状态的四个组合[1，1]、[1，2]、[2，1]以及[2，2]。
然后，图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]}与图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。
类似地，图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]}与图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，以上表达式(8)的右侧上的分母，即乘积αt,wβt,w相对于FHMM可以取的状态的组合w∈St的总和Σαt，wβt，w，相对于图10的A中的FHMM通过表达式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]表达。
图11是描述M步骤的处理的流程图，M步骤通过图8的步骤S14中的图5的解聚装置16执行。
在步骤S31中，波形分离学习单元51利用来自数据获取单元31的测量的波形Yt以及来自估计器42的后验概率<S(m)t>和<S(m)tS(n)t’>，执行波形分离学习，从而确定特定波形W(m)的更新值W(m)new。波形分离学习单元51利用更新值W(m)new更新存储在模型存储单元33中的特定波形W(m)。然后，处理进行至步骤S32。
具体地，对于波形分离学习，波形分离学习单元51计算表达式(12)从而确定特定波形W(m)的更新值W(m)new。
[表达式12]
在此，Wnew是具有D行和K*M列的矩阵，其中因子#m的特定波形W(m)的更新值W(m)new(W(m)与W(m)new中的每一个都是具有D行和K列的矩阵)按因子#m(的指数)的顺序从左到右设置。具有特定波形(的更新值)Wnew的(m-1)K+k列的列向量(Wnew与该列向量中的每一个是具有D行和K*M列的矩阵)，是因子#m的状态#k的特定波形W(m)k(的更新值)。
<St’>是具有K*M列的行向量，通过将K*M行的列向量转置而获得，其中后验概率<S(m)t>(<S(m)t>中的每一个是具有K行的列向量)按因子#m的顺序从顶到底设置。后验概率<St’>(即具有K*M列的行向量)中的第(m-1)K+k列中的分量是在时间点t处于因子#m的状态#k的状态概率。
<StSt’>是具有K*M行和K*M列的矩阵，其中后验概率<S(m)tS(n)t’>(<S(m)tS(n)t’>中的每一个是具有K行和K列的矩阵)按因子#m的顺序从顶到底设置并且按因子#n的顺序从左到右设置。后验概率<StSt’>(即具有K*M行和K*M列的矩阵)的第(m-1)K+k行并且第(n-1)K+k’列中的分量是在时间点t处于因子#m的#k并且处于另一因子#n的状态#k’的状态概率。
上标星号(*)表示逆矩阵或伪逆矩阵。
根据计算表达式(12)的波形分离学习，测量的波形Yt分离为特定波形W(m)，使得在测量的波形Yt与表达式(5)的平均值μt＝ΣW(m)S*(m)t之间的误差尽可能地小。
在步骤S32中，差异学习单元52利用来自数据获取单元31的测量的波形Yt、来自估计器42的后验概率<S(m)t>以及存储在模型存储单元33中的特定波形W(m)执行差异学习，从而确定差异C的更新值Cnew。差异学习单元52更新存储在模型存储单元33中的差异C。然后，处理进行至步骤S33。
具体地，对于差异学习，差异学习单元52计算表达式(13)，从而确定差异C的更新值Cnew。
[表达式13]
在步骤S33中，状态差异学习单元53利用来自估计器42的后验概率<S(m)t>和<S(m)t-1S(m)t’>执行状态差异学习，从而确定转换概率P(m)i,j的更新值和初始状态概率π(m)的更新值π(m)new。状态差异学习单元53利用更新值和π(m)new更新存储在模型存储单元33中的转换概率P(m)i，j和初始状态概率π(m)。然后，处理从M步骤的处理返回。
具体地，对于状态差异学习，状态差异学习单元53计算表达式(14)和表达式(15)，从而确定转换概率P(m)i,j的更新值和初始状态概率π(m)的更新值π(m)new。
[表达式14]
[表达式15]
在此，<S(m)t-1,iS(m)t,j>是后验概率<S(m)t-1S(m)t’>(即具有K行和K列的矩阵)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，在时间点t-1处于状态#i并且在下一时间点t处于状态#j的状态概率。
<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>表示在时间点t-1处于因子#m的状态#i的状态概率。
π(m)(π(m)new)是具有K行的列向量，其中因子#m的状态#k的初始状态概率π(m)k(的更新值π(m)knew)作为第k个分量。
<信息呈现处理>
图12是描述电器#m的呈现信息的信息呈现处理的实例的流程图，信息呈现处理通过解聚装置16(图5)执行。
在步骤S41中，数据输出单元36利用来自数据获取单元31的电压波形Vt(对应于电流波形Yt)、作为来自状态估计单元32的状态估计结果的后验概率<S(m)t>以及存储在模型存储单元33中的特定波形W(m)，确定每个因子#m的功耗U(m)。然后，处理进行至步骤S42。
在此，利用在时间点t的电压波形Vt以及在时间点t对应于因子#m的电器#m的电流消耗At，数据输出单元36确定在时间点t对应于因子#m的电器#m的功耗U(m)。
在数据输出单元36中，在时间点t对应于因子#m的电器#m的电流消耗At按以下方式确定。
具体地，例如，数据输出单元36将因子#m中具有最大后验概率<S(m)t>的状态#k的特定波形W(m)确定为在时间点t时对应于因子#m的电器#m的电流消耗At。
进一步，例如，数据输出单元36利用在时间点t的因子#m的每个状态的状态概率(其是后验概率<S(m)t>的分量，后验概率<S(m)t>是具有K行的列向量)作为权重，将因子#m的每个状态中的特定波形W(m)1、W(m)2、...、W(m)K的权重相加值确定为在时间点t时对应于因子#m的电器#m的电流消耗At。
应当注意，假设FHMM的学习发展并且因子#m变成适合代表电器#m的电器模型。在这种情况下，关于在时间点t时的因子#m的每个状态的状态概率，在时间点t时对应于电器#m的操作状态的状态的状态概率是在1附近并且剩余的K-1个数量的状态的状态概率是在0附近。
因此，在因子#m中，具有最大后验概率<S(m)t>的状态#k的特定波形W(m)近似与因子#m的每个状态的特定波形W(m)1、W(m)2、...、W(m)K的权重相加值相等，其中后验概率<S(m)t>用作在时间点t的因子#m的每个状态的状态概率，作为权重。
在步骤S42中，标记获取单元35获取由电器模型#m中的每一个表示的电器#m，即用于识别与FHMM中的每个因子#m对应的电器#m的电器标记L(m)。标记获取单元35将电器标记L(m)提供至数据输出单元36。然后，处理进行至步骤S43。
在此，例如，在标记获取单元35中，通过数据输出单元36确定的对应于每个因子#m的电器#m的电流消耗At、功耗U(m)或基于功耗U(m)识别的电器#m的使用时间区域从通信单元30经由网络15发送至用户的房子。电流消耗At、功耗U(m)或电器#m的使用时间区域可以通过用户的房子中显示其的显示装置而呈现给用户。
然后，例如，在标记获取单元35中，呈现给用户的电流消耗At或功耗U(m)或对应于使用时间区域的电器的名称由用户输入并且经由网络15和通信单元30接收。以这种方式，可以获取由用户输入的电器的名称作为电器标记L(m)。
进一步，例如，在标记获取单元35中，关于各种电器的属性(诸如其功耗、电流波形(电流消耗)以及使用时间区域)可以与电器的名称相关联并且提前记录为数据库。在这种数据库中，可以获取对应于每个因子#m的电器#m的电流消耗At(通过数据输出单元36确定)相关联的电器的名称、功耗U(m)以及基于功耗U(m)识别的电器#m的使用时间区域，作为电器标记L(m)。
应当注意，在标记获取单元35中，关于对应于电器#m的因子#m，其中已经识别电器#m的电器标记L(m)并且将该电器标记提供至数据输出单元36，因此可以跳过步骤S42的处理。
在步骤S43中，数据输出单元36将对应于每个因子#m的电器的功耗U(m)以及该因子#m的电器标记L(m)从通信单元30经由网络15发送至用户的房子。例如，其通过用户的房子中的显示其的显示装置而呈现给用户。然后，信息呈现处理终止。
图13是示出在图12中的信息呈现处理中，通过用户的房子中的显示装置显示的功耗U(m)的显示实例的示图。
例如，在显示装置中，如图13所示，对应于每个因子#m的电器#m的功耗U(m)的时间序列可以与电器标记L(m)(诸如电器#m的名称)一起显示。
在解聚装置16中，执行FHMM的学习作为解聚，在FHMM中每个电器的操作状态利用FHMM模型化，每个因子具有三个或四个状态。因此，相对于功耗(电流)根据模式、设定等变化的可变负载电器(诸如空调)，可以准确地确定功耗等。
进一步，在解聚装置16中，可以仅通过在一点(诸如功率表12)测量由用户的房子中的电器消耗的电流的总和，确定用户的房子中的每个电器的功耗。因此，根据成本和人工两者，可以容易地实现用户的房子中的每个电器的功耗的“可视化”。
例如，根据如上所述的用户的房子中的每个电器的功耗的“可视化”，可以提升对于用户的房子中的节能的认识。
进一步，解聚装置16能够收集许多用户的房子中的电器的功耗并且估计电器的使用时间区域，并且因此基于用户的房子中的每个电器的功耗估计生活方式。这对于市场化等是有用的。
附带地，为了使解聚装置16通过使用在电器的操作状态下由电流传感器13测量的电流波形Yt而执行确定用户的房子中的电器的电流消耗等的解聚，电器的操作状态必须改变并且电器的电流消耗必须改变。
例如，电器的操作状态通过用户的操作改变。然而，当电器的操作状态仅通过用户的操作改变时，执行解聚是花时间的。
进一步，当解聚装置16的标记获取单元35获取由用户输入的电器的名称作为电器标记L(m)时，用户必须输入电器的名称(即电器标记L(m))。这可能使得用户感觉麻烦。
鉴于此，在图1的解聚系统中，媒介14与解聚装置16协同操作。因此，电器的操作状态快速地改变并且解聚快速地执行。
此外，在图1的解聚系统中，媒介14与解聚装置16协同操作，并且因此，不需使用户输入电器标记L(m)(用作电器标记的电器的名称)，而获取对应于因子#m的电器的电器标记L(m)并且电器标记L(m)与因子#m相关联。
在下文中，如上所述，将描述协同操作的媒介14与解聚装置16。
<媒介14的配置实例>
图14是示出图1中的媒介14的外部配置实例的立体图。
在图14的实施方式中，媒介14是看起来像狗的宠物机器人。大致来讲，媒介14由主体单元1、腿部单元102A、腿部单元102B、腿部单元102C、腿部单元102D、头部单元103以及尾部单元104组成。
等同于腿部的腿部单元102A、腿部单元102B、腿部单元102C、腿部单元102D耦合至等同于躯体的主体单元101的前部、后部、左部以及右部。等同于头部的头部单元103以及等同于尾部的尾部单元104耦合至主体单元101的前端部和后端部。
在主体单元101的上表面中，设置有背传感器101A。进一步，头部单元103包括在其上部的头部传感器103A和在其下部的下巴传感器103B。应当注意，背传感器101A、头部传感器103A以及下巴传感器103B都是由压力传感器构成，并且压力传感器检测施加至该点的压力。
尾部单元104安装在主体单元101上以便在水平方向和垂直方向上可摆动。
图15是示出图14中的媒介14的内部配置实例的框图。
如图15所示，控制器111、A/D(模拟/数字)转换器112、D/A转换器113、通信单元114、半导体存储器115、背传感器101A等存储在主体单元101中。
控制器111执行媒介14的整体控制以及各种类型的处理。
A/D转换器112将通过麦克风121、CCD照相机122L和CCD照相机122R、背传感器101A、头部传感器103A以及下巴传感器103B输出的模拟信号A/D-转换为数字信号并且将该数字信号提供至控制器111。D/A转换器113将从控制器111提供的数字信号D/A-转换为模拟信号并且将该模拟信号提供至扬声器123。
通信单元114与外部无线或有线地通信。具体地通信单元114接收从外部发送的数据并且将该数据提供至控制器111。进一步，通信单元114将从控制器111提供的数据发送至外部。
例如，半导体存储器115由易失性存储器(诸如RAM(随机存取存储器))或非易失性存储器(诸如EEPROM(电可擦除可编程只读存储器))构成。例如，半导体存储器115在控制器111的控制之下存储电器表(将稍后描述)和其他的必要数据。
应当注意，半导体存储器115可以配置为可附接至设置在主体单元101中的凹槽(未示出)或可从该凹槽移除。
背传感器101A设置在主体单元101中对应于媒介14的背面的部位处。背传感器101A检测来自用户的施加至其的压力，并且将对应于该压力的压力检测信号经由A/D转换器112输出至控制器111。
应当注意，另外，例如，主体单元101还容纳作为媒介14的电源的电池(未示出)以及检测电池的残余量的电路。
例如，如图15所示，麦克风121、图像传感器122L和图像传感器122R、头部传感器103A以及下巴传感器103B设置在头部单元103的对应的部位中。麦克风121用作感应来自外部的刺激的传感器，并且麦克风121相当于感应声音的“耳朵”。图像传感器122L和图像传感器122R等同于感应光的“左眼”和“右眼”。头部传感器103A和下巴传感器103B等同于感应通过用户的触摸等施加的压力的触觉。进一步，例如，等同于媒介14的“嘴部”的扬声器123放置在头部单元103的对应部位处。
致动器安装在腿部单元102A至腿部单元102D的接合、腿部单元102A至腿部单元102D与主体单元101之间的耦接部、头部单元103与主体单元101之间的耦接部以及尾部单元104与主体单元101之间的耦接部等中。致动器基于来自控制器111的指令操作相应的部分。具体地，例如，致动器使腿部单元102A至腿部单元102D移动，使得机器人行走。
安装在头部单元103中的麦克风121收集包括来自用户的话语的周围语音(声音)，并且将获得的音频信号经由A/D转换器112输出至控制器111。图像传感器122L和图像传感器122R使周围环境成像并且将获得的图像信号经由A/D转换器112输出至控制器111。例如，设置在头部单元103的上部中的头部传感器103A和设置在头部单元103的下部中的下巴传感器103B检测由于用户的物理动作(例如“抚摸”或“打击”)而接收的压力，并且将其中的检测结果作为压力检测信号经由A/D转换器112输出至控制器111。
在此，在图15中，控制器111包括动作确定器131、识别单元132、位置检测器133、操作控制器134、通知控制器135以及表生成器136。
例如，动作确定器131基于从麦克风121、图像传感器122L和图像传感器122R、背传感器101A、头部传感器103A以及下巴传感器103B经由A/D转换器112提供的音频信号、图像信号、压力检测信号等，对于周围环境以及来自用户的指令还有来自用户的动作的存在或不存在等作出确定。动作确定器131基于确定的结果确定媒介14下一个采取的动作。然后，动作确定器131基于动作确定的结果驱动必要的致动器。这促使头部单元103在上方、下方、左方以及右方摇摆或者使尾部单元104移动。进一步，例如，动作确定器131驱动腿部单元102A至腿部单元102D中的每一个使得媒介14采取行走的动作或操作用户的房子中的电器。
进一步，动作确定器131基于动作确定的结果生成合成声音，并且将合成声音经由D/A转换器113提供至扬声器123，用于输出该合成声音或打开、关闭或闪烁设置在媒介14的“眼”的位置处的LED(发光二极管)(未示出)。
如上所述，动作确定器131促使媒介14基于周围环境、试图与动作确定器131通信的用户等，独立地采取动作。
例如，识别单元132基于从图像传感器122L和图像传感器122R经由A/D转换器112供应至控制器111的图像信号，识别设定为媒介14的操作目标的电器(在下文中也称为操作目标电器)并且获取表示操作目标电器的电器标记。
具体地，例如，识别单元132基于从图像传感器122L和图像传感器122R提供的操作目标电器的图像信号，识别操作目标电器。识别单元132获取用于识别操作目标电器的信息(诸如模型名称和模型数量)，作为操作目标电器的电器标记。
例如，作为操作目标电器的电器标记的模型名称、模型编号等可以通过搜索互联网中用于电器标记的服务器而获取并且经由通信单元114下载电器标记。
另外，作为操作目标电器的电器标记的模型名称、模型编号等可以通过与操作目标电器经由通信单元114通信而获取。
进一步，例如，识别单元132基于从图像传感器122L和图像传感器122R提供的操作目标电器的图像信号，识别操作目标电器的操作状态。识别单元132获取表示操作状态的操作状态标记。
具体地，例如，当识别操作目标电器断电或通电作为操作目标电器的操作状态时，通过生成断电或通电作为操作状态标记，识别单元132获取各自表示电源关闭或打开的字符串“断电”或“通电”。
进一步，例如，当识别操作目标电器的操作模式是节能模式作为操作目标电器的操作状态时，通过生成节能模式作为操作状态标记，识别单元132获取表示节能模式的字符串“节能模式”。
应当注意，例如，除了基于操作目标电器的图像信号的识别以外，识别单元132通过与操作目标电器经由通信单元114通信还能够识别操作目标电器以及操作目标电器的操作状态。
进一步，例如，识别132通过询问用户操作目标电器以及操作目标电器的操作状态，而能够识别操作目标电器以及操作目标电器的操作状态。
具体地，例如，媒介14利用合成声音等询问用户操作目标电器以及操作目标电器的操作状态，并且识别问题的答案作为用户的语音。以这种方式，可以识别操作目标电器以及操作目标电器的操作状态。
在这种情况下，例如，可以采用作为用户的语音的答案的语音识别结果，作为电器标记或操作状态标记。
例如，位置检测器133通过利用GPS(全球定位系统)检测操作目标电器的位置。位置检测器133输出表示该位置的位置信息。
例如，可以限定绝对三维坐标系统并且可以采用三维坐标系统的坐标作为操作目标电器的位置信息。进一步，例如，媒介14可以通过创建地图而获取用户的房子的地图，并且例如，伴随地图中的预定位置作为地图中的参考或定位(例如起居室、卧室)，可以采用坐标系中的坐标作为操作目标电器的位置信息。
操作控制器134控制由媒介14相对于操作目标电器进行的操作。
具体地，操作控制器134确定要在操作目标电器上执行哪个操作并且请求动作确定器131执行该操作。动作确定器131确定媒介14的动作使得执行根据操作控制器134的请求的操作，并且驱动必要的致动器。
经由网络15请求解聚装置16检测用户的房子中的电器的操作状态。然后，通知控制器135获取表示用户的房子中的电器的操作状态的操作状态标记，该操作状态标记响应于用于检测操作状态的请求而从解聚装置16发送。然后，通知控制器135根据操作状态标记控制电器的操作状态的通知。
具体地，如稍后将描述，在必要时，解聚装置16将表示用户的房子中的电器的操作状态的操作状态标记经由网络15发送至媒介14。
当从解聚装置16发送表示用户的房子中的电器的操作状态的操作状态标记时，通知控制器135经由通信单元114从解聚装置16获取该操作状态标记。然后，通知控制器135根据操作状态标记请求动作确定器131通知电器的操作状态。例如，根据操作控制器134的请求，动作确定器131确定将电器的操作状态作为音频输出、生成用于通知电器的操作状态的合成声音以及促使扬声器123经由D/A转换器113输出该声音。
表生成器136将通过识别单元132获得的电器(操作目标电器)的电器标记与通过位置检测器133获得的电器的位置信息相关联。表生成器136将它们记录在存储于半导体存储器115中的电器表内。
在此，记录在电器表中的电器(操作目标电器)的电器标记和位置信息从通信单元114经由网络15发送至解聚装置16。
进一步，在操作控制器134的控制之下，媒介14操作操作目标电器并且识别单元132在操作之后识别操作目标电器的操作状态。当获取了操作状态的操作状态标记时，操作状态标记从通信单元114经由网络15发送至解聚装置16。
应当注意，例如，操作控制器134能够在互联网中的服务器上搜索可以由操作目标电器采取的操作状态作为操作目标电器的操作状态，并且从可以由操作目标电器采取的操作状态当中选择应当由操作目标电器采取的操作状态作为指令操作状态。在这种情况下操作控制器134能够控制相对于操作目标电器的操作以便获得指令操作状态。此外，在这种情况下，识别单元132能够识别指令操作状态作为操作目标电器的操作状态。
图16是示出存储在图15的半导体存储器115中的电器表的实例的示图。
在电器表中，通过识别单元132获得的电器的电器标记以及通过位置检测器133获得的电器的位置信息彼此相关联地记录。
例如，媒介14在用户的房子中独立地移动。在移动期间，识别单元132基于从图像传感器122L和图像传感器122R经由A/D转换器112供应至控制器111的图像信号识别电器。识别单元132选择该电器作为候选电器(即操作目标电器的候选)。
此外，识别单元132获取候选电器的电器标记并且促使位置信息检测器133检测候选电器的位置信息。然后，识别单元132确定一组电器标记和候选电器的位置信息是否已被记录在电器表中。
当该组电器标记和候选电器的位置信息已被记录在电器表中时，识别单元132识别该已经选择该候选电器作为操作目标电器。然后，识别单元132重新选择另一电器作为候选电器。随后，重复类似处理。
另一方面，当该组电器标记和候选电器的位置信息没有记录在电器表中时，识别单元132选择候选电器作为操作目标电器。然后，识别单元132控制表生成器136将操作目标电器(其已是候选电器)的电器标记与位置信息相关联，并且将它们记录在存储于半导体存储器115内的电器表中。
<标记获取单元35的配置实例>
图17是示出当媒介14与解聚装置16协同操作时图5的标记获取单元35的配置实例的框图。
标记获取单元35包括获取单元201和获取单元202、标记单元203、对应存储单元204以及控制器205。
(电器信息)获取单元201获取从媒介14经由网络15发送的并且通过通信单元30(图5)接收的操作目标电器的电器信息。获取单元201将电器信息提供至标记单元203。
在此，操作目标电器的电器信息是有关操作目标电器的信息。在这个实施方式中，电器信息包括操作目标电器的电器标记、位置信息以及操作状态标记。
(可能性信息)获取单元202利用用户的房子的电流波形Yt，从状态估计单元32(的估计器42)获取从解聚得到的状态概率(后验概率)<S(m)t>。获取单元202将该状态概率提供至标记单元203。
在此，可以说在如上所述通过解聚装置16执行的解聚中，利用电流波形Yt(即关于通过用户的房子中的所有电器消耗的电流的总和的总和数据)更新(确定)每个因子#m的状态#k中的每一个的特定波形W(m)k(表示在电器中的每一个的操作状态中的每一个内的电流消耗的图案信息)，使得电器的电流消耗分离(特定波形W(m)k与电流波形Yt分离，作为电器#m中的对应于因子#m的状态#k的操作状态中的电流消耗)。
可以说在特定波形W(m)k(即图案信息)的更新中，关于特定波形W(m)k，利用电流波形Yt确定状态概率<S(m)t>(即表示通过对应于因子#m的电器#m消耗由特定波形W(m)k表示的电流消耗的概率)，并且基于状态概率<S(m)t>(即可能性信息)更新特定波形W(m)k(图案信息)。
在上述解聚中，获取单元202从状态估计单元32获取状态概率<S(m)t>(即可能性信息)，状态概率<S(m)t>通过状态估计单元32相对于特定波形W(m)k(具有特定波形W(m)k的状态#k)而获得。
标记单元203基于状态概率<S(m)t>(即来自获取单元202的可能性信息)确定特定波形W(m)k(即表示在操作目标电器的电流操作状态下消耗的电流消耗的图案信息)。标记单元203执行将操作目标电器的电器标记和操作状态标记(即来自获取单元201的电器信息)与特定波形W(m)k(具有特定波形W(m)k的状态#k)相关联的标记。
然后，标记单元203将从标记得到的对应信息记录在存储于对应存储单元204内的对应表中。
对应存储单元204存储对应表。
例如，控制器205监测标记单元203。基于监测的结果，控制器205与媒介14(的通信单元114)经由通信单元30(图5)和网络15交换必要的消息。
图18是示出存储在图17的对应存储单元204中的对应表的实例的示图。
对应信息记录在对应表中。
相对于用户的房子中的电器，电器标记、位置信息以及对应于电器的因子#m(因子编号#m作为用于识别因子#m的信息)和状态地图关联作为对应信息。
在状态地图中，对应于电器#m的因子#m的状态#k(状态编号#k作为用于识别状态#k的信息)与电器#m的操作状态的操作状态标记相关联。
在此，根据对应信息中的电器标记和因子#m，能够识别对应于由电器标记表示的电器的因子#m并且识别对应于因子#m的电器的电器标记。
进一步，根据对应信息中的电器标记和状态地图，能够识别与由电器标记表示的电器的操作状态对应的因子#m的状态#k并且识别与因子#m(对应于因子#m的电器)的状态#k对应的电器的操作状态的操作标记。
具体地，在状态地图中，对应于电器#m的因子#m的状态#k与该电器#m的操作状态的操作状态标记相关联。因此，可以识别因子#m的状态#k与对应于该因子#m的电器的操作状态(的操作状态标记)之间的对应。
在此，因子#m的状态#k具有特定波形W(m)k(即图案信息)。因此，可以说在状态地图中，电器#m(其中消耗由特定波形W(m)k表示的电流)的操作状态的操作状态标记应用至特定波形W(m)k(即图案信息)。
进一步，在对应信息中，状态地图与电器标记相关联，其中在状态地图中以上提及的操作状态标记应用至特定波形W(m)k(即图案信息)(具有特定波形W(m)k的状态#k)。因此，也可以说电器#m(其中消耗由特定波形W(m)k表示的电流)的电器标记应用至特定波形W(m)k(即图案信息)。
因此，可以说在对应信息中，电器(其中消耗由特定波形W(m)k表示的电流)的电器标记和该电器的操作状态的操作状态标记应用至特定波形W(m)k(即图案信息)。
根据对应信息，可以识别对应于因子#m的电器的电器标记。此外，根据对应信息可以识别对应于因子#m的状态#k的(电器#m的)操作状态。
<标记处理>
图19是示出通过图15的媒介14执行的处理作为用于将对应信息记录在对应表中的标记处理的实例的流程图。
在步骤S101中，例如，识别单元132基于从图像传感器122L和图像传感器122R经由A/D转换器112供应至控制器111的图像信号，检测(识别)存在于媒介14的视野内的所谓的电器。识别单元132选择电器中的任一个作为候选电器。然后，处理进行至步骤S102。
在步骤S102中，识别单元132生成(获取)候选电器的电器标记，位置信息检测器133检测候选电器的位置信息。然后，处理进行至步骤S103。
在步骤S103中，基于候选电器的一组电器标记和位置信息，识别单元132确定候选电器是否没有记录在电器表(图16)中。
当在步骤S102中确定没有未记录候选电器时，即当候选电器的一组电器标记和位置信息已被记录在电器表中时，处理返回至步骤S101并且然后重复类似处理。
进一步，当在步骤S102中确定没有记录候选电器时，即当候选电器的一组电器标记和位置信息没有记录在电器表中时，处理进行至步骤S104。然后，识别单元132选择该候选电器作为操作目标电器。然后，识别单元132控制表生成器136将操作目标电器的电器标记和位置信息彼此相关联地记录在存储于半导体存储器115内的电器表中。
此外，在步骤S104中，识别单元132控制通信单元114将操作目标电器的电器标记和位置信息发送至解聚装置16。然后，处理进行至步骤S105。
在此，从媒介14的通信单元114发送的操作目标电器的电器标记和位置信息通过解聚装置16的通信单元30(图5)接收并且经由网络15供应至标记获取单元35(图17)。
在步骤S105中，操作控制器134等待来自解聚装置16的RESULT：READY消息，并且促使媒介14操作操作目标电器使得操作目标电器进入预定操作状态(例如，通电的操作状态)。然后，处理进行至步骤S106。
在此，RESULT：READY消息是表示如下事实的消息，即在解聚装置16(图17)的标记获取单元35中完成用于将对应信息记录在对应表(图18)中的准备。RESULT：READY消息从标记获取单元35的控制器205经由通信单元30(图5)和网络15发送至媒介14。如上所述从解聚装置16发送至媒介14的RESULT：READY消息通过通信单元114接收并且提供至操作控制器134。
在步骤S106中，识别单元132识别操作目标电器的操作状态并且生成(获取)表示操作状态的操作状态标记。然后，处理进行至步骤S107。
在步骤S107中，识别单元132控制通信单元114将操作目标电器的操作状态的操作状态标记发送至解聚装置16。然后，处理进行至步骤S108。
在此，从媒介14的通信单元114发送的操作目标电器标记的操作状态通过解聚装置16的通信单元30(图5)接收并且经由网络15提供至标记获取单元35(图17)。
在步骤S108中，操作控制器134确定是否已从解聚装置16接收RESULT：FINISHED消息。
在此，RESULT：FINISHED消息是表示如下事实的消息，即操作目标电器的对应信息已记录在解聚装置16(图17)的标记获取单元35内的对应表(图18)中。RESULT：FINISHED消息从标记获取单元35的控制器205经由通信单元30(图5)和网络15发送至媒介14。
在步骤S108中，确定是否已从解聚装置16发送并且通过通信单元114(图15)接收以上提及的RESULT：FINISHED消息。
当在步骤S108中确定没有接收RESULT：FINISHED消息时，即当操作目标电器的对应信息没有记录在解聚装置16的标记获取单元35内的对应表中时，处理进行至步骤S109。然后，操作控制器134确定是否已从解聚装置16接收RESULT：MORE消息。
在此，RESULT：MORE消息是用于请求将操作目标电器的操作状态改变为另一操作状态的消息，并且RESULT：MORE消息从标记获取单元35(图17)的控制器205经由通信单元30(图5)和网络15发送至媒介14。
在步骤S109中，确定是否已从解聚装置16发送并且通过通信单元114(图15)接收以上提及的RESULT：MORE消息。
当在步骤S109中确定没有接收RESULT：MORE消息时，处理返回至步骤S108并且然后重复类似处理。
另一方面，当在步骤S109中确定已接收RESULT：MORE消息时，处理进行至步骤S110。然后，操作控制器134促使媒介14操作操作目标电器使得操作目标电器进入与当前操作状态不同的操作状态(例如，使得电源从接通操作状态转换为关闭操作状态)。然后，处理进行至步骤S111。
在步骤S110中通过媒介进行的操作之后，在步骤S111中，识别单元132识别操作目标电器的操作状态并且生成(获取)表示该操作状态的操作状态标记。然后，处理进行至步骤S112。
在步骤S110中通过媒介进行的操作之后，在步骤S112中，识别单元132控制通信单元114将操作目标电器的操作状态的操作状态标记发送至解聚装置16。然后，处理返回至步骤S108并且然后重复类似处理。
然后，当在步骤S108中确定已接收RESULT：FINISHED消息时，即当操作目标电器的对应信息已记录在解聚装置16的标记获取单元35内的对应表(图18)中时，处理返回至步骤S101并且然后重复类似处理。
图20是示出通过解聚装置16(图17)的标记获取单元35执行的处理作为用于将对应信息记录在对应表中的标记处理的实例的流程图。
在步骤S121中，获取单元201等待操作目标电器的电器标记和位置信息从媒介14到来并且获取电器标记和位置信息。
换言之，在图19的步骤S104中，媒介14发送操作目标电器的电器标记和位置信息。来自媒介14的操作目标电器的电器标记和位置信息通过解聚装置16(图5)的通信单元30接收。因此，获取单元201获取已通过通信单元30接收的操作目标电器的电器标记和位置信息，并且将它们提供至标记单元203。
当操作目标电器的电器标记和位置信息从获取单元201提供至标记单元203时，控制器205生成RESULT：READY消息，RESULT：READY消息表示完成用于将对应信息记录在对应表(图18)中的准备的事实。然后，控制器205将RESULT：READY消息从通信单元30(图5)发送至媒介14。然后，处理从步骤S121进行至步骤S122。
在步骤S122中，获取单元201等待操作目标电器的操作状态的操作状态标记从媒介14到来并且获取该操作状态标记。
换言之，在图19的步骤S107和步骤S122中，媒介14发送操作目标电器的操作状态的操作状态标记。来自媒介14的操作目标电器的操作状态的操作状态标记通过解聚装置16(图5)的通信单元30接收。因此，获取单元201获取已通过通信单元30接收的操作目标电器的操作状态的操作状态标记，并且将其提供至标记单元203。
此后，处理从步骤S122进行至步骤S123。当操作目标电器处于当前操作状态时，获取单元202从状态估计单元32(图5)获取状态概率(后验概率)<S(m)t>，其中状态概率<S(m)t>是有关特定波形W(m)k的可能性信息，作为每个因子#m的状态#k的图案信息的特定波形W(m)k利用用户的房子的电流波形Yt从解聚得到。获取单元202将状态概率<S(m)t>提供至标记单元203。然后，处理进行至步骤S124。
在步骤S124中，标记单元203基于来自获取单元202的状态概率<S(m)t>，确定特定波形W(m)k(即每个因子#m的状态#k的图案信息)的目标特定波形W(m)k，目标特定波形W(m)k表示在操作目标电器的当前操作状态下消耗的电流消耗。然后，处理进行至步骤S125。
在此，例如，在步骤S124中，在所有因子#1至#M的所有状态#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当中，由于在操作目标电器的操作状态改变之前的状态概率与操作状态改变之后的状态概率进行比较，状态概率<S(m)t>的增加的量相对于(因子#m的状态#k的)特定波形是最大的，那么可以确定该特定波形作为目标特定波形W(m)k。
应当注意，例如，如果操作目标电器的操作状态从未改变，那么可以确定相对于特定波形的状态概率<S(m)t>是最低的该特定波形等作为目标特定波形W(m)k。
在步骤S125中，基于目标特定波形W(m)k的状态概率<S(m)t>，即具有目标特定波形W(m)k的因子#m的状态#k的状态概率<S(m)t>，标记单元203对于目标特定波形W(m)k表示在操作目标电器的当前操作状态下的电流消耗的可能性作出确定。
在步骤S125中，例如，当目标特定波形W(m)k的状态概率<S(m)t>是大于或等于1.0附近的阈值并且小于1.0的概率时，确定目标特定波形W(m)k是可能的。当目标特定波形W(m)k的状态概率<S(m)t>不是大于或等于阈值的概率时，确定目标特定波形W(m)k是不可能的。
当在步骤S125中确定目标特定波形W(m)k不可能时，处理进行至步骤S126。然后，控制器205生成RESULT：MORE消息以将操作目标电器的操作状态改变为另一操作状态以便改变操作目标电器的电流消耗，并且将RESULT：MORE消息从通信单元30(图5)发送至媒介14。然后，处理从步骤S126返回至步骤S122并且然后重复类似处理。
另一方面，当在步骤S125中确定目标特定波形W(m)k可能时，处理进行至步骤S127。标记单元203生成对应信息(图18)，其中来自获取单元201的操作目标电器的电器标记和位置信息以及操作状态标记与目标特定波形W(m)k相关联。
具体地，标记单元203将其中的状态#k具有目标特定波形W(m)k的因子#m设定为对应于操作目标电器的对应因子#m。标记单元203将对应因子#m(的因子编号#m)与操作目标电器的电器标记和位置信息相关联，并且将它们添加至操作目标电器的对应信息。
此外，标记单元203将具有目标特定波形W(m)k的对应因子#m的状态#k设定为对应于操作目标电器的当前操作状态的对应状态#k。标记单元203将操作目标电器的当前操作状态的对应状态#k(的状态编号#k)和操作状态标记与操作目标电器的对应信息的状态地图(图18)相关联并且记录它们。
然后，标记单元203将操作目标电器的对应信息记录在对应存储单元204的对应表中。然后，处理进行至步骤S128。
在步骤S128中，控制器205生成RESULT：FINISHED消息并且促使通信单元30(图5)将该消息发送至媒介14，RESULT：FINISHED消息表示操作目标电器的对应信息已记录在对应表中的事实。然后处理从步骤S128返回至步骤S121并且然后重复类似处理。
如上所述，在用户的房子中的媒介14内，操作操作目标电器并且识别操作目标电器的操作状态。然后，表示操作目标电器的电器标记和表示操作目标电器的操作状态的操作状态标记从媒介14发送至解聚装置16。
另一方面，在解聚装置16中，获取来自媒介14的操作目标电器标记和操作状态标记，并且获取利用用户的房子的电流波形Y从解聚得到的作为可能性信息的状态概率<S(m)t>。然后，在解聚装置16中，基于状态概率<S(m)t>(即该可能性信息)，确定表示在操作目标电器的当前操作状态下消耗的电流消耗的特定波形W(m)k(即图案信息)。操作目标电器的电器标记和操作状态标记与特定波形W(m)k(即该图案信息)相关联。
因此，通过媒介14操作电器，改变电器的电流消耗。因此能够利用具有该电流消耗的电流波形Y快速执行解聚装置16中的解聚。
此外，媒介14将表示电器的电器标记和表示电器的操作状态的操作状态标记发送至解聚装置16。在解聚装置16中，基于状态概率<S(m)t>(即可能性信息)，电器标记和操作状态标记与特定波形W(m)k(即图案信息)相关联，其中状态概率<S(m)t>表示消耗由特定波形W(m)k(即图案信息)表示的电流消耗的概率。
即根据电器标记和操作状态标记，其中电流消耗通过图案信息表示的电器正在消耗并且该电器的操作状态可以以人可以识别它们的这种方式呈现，电器标记和操作状态标记与图案信息相关联。
应当注意，在媒介14中，除了根据从解聚装置16发送至媒介14的RESULT：MORE消息改变以外，操作目标电器的操作状态可以独立地改变。即媒介14能够独立地采取操作操作目标电器的动作，以便改变操作目标电器的操作状态。
<数据输出单元36的配置实例>
图21是示出当媒介14与解聚装置16协同操作时图5的数据输出单元36的配置实例的框图。
数据输出单元36包括获取单元211、检测目标存储单元212以及操作状态检测器213。
(操作状态检测请求)获取单元211获取用于请求检测电器的操作状态的操作状态检测请求消息并且将该消息提供至检测目标存储单元212，其中操作状态检测请求消息从媒介14经由网络15发送并且通过通信单元30(图5)接收。
检测目标存储单元212存储检测列表(即用于记录检测目标电器的电器标记的列表)，其中检测目标电器是设定作为操作状态的检测目标的电器。该列表包括在来自获取单元211的操作状态检测请求消息中。
在此，通过媒介14发送的操作状态检测请求消息包括检测目标电器的电器标记。
操作状态检测器213指存储在标记获取单元35的对应存储单元204中的对应表(图18)。操作状态检测器213检测检测目标电器的当前操作状态，其中检测目标电器的电器标记已记录在存储于检测目标存储单元212内的检测列表中。
具体地，操作状态检测器213从对应表中选择包括存储在检测目标存储单元212中的电器标记的对应信息作为目标对应信息，并且从状态估计单元32获取包括在目标对应信息中的状态概率<S(m)t>(即因子#m的每个状态#k的可能性信息)。
此外，操作状态检测器213基于因子#m的每个状态#k的状态概率<S(m)t>(状态概率<S(m)t>包括在目标对应信息中)，检测在因子#m的状态#k当中具有最高状态概率<S(m)t>的状态#k(状态#k包括在该目标对应信息中)。检测到状态#k作为对应于检测目标电器的当前操作状态的状态。
然后，操作状态检测器213促使通信单元30(图5)将操作状态标记发送至媒介14。操作状态标记与在目标对应信息的状态地图中具有最高状态概率<S(m)t>的状态#k相关联。操作状态标记作为表示检测目标电器的当前操作状态的目标操作状态标记而发送。操作状态标记与检测目标电器的电器标记一起发送。
<操作状态通知处理>
图22是示出通过图15的媒介14执行的处理作为通知用户用户的房子中的电器的操作状态的操作状态通知处理的实例的流程图。
在步骤S141中，通知控制器135从电器中确定检测目标电器(即设定作为检测目标电器的电器)，其中电器的电器标记已记录在存储于半导体存储器115(图16)内的电器表中。
在此，例如，在通知控制器135中，在其电器标记已记录在电器表中的电器当中，可以确定其操作状态不能通过媒介14从当前定位识别的一个或多个电器(例如，不能通过图像传感器122L和图像传感器122R从当前定位捕捉的电器)作为检测目标电器。
在确定检测目标电器之后，通知控制器135包括检测目标电器的电器标记。通知控制器135促使通信单元114将用于请求检测检测目标电器的操作状态的操作状态检测请求消息发送至解聚装置16。
例如，当检测目标电器的电器标记是“TV#1，”时，发送包括电器标记并且请求检测检测目标电器的操作状态的MONITOR：TV#1消息作为操作状态检测请求消息。
在发送操作状态检测请求消息之后，通知控制器135等待RESULT：FINISHED消息从解聚装置16到来，其中RESULT：FINISHED消息表示完成接收用于检测检测目标电器的操作状态的请求。通知控制器135获取RESULT：FINISHED消息。然后，处理从步骤S141进行至步骤S142。
具体地，解聚装置16从媒介14接收操作状态检测消息并且将RESULT：FINISHED消息发送至媒介14。在媒介14中，通信单元114从解聚装置16接收RESULT：FINISHED消息并且将该消息提供至通知控制器135。通知控制器135从媒介14获取以这种方式通信单元114提供的RESULT：FINISHED消息。
在步骤S142中，通知控制器135等待检测目标电器的电器标记和操作状态标记从解聚装置16到来，并且通知控制器135获取电器标记和操作状态标记。然后，处理进行至步骤S143。
具体地，解聚装置16检测检测目标电器的操作状态并且将操作状态的操作状态标记与检测目标电器的电器标记一起发送。在媒介14中，通信单元114从解聚装置16接收检测目标电器的电器标记和操作状态标记，并且将该电器标记和操作状态标记提供至通知控制器135。因此，通知控制器135获取以这种方式从通信单元114提供的检测目标电器的电器标记和操作状态标记。
在步骤S143中，通知控制器135根据在步骤S142中获取的操作状态标记，通知用户电器标记的检测目标电器的操作状态，电器标记在步骤S142中类似地获取。然后，处理进行至步骤S144。
具体地，例如，通知控制器135促使媒介14将消息作为合成声音输出，该消息表示电器标记的检测目标电器处于由操作状态标记表示的操作状态的事实。
可替换地，通知控制器135能够经由通信单元114与在用户的房子中的电器之外的显示装置通信，并且通知控制器135促使显示装置将消息作为音频输出并且输出屏幕显示该消息，该消息表示电器标记的检测目标电器处于由操作状态标记表示的操作状态的事实。
另外，例如，通过经由通信单元114与通知控制器135通信，通知控制器135能够将如下消息发送至便携式终端(诸如由用户持有的智能手机)，该消息表示电器标记的检测目标电器处于由操作状态标记表示的操作状态。以这种方式，能够通知用户检测目标电器的操作状态。
在步骤S144中，通知控制器135等待RESULT：CHANGE消息、检测目标电器的电器标记以及操作状态标记从解聚装置16到来，其中RESULT：CHANGE消息表示检测目标电器的操作状态已改变的事实，操作状态标记表示在改变之前和改变之后的操作状态中的每一个。然后，通知控制器135获取RESULT：CHANGE消息、电器标记以及操作状态标记。然后，处理进行至步骤S145。
具体地，解聚装置16检测检测目标电器的操作状态。当操作状态改变时，解聚装置16发送检测目标电器的电器标记以及操作状态标记还有RESULT：CHANGE消息，其中操作状态标记表示在改变之前和改变之后的操作状态中的每一个。在媒介14中，通信单元114从解聚装置16接收RESULT：CHANGE消息、检测目标电器的电器标记以及表示在改变之前和改变之后的操作状态中的每一个的操作状态标记，并且将它们提供至通知控制器135。因此，通知控制器135获取以这种方式从通信单元114提供的RESULT：CHANGE消息、检测目标电器的电器标记以及表示在改变之前和改变之后的操作状态中的每一个的操作状态标记。
在步骤S145中，根据在步骤S144中获取的操作状态标记，通知控制器135通知用户电器标记的检测目标电器的操作状态(中的改变)，电器标记在步骤S144中类似地获取。然后，处理终止。
具体地，例如，假设检测目标电器的电器标记是表示某个TV的“TV#1”，表示改变之前的操作状态的操作状态标记表示断电，并且表示改变之后的操作状态的操作状态标记表示通电。在这种情况下，例如，在媒介14中生成说“TV#1通电”的消息并且参考步骤S143将该消息以如上所述的方式输出。因此，能够通知用户检测目标电器的操作状态(中的改变)。
应当注意，在解聚装置16中，检测目标电器的电器标记和操作状态标记还有该检测目标电器的位置信息也可以发送至媒介14。
在这种情况下，在媒介14中可以利用检测目标电器的位置信息，生成用于通知用户检测目标电器的操作状态(中的改变)的消息。
具体地，例如，假设检测目标电器的电器标记是表示某个TV的“TV#1”，表示改变之前的操作状态的操作状态标记表示断电的事实，并且表示改变之后的操作状态的操作状态标记表示通电的事实。在这种情况下，例如，如果可以基于检测目标电器的位置信息识别检测目标电器放置在用户的房子中的起居室内，那么媒介14能够利用检测目标电器的位置信息生成说“某人在起居室内开始看TV#1”的消息。
进一步，例如，假设检测目标电器的电器标记是表示某些灯的标记，表示改变之前的操作状态的操作状态标记表示灯关闭的事实，并且表示改变之后的操作状态的操作状态标记表示灯打开的事实。在这种情况下，例如，如果可以基于检测目标电器的位置信息识别作为检测目标电器的灯放置在用户的房子中的入口，那么媒介14能够利用检测目标电器的位置信息生成说“入口的灯(台灯)打开了”的消息。
图23是示出通过解聚装置16的数据输出单元36(图21)执行的处理作为通知用户用户的房子中的电器的操作状态的操作状态通知处理的实例的流程图。
在步骤S151中，获取单元211等待用于请求检测检测目标电器的操作状态的操作状态检测请求消息从图22的步骤S141中的媒介14到来。然后，获取单元211获取操作状态检测请求消息。然后，处理进行至步骤S152。
具体地，通过媒介14发送的操作状态检测请求消息通过解聚装置16(图5)的通信单元30接收。因此，获取单元211获取通过通信单元30接收的操作状态检测请求消息。
在步骤S152中，获取单元211将检测目标电器的电器标记提供至检测目标存储单元212，其中检测目标电器的电器标记包括在操作状态检测请求消息中。然后，获取单元211将该电器标记记录在存储于检测目标存储单元212内的检测列表中。
然后，获取单元211生成RESULT：FINISHED消息，RESULT：FINISHED消息表示完成接收用于检测检测目标电器的操作状态的请求，并且获取单元211促使(图5)通信单元30发送至媒介14。然后，处理从步骤S152进行至步骤S153。
在步骤S153中，操作状态检测器213从状态估计单元32(图5)获取状态概率(后验概率)<S(m)t>。状态概率(后验概率)<S(m)t>是作为特定波形W(m)k的可能性信息的状态概率(后验概率)<S(m)t>，特定波形W(m)k作为每个因子#m的状态#k中的每一个的图案信息，状态概率(后验概率)<S(m)t>利用用户的房子中的电流波形Yt从解聚得到，电流波形Yt包括电器标记已记录在检测目标存储单元212的检测列表中的检测目标电器的电流消耗。然后，处理进行至步骤S154。
在步骤S154中，操作状态检测器213指存储在对应存储单元204中的对应表(图18)。然后，操作状态检测器213识别与检测目标电器的电器标记相关联的因子#m，作为对应于检测目标电器的因子#m。
此外，操作状态检测器213指存储在对应存储单元204中的对应表(图18)。操作状态检测器213基于从步骤S153中获取的状态概率<S(m)t>之中的对应于检测目标电器的因子#m的每个状态#k的状态概率<S(m)t>，检测检测目标电器的当前操作状态。
具体地，操作状态检测器213检测表示如下操作状态标记的操作状态作为检测目标电器的操作状态，即该操作状态标记与在因子#m的状态#k当中具有最高状态概率<S(m)t>的状态#k相关联，其中因子#m对应于状态地图中的检测目标电器，检测目标电器与存储在对应存储单元204内的对应表中的检测目标电器的电器标记相关联。
此后，处理从步骤S154进行至步骤S155并且操作状态检测器213促使通信单元30(图5)将检测目标电器的电器标记和操作状态标记(在步骤S154中检测到的操作状态的操作状态标记)发送至媒介14。然后，处理进行至步骤S156。
在此，在步骤S155中，与检测目标电器的电器标记相关联地记录在对应表(图18)中的检测目标电器的位置信息也可以与检测目标电器的电器标记和操作状态标记一起发送至媒介14。
在步骤S156中，操作状态检测器213等待在下一时间点t利用电流波形Yt执行用户的房子中的解聚，例如该解聚包括检测目标电器的电流消耗。操作状态检测器213从状态估计单元32(图5)获取每个因子#m的状态#k中的每一个的状态概率(后验概率)<S(m)t>，该状态概率(后验概率)<S(m)t>从解聚得到。然后，处理进行至步骤S157。
在步骤S157中，操作状态检测器213基于如在步骤S154中的状态概率<S(m)t>，检测检测目标电器的当前操作状态。然后，处理进行至步骤S158。
在步骤S158中，操作状态检测器213确定检测目标电器的操作状态是否已改变(关于检测目标电器的操作状态的最新的检测的结果是否与先前的检测的结果彼此不同)。
当在步骤S158中确定检测目标电器的操作状态没有改变时，处理返回至步骤S156并且然后重复类似处理。
进一步，当在步骤S158中确定检测目标电器的操作状态已改变时，处理进行至步骤S159，并且操作状态检测器213促使通信单元30(图5)将表示检测目标电器的操作状态已改变的事实的RESULT：CHANGE消息、检测目标电器的电器标记以及操作状态标记发送至媒介14，其中操作状态标记表示检测目标电器的操作状态改变之前和改变之后的操作状态中的每一个。然后，处理进行至步骤S160。
在此，在步骤S159中，与检测目标电器的电器标记相关联地记录在对应表(图18)中的检测目标电器的位置信息也可以与RESULT：CHANGE消息、检测目标电器的电器标记以及操作状态标记一起发送至媒介14。
在步骤S160中，操作状态检测器213从检测目标存储单元212的检测列表中删除电器标记已发送至媒介14的检测目标电器的电器标记。然后，处理终止。
应当注意，当多个(检测目标电器的)电器标记已记录在检测目标存储单元212的检测列表中时，相对于由多个电器标记表示的检测目标电器中的每一个，执行步骤S153至步骤S160中的处理。
如上所述，解聚装置16将检测目标电器的操作状态、以及检测目标电器的电器标记和操作状态标记发送至媒介14，其中检测目标电器的操作状态基于状态概率<S(m)t>(即可能性信息)检测到。另一方面，媒介14解聚装置16获取检测目标电器的电器标记和操作状态标记。例如，当根据操作状态标记通知由电器标记表示的检测目标电器的操作状态时，媒介14能够立刻识别不能从当前定位识别操作状态的电器(例如，不能通过图像传感器122L和图像传感器122R从当前定位捕捉的电器)的操作状态，并且将该操作状态通知用户。
应当注意，在媒介14中，用户的房子中的所有电器(电器标记已记录在电器表(图16)中的所有电器)确定作为检测目标电器，并且因此媒介14能够实时地识别用户的房子中的所有电器的操作状态。
进一步，在这个实施方式中，媒介14根据从解聚装置16获得的检测目标电器标记的操作状态，呈现检测目标电器的操作状态。然而，可替换地，媒介14可以根据从解聚装置16获得的检测目标电器标记的操作状态，采取根据检测目标电器的操作状态的动作。
例如，当检测目标电器是廊灯并且廊灯从关闭转化为打开时，媒介14能够识别用户回家并且采取移动至入口以迎接用户的动作。
应当注意，尽管在这个实施方式中，采用可移动的媒介14作为控制用户的房子中的电器的控制装置，但是除了像媒介14的可移动的机器人以外，还可以采用能够利用家庭网络等通过无线通信或有线通信控制电器的通电/断电、操作模式(中的改变)的设定等的装置(例如家庭网络中的服务器)作为控制电器的控制装置。
进一步，在这个实施方式中，采用的是基于状态概率<S(m)t>通过使用电流波形Yt(即总和数据)确定(更新)特定波形W(m)k的分离电器的电流消耗的解聚，状态概率<S(m)t>表示消耗由特定波形W(m)k表示的电流消耗的概率，其相对于表示每个电器的每个操作状态的电流消耗的特定波形W(m)k获得。然而，可替换地，例如，除了状态概率<S(m)t>以外，还能够采用利用任意表示消耗由图案信息表示的电流消耗的概率的可能性信息的解聚。
具体地，例如，通过利用总和数据(电流波形Yt)的预测值与实际总和数据之间的误差作为可能性信息，其中总和数据利用由图案信息表示的电流消耗确定，并且基于该误差采用实际总和数据用于更新图案信息使得误差变得更小，而能够采用分离电器的电流消耗的解聚。
<应用了本技术的计算机的描述>
接下来，以上提及的媒介14和解聚装置16的处理的序列可以通过硬件执行或可以通过软件执行。当处理的序列通过软件执行时，配置软件的程序安装到计算机等中。
鉴于此，图24示出计算机的实施方式的配置实例，在该计算机中安装了用于执行以上提及的处理的序列的程序。
程序可以预先记录在硬盘305或作为计算机的内置记录介质的ROM303上。
可替换地，程序可以存储(记录)在可移除记录介质311中。这种可移除记录介质311可以设置为所谓的封装软件。在此，可移除记录介质311的实例包括柔性磁盘、CD-ROM(光盘只读存储器)、MO(磁光)盘、DVD(数字通用光盘)、磁盘以及半导体存储器。
应当注意，除了从上述可移除记录介质311安装在计算机中以外，程序还可以经由通信网络或广播网络下载在计算机中并且可以安装在合并的硬盘305中。具体地，例如，程序可以从下载部位经由用于数字卫星广播的人造卫星无线转移至计算机并且可以经由网络(诸如LAN(局域网))和互联网有线转移至计算机。
计算机包括内置CPU(中央处理器)302。输入输出接口310经由总线301连接至CPU 302。
例如，当通过用户操作输入单元307经由输入输出接口310输入指令时，CPU 302相应地执行存储在ROM(只读存储器)303中的程序。可替换地，CPU 302将存储在硬盘305中的程序加载到RAM(随机存取存储器)304并且执行该程序。
通过这样，CPU 302基于以上提及的流程图执行处理，或执行通过以上提及的框图的配置执行的处理。然后，例如，在必要时，CPU 302促使输出单元306将处理的结果经由输入输出接口310输出或促使通信单元308经由输入输出接口310发送处理的结果，用于例如将结果记录在硬盘305上。
应当注意，输入单元307由键盘、鼠标、麦克风等构成。进一步，输出单元306由LCD(液晶显示器)、扬声器等构成。
在此，在本说明书中，通过计算机根据程序执行的处理不必需要按如流程图中的每一个所描述的顺序中的时间序列执行。具体地，通过计算机根据程序执行的处理也包括并且执行或单独执行的处理(例如并行处理或对象处理)。
进一步，程序可以通过单个计算机(处理器)处理或可以通过多个计算机分布并且处理。此外程序可以转移至远程计算机并且由远程计算机执行。
进一步，如本文中使用的术语“系统”指多个部件(装置、模块(部分)等)的集合。所有部件可以封装在相同的壳体中或不需要封装在相同的壳体中。因此，封装在分离的壳体中并且经由网络互相连接的多个装置，以及包括封装在单个壳体中的多个模块的单个装置都是系统。
应当注意，本技术的实施方式不限于以上提及的实施方式，并且可以对实施方式作出各种修改而不偏离本技术的主旨。
例如，本技术可以采取云计算配置，其中单个功能经由网络分布至多个装置并且通过多个装置以协同方式处理。
进一步，以上参考流程图描述的步骤可以通过单个装置执行，并且还可以分布至多个装置且通过多个装置执行。
此外，当单个步骤包括多个处理时，单个步骤中的多个处理可以通过单个装置执行，并且还可以分布至多个装置且通过多个装置执行。
进一步，本文中描述的效果仅是实例并非限制性的，并且可以提供其他效果。
应当注意，本技术可以采取以下配置。
<1>
信息处理装置，包括：
电器信息获取单元，从控制装置获取电器标记和操作状态标记，其中控制装置
操作电器，
识别电器的操作状态，并且
发送表示电器的电器标记和表示电器的操作状态的操作状态标记；
可能性信息获取单元，基于可能性信息利用有关由电器消耗的电流的总和的总和数据更新图案信息，其中可能性信息表示消耗由图案信息表示的电流消耗的概率，可能性信息相对于表示多个电器中的每一个的操作状态中的每一个内的电流消耗的图案信息获得，从而获取从分离电器的电流消耗的解聚得到的可能性信息；以及
标记单元，基于可能性信息确定图案信息并且执行将电器标记和操作状态标记与图案信息相关联的标记，其中图案信息表示在由电器标记表示的电器的当前操作状态下消耗的电流消耗。
<2>
根据<1>的信息处理装置，其中
基于可能性信息确定图案信息表示在由电器标记表示的电器的当前操作状态下的电流消耗的可能性，并且
当图案信息不可能时，请求控制装置将由电器标记表示的电器的操作状态改变为另一操作状态。
<3>
根据<1>或<2>的信息处理装置，进一步包括
操作状态检测器，操作状态检测器基于可能性信息检测电器的当前操作状态，其中
电器标记和操作状态标记被发送至控制装置，电器标记和操作状态标记与表示在电器的当前操作状态下消耗的电流消耗的图案信息相关联。
<4>
根据<3>的信息处理装置，其中
电器信息获取单元还获取表示电器的位置的位置信息，
标记单元还将电器标记和操作状态标记以及位置信息与图案信息相关联，并且
位置信息还与电器标记和操作状态标记一起发送至控制装置，其中电器标记和操作状态标记与表示在电器的当前操作状态下消耗的电流消耗的图案信息相关联。
<5>
根据<1>至<4>中任一项的信息处理装置，其中
在解聚中，
利用总和数据执行状态估计，其中在状态估计中确定处于FHMM(因子隐Markov模型)的每个因子的状态的状态概率作为可能性信息，并且
利用状态概率执行FHMM的学习。
<6>
根据<5>的信息处理装置，其中
FHMM包括，
特定于每个因子的每个状态的特定波形，特定波形用于确定总和数据的观察值的平均值，总和数据在因子的状态的组合中观察到，
总和数据的观察值的差异，其中总和数据在因子的状态的组合中观察到，
每个因子的每个状态是初始状态的初始状态概率，
每个因子的每个状态转换的转换概率，
作为模型参数，并且
在FHMM的学习中，执行
波形分离学习，其中确定特定波形作为图案信息，
差异学习，其中确定差异，以及
状态变化学习，其中确定初始状态概率和转换概率。
<7>
根据<6>的信息处理装置，其中
在状态估计中，
利用平均值和差异确定在因子的状态的组合中观察到总和数据的观察概率，
利用观察概率和转换概率，相对于总和数据的序列Y1、Y2、...、YT观察到总和数据Y1、Y2、...、Yt，并且确定在时间点t处于因子的状态的组合z中的前向概率αt,z和在时间点t处于因子的状态的组合z中并且然后观察到总和数据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确定在时间点t处于因子的状态的组合z中的后验概率γt,z，并且
通过使后验概率γt,z边缘化确定状态概率。
<8>
信息处理方法，包括步骤：
从控制装置获取电器标记和操作状态标记，其中控制装置
操作电器，
识别电器的操作状态，并且
发送表示电器的电器标记和表示电器的操作状态的操作状态标记；
基于可能性信息利用有关由多个电器消耗的电流的总和的总和数据更新图案信息，其中可能性信息表示消耗由图案信息表示的电流消耗的概率，可能性信息相对于表示电器中的每一个的操作状态中的每一个内的电流消耗的图案信息获得，从而获取从分离电器的电流消耗的解聚得到的可能性信息；以及
基于可能性信息确定图案信息并且执行将电器标记和操作状态标记与图案信息相关联的标记，其中图案信息表示在由电器标记表示的电器的当前操作状态下消耗的电流消耗。
<9>
程序，用于促使计算机用作：
电器信息获取单元，从控制装置获取电器标记和操作状态标记，其中控制装置
操作电器，
识别电器的操作状态，并且
发送表示电器的电器标记和表示电器的操作状态的操作状态标记；
可能性信息获取单元，基于可能性信息利用有关由电器消耗的电流的总和的总和数据更新图案信息，其中可能性信息表示消耗由图案信息表示的电流消耗的概率，可能性信息相对于表示多个电器中的每一个的操作状态中的每一个内的电流消耗的图案信息获得，从而获取从分离电器的电流消耗的解聚得到的可能性信息；以及
标记单元，基于可能性信息确定图案信息并且执行将电器标记和操作状态标记与图案信息相关联的标记，其中图案信息表示在由电器标记表示的电器的当前操作状态下消耗的电流消耗。
<10>
控制装置，包括：
操作控制器，控制相对于电器的操作；
识别单元，识别电器的操作状态；以及
通信单元，基于可能性信息利用有关由电器消耗的电流的总和的总和数据更新图案信息，其中可能性信息表示消耗由图案信息表示的电流消耗的概率，可能性信息相对于表示多个电器中的每一个的操作状态中的每一个内的电流消耗的图案信息获得，从而将表示电器的电器标记和表示电器的操作状态的操作状态标记发送至执行分离电器的电流消耗的解聚的解聚装置。
<11>
根据<10>的控制装置，是可移动的媒介。
<12>
根据<11>的控制装置，其中
操作控制器根据来自解聚装置的请求控制相对于电器的操作，以将电器的操作状态改变为另一操作状态。
<13>
根据<10>至<12>中任一项的控制装置，进一步包括
通知控制器，在解聚装置中，通知控制器获取表示电器的操作状态的操作状态标记和表示电器的电器标记，并且根据操作状态标记控制由电器标记表示的电器的操作状态的通知，其中操作状态标记和电器标记基于可能性信息获得。
<14>
根据<13>的控制装置，其中
识别单元还识别电器的位置，
通信单元还将表示电器的位置的位置信息发送至解聚装置，并且
通知控制器根据操作状态标记和位置信息，控制由电器标记表示的电器的操作状态的通知。
<15>
根据<10>至<14>中任一项的控制装置，其中
识别单元通过询问用户识别电器以及电器的操作状态。
<16>
控制方法，包括步骤：
操作电器；
识别电器的操作状态；以及
基于可能性信息利用有关由多个电器消耗的电流的总和的总和数据更新图案信息，其中可能性信息表示消耗由图案信息表示的电流消耗的概率，可能性信息相对于表示电器中的每一个的操作状态中的每一个内的电流消耗的图案信息获得，从而将表示电器的电器标记和表示电器的操作状态的操作状态标记发送至执行分离电器的电流消耗的解聚的解聚装置。
<17>
程序，用于促使计算机用作：
操作控制器，控制相对于电器的操作；
识别单元，识别电器的操作状态；以及
通信单元，基于可能性信息利用有关由多个电器消耗的电流的总和的总和数据更新图案信息，其中可能性信息表示消耗由图案信息表示的电流消耗的概率，可能性信息相对于表示电器中的每一个的操作状态中的每一个内的电流消耗的图案信息获得，从而将表示电器的电器标记和表示电器的操作状态的操作状态标记发送至执行分离电器的电流消耗的解聚的解聚装置。
符号的描述
11配电板、12功率表、13电流传感器、14媒介、15网络、16解聚装置、30通信单元、31数据获取单元、32状态估计单元、33模型存储单元、34模型学习单元、35标记获取单元、36数据输出单元、41评估器、42估计器、51波形分离学习单元、52差异学习单元、53状态变化学习单元、101主体单元、101A背传感器、102A至102D腿部单元、103头部单元、103A头部传感器、103B下巴传感器、104尾部单元、111控制器、112A/D转换器、113D/A转换器、114通信单元、115半导体存储器，121麦克风、122L、122R图像传感器、123扬声器、131动作确定器、132识别单元、133位置检测器、134操作控制器、135通知控制器、136表生成器、201、202获取单元、203标记单元、204对应存储单元、205控制器、211获取单元、212检测目标存储单元、213操作状态检测器、301总线、302CPU、303ROM、304RAM、305硬盘、306输入单元、307输出单元、308通信单元、309驱动、310输入/输出接口、311可移除记录介质。
- 还没有人留言评论。精彩留言会获得点赞！