CN110858309B - 一种多基准时钟加权合成方法 - Google Patents
一种多基准时钟加权合成方法 Download PDFInfo
- Publication number
- CN110858309B CN110858309B CN201810958330.XA CN201810958330A CN110858309B CN 110858309 B CN110858309 B CN 110858309B CN 201810958330 A CN201810958330 A CN 201810958330A CN 110858309 B CN110858309 B CN 110858309B
- Authority
- CN
- China
- Prior art keywords
- clock
- historical
- coefficient
- weight
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Synchronisation In Digital Transmission Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Neurology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明公开了一种多基准时钟加权合成方法,解决现有方法单一时钟精确度和稳定度不能满足超高精度应用的要求,而现有组合时钟合成算法很难同时兼顾精确度和稳定度进行优化的问题。所述方法包含:根据组合时钟的历史时钟信号构建样本数据,通过误差逆传播算法对样本数据生成神经网络分类器;对时钟信号进行去噪处理,计算频偏系数、频漂系数,得到频偏矩阵、频漂矩阵;构建测试矩阵;将测试矩阵的每个时钟的频偏系数、频漂系数放入神经网络分类器进行分类,得到分类系数;根据频偏系数计算得到每个时钟的权值和归一化权值;根据分类系数、归一化权值对时钟信号进行加权合成,得到组合时钟信号。本发明实现的组合时钟频率准确度达到n×E‑13量级。
Description
技术领域
本发明涉及时间同步网络领域,尤其涉及一种多基准时钟加权合成方法。
背景技术
随着车联网、工业互联网、5G等技术的飞速发展,高精度时钟已日趋重要,为了满足高精度的定位需求,需要建立高精度的时间同步网络。目前,国内外所使用组合时钟算法主要有:加权平均算法,包括ALGOS算法和AT1算法,Kalman滤波算法,小波分解算法。ALGOS算法也称经典加权算法,采用双月平均速率方差获取权重,对各原子钟的钟面读数进行加权平均后形成一个时间尺度,其算法缺点是对时钟的短期稳定性改善并不明显;AT1算法不计算过去频率的真实值,只是考虑到频率变化,只能针对某一观察窗口下的特性进行优化;Kalman滤波算法对时钟准确度方面改善效果不明显;小波分解法对时钟准确度方面改善效果不明显。
发明内容
本发明提供一种多基准时钟加权合成方法,解决现有方法单一时钟精确度和稳定度不能满足超高精度应用的要求,而现有组合时钟合成算法很难同时兼顾精确度和稳定度进行优化的问题。
一种多基准时钟加权合成方法,包含以下步骤:根据组合时钟的历史时钟信号构建样本数据,并通过误差逆传播算法对所述样本数据生成神经网络分类器;从所述组合时钟的各时钟获取时钟信号;对每个所述时钟信号进行去噪处理,得到去噪时钟信号;对每个所述去噪时钟信号采用二次拟合方法计算频偏系数、频漂系数,得到频偏矩阵、频漂矩阵;根据所述频偏矩阵、频漂矩阵构建测试矩阵为:
TST=[F1 F2]
其中,TST为所述测试矩阵,F1为所述频偏矩阵,F2为所述频漂矩阵;将所述测试矩阵对应的每个时钟的频偏系数、频漂系数放入所述神经网络分类器进行分类,得到每个时钟的分类系数;根据每个时钟的所述频偏系数计算得到每个时钟的权值和归一化权值为:
其中,μi、μi′分别为第i个时钟的所述归一化权值、权值,y0i为第i个时钟的所述频偏系数,N为所述时钟信号的个数;根据所述分类系数、归一化权值对所述时钟信号进行加权合成,得到所述组合时钟信号为:
其中,TA(t)为所述组合时钟信号,N为所述时钟信号的个数,ai为第i个时钟的所述分类系数,μi为第i个时钟的所述归一化权值,TAi(t)为第i个所述时钟信号。
进一步地,在所述对每个所述时钟信号进行去噪处理,得到去噪时钟信号的步骤之前,所述方法还包含:对每个所述时钟信号去除奇异点。
优选地,所述根据组合时钟的历史时钟数据构建样本数据,并通过误差逆传播算法对所述样本数据生成神经网络分类器的步骤,进一步包含:从所述组合时钟的各时钟获取所述历史时钟信号;对每个所述历史时钟信号进行滤噪处理,得到滤噪历史时钟信号;对每个所述滤噪历史时钟信号采用最小二乘拟合方法计算得到历史频偏系数、历史频漂系数,并构建所述样本数据;对所述样本数据中的每个所述历史频偏系数、历史频漂系数构建包含输入层、隐含层、输出层的三层神经网络,其中所述输入层包含第一、第二2个神经元,所述第一神经元的输入、输出信号均为所述历史频偏系数,所述第二神经元的输入、输出信号均为所述历史频漂系数,所述隐含层的每个神经元包含2个输入信号为所述输入层输出的所述历史频偏系数、历史频漂系数,包含1个输出信号作为所述输出层的输入信号,所述输出层输出1个信号为历史分类系数:
其中,为第i个时钟的所述历史分类系数,m为所述隐含层的神经元序号,M为所述隐含层神经元的个数,分别为时钟序号为i隐含层序号为m的输出层输入权重、所述输出层输入信号,n为所述输入层神经元序号,分别为时钟序号为i输入层序号为n的隐含层输入权重、隐含层输入信号;根据每个时钟的所述历史频偏系数计算每个时钟的历史归一化权值、历史权值:
其中,分别为第i个时钟的所述历史归一化权值、历史权值,为第i个时钟的所述历史频偏系数,N为所述时钟信号的个数;根据所述历史分类系数、历史归一化权值对所述历史时钟信号进行加权合成,得到历史组合时钟信号为:
其中,TAtr(t)为所述历史组合时钟信号,N为所述历史时钟信号的个数,为第i个时钟的所述历史分类系数,为第i个时钟的所述历史归一化权值,为第i个所述历史时钟信号;对每个所述输出层输入权重、隐含层输入权重进行优化,使所述历史组合时钟信号性能最优,得到所述输出层优化输入权重、隐含层优化输入权重;根据所述输出层优化输入权重、隐含层优化输入权重得到所述神经网络分类器。
进一步地,所述每个时钟的分类系数为:当所述神经网络分类器的计算结果大于等于0时,所述分类系数为1;当所述神经网络分类器的计算结果小于0时,所述分类系数为-1。
优选地,所述去噪处理采用中位值滤波法、小波滤波法。
优选地,所述组合时钟的个数不小于3个。
优选地,所述组合时钟的各时钟为原子钟或GNSS接收机。
进一步地,所述去除奇异点的方法为多数表决方法、参考检测法。
进一步地,所述隐含层神经元的个数为20。
本发明有益效果包括:本发明实现的频率基准信号输出无论短期稳定性还是长期稳定性都优于单个时钟源,也优于普通加权算法的输出结果,其频率准确度在n×E-14~n×E-13量级,优于高品质单个铯钟1~2个数量级;本发明可以同时改善时钟源的短期和长期稳定性,即频率准确度达到n×E-13量级的同时,观察窗口100s以下时的频率阿伦方差也比单个时钟源低2~3个数量级。并且本发明在钟组数目较大的情况下或者钟组特性动态性比较强的情况下,如不断有新的钟源加入同时部分钟源离开或者由于质量原因被剔除的情况下,具有明显的优化效果和自适应性,无需人为修改参数或者权值,算法会自动地将新的钟源进行分类并权值。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为一种多基准时钟加权合成方法流程实施例;
图2为一种包含奇异点去除的多基准时钟加权合成方法流程实施例;
图3为一种包含神经网络分类器生成的多基准时钟加权合成方法流程实施例。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
随着车联网、工业互联网、5G等技术的飞速发展,高精度时钟已日趋重要。比如车联网领域定位技术至关重要。为了满足高精度的定位需求,需要建立高精度的时间同步网络,该网络由时间源头、定时分配网络、末端定位组成。时间源头需要内置原子钟或者从外定时接口追溯至G.811频率基准信号。时间源头的性能决定了整个时间同步网络的性能,也决定了***的定位精度,例如1us的时间测量误差就可导致300m的位置误差。同样,工业互联网、5G通信中都需要高精度的时钟来支持,而高精度的频率源是高精度时钟实现的基础。随着科学技术,未来出现几百甚至几十纳秒的超高精度同步需求是可以预见的,因此如何进一步提高时间/频率精度成为当前业内研究的热点。从原理上来说,时间/频率输出精度很大程度上决定于所用原子钟的物理特性。原子钟是一种精密的频率源,能够输出频率特别稳定的正弦信号。理想的原子钟输出的正弦信号可以表示为:
u(t)=U0sin(2πυ0t)
但是实际运行中,原子钟的幅度和相位不可避免地会受随机扰动的影响,因此其输出信号近似于如下形式:
该式中,前三项对应确定度分量,其中x0为初始时间偏差,y0为初始频率偏差(也成为频偏系数),D为原子钟的线性漂移率。εx(t)对应时间偏差的随机性变量,即原子钟的随机噪声。按照经典理论,原子钟在运行过程中,除了存在相位偏差、频率偏差、频率漂移等确定性偏差之外,还存在频率随机游走噪声((random walk frequency noise)、频率闪烁噪声(flicker frequency noise)、频率白噪声(white frequency noise),相位闪烁噪声(flicker phase noise)和相位白噪声(white phase noise)等噪声构成的随机性偏差。对于时钟确定性分量,可采用多项式拟合、Kalman滤波、灰度模型、指数平滑等方法得到确定性分量并加以修正;对于时钟随机性变量,首先需要对噪声进行精确建模,建立原子钟模型,然后设计合理的算法,降低原子钟组的噪声。由此可见,原子钟的***变化部分可用一个确定性函数模型来描述,而原子钟的随机变化部分(原子钟噪声)是一个随机变化量,只能从统计意义上来分析。为了减少对单原子钟的要求,而提高整个***的性能,另一种解决方案是使用几个原子时钟的组合,以获得一个改进增强的输出信号,获得更高精度的时间/频率输出。
目前,国内外所使用组合时钟算法主要有:加权平均算法(包括ALGOS算法和AT1算法),Kalman滤波算法,小波分解算法。加权平均算法是经典的组合钟算法。Kalman滤波算法,小波分解算法既可以用于对单台原子钟进行状态估计,也可以运用于建立一个组合钟的时间尺度。其中,国际权度局(BIPM)时间部使用的是ALGOS加权平均算法,中国计量科学研究院等单位使用的是AT1加权平均算法。GPS卫星导航***使用的是Kalman滤波算法。
ALGOS算法也称经典加权算法,采用双月平均速率方差获取权重,对各原子钟的钟面读数进行加权平均后形成一个时间尺度。BIPM对ALGOS算法进行了多次更新,主要目的是调整取权方法以提高稳定度,用ALGOS算法进行国际原子时(TAI)计算,首先是计算自由原子时尺度(EAL),EAL是由世界各地约240台原子钟加权平均得到。ALGOS算法主要考虑了EAL的长期稳定度。EAL经过频率校准获得TAI,它的频率校准是通过EAL频率与基准频标进行比对获得的。最终输出的时间尺度的计算公式如下:
其中,TA代表国际原子时,hi(t)代表第i台钟的钟面读数,hi'(t)代表第i台钟的钟面读数的时间改正量。引入钟面读数的时间改正量,其目的是确保钟的权重或数量发生变化时保持时间尺度的连续性。加权的权重wi为:
hi'(t)=xi(t0)+yi'(t)(t-t0)
这种方法可以针对时钟某一观察窗口下的特性进行优化,通常选择长期稳定性作为加权的依据,所以这种方法生成的组合时钟长期稳定性得到了显著的改善,但是短期稳定性改善并不明显。
ATI算法和ALGOS算法一样,也是加权平均算法。AT1不计算过去频率的真实值,只是考虑到频率变化,此外ATI算法权重是以预测误差为基础的,显然这种算法的最大优势在于实时性。ATI算法原理为:在原子钟组中选出稳定性最好的一台钟作为主钟。主钟的频率输出连接到相位微跃计,通过时间尺度算法来控制相位微跃计,使最终相位微跃计输出的时间尺度稳定度最高,这个时间尺度也被称为是纸面时,或是组合钟的时间尺度,其时间是在每次物理钟组测量完成后计算出来的。
令xi(t),yi(t)分别代表第i台钟相对于组合钟在时间t时刻的时差和频差。τ是测量中的时间间隔,xi(t)和yi(t)都需要预先设定初始值。这台钟在t+τ时刻相对于组合钟的时间可估算如下:
xi'(t+τ)=xi(t)+yi'(t)×τ
主钟相对于组合钟的钟差就可以通过第i台钟而估算得到:
xri'(t+τ)=xi'(t+τ)-ti(t+τ)=xi(t)+yi'(t)×τ-ti(t+τ)
利用以前的时间和速率数据和现在的测量结果,每台钟都可以提供主钟相对组合钟的时差估算。如果钟组有N台钟,上式可重复次,得到N-1次独立估算,组合钟相对于主钟的时间可由加权平均得出。
这种方法的劣势与ALGOS相同,只能针对某一观察窗口下的特性进行优化。
Kalman滤波算法原理:一个动态***或一个信号序列的完整模型可以由一个状态方程和一个观测方程表示,其离散状态方程为:
其中X代表k时刻***各状态量或信号分量所构成的n维向量,w、代表***的r维驱动噪声,Φ代表n×n维的状态转移矩阵,其测量方程为:
其中,Z代表m维观测向量,V代表m维的测量噪声,H代表m×n维的测量矩阵,基本的Kalman滤波递推公式如下:
若信号满足一定条件,根据上述Kalman递推公式就能得到状态向量X的最小均方估计。卡尔曼滤波十分适用于时间尺度的产生。它有助于平滑时间测量相位白噪声。也是一种过滤时钟本身频率白噪声的一种新方法。在这种情况下,时间尺度是建立在参考时钟的频率随机游走噪声的基础上。由此产生的时间尺度的短期稳定性显著改善,但目前该方法对时钟准确度方面改善却并不明显。
小波分解法基本原理:设参加归算的原子钟总数为N,在某一时刻,第i台原子钟的钟面读数为T(i),加上修正项A(i)和B(i)。在归算的时间间隔T内,修正后的钟面读数TM(i,t)可写为:
TM(i,t)=T(i,t)+A(i)+B(i)(t-t0)
则小波分解原子时可表示为:
假设Di为第i台钟与小波原子时的钟差Di(t)=WDAT(t)-T(i,t),选取一个性能最好的时钟作为主时钟,第i台钟与主时钟的钟差表示为DiM(t)。因此主钟
和小波分解原子时的钟差可以表示为:
D(t)可以表示为:
其中RF是对非平稳的随机过程加权求和,改变加权方式,采用小波分解法进行加权。
Β和α分别为小波分解的粗糙系数和细节系数。在某一局部频率范围内加权可写作:
或
与卡尔曼滤波算法类似,目前该方法虽然在时钟稳定度方面得到显著提升,但对时钟准确度方面改善却并不明显。
以下结合附图,详细说明本发明各实施例提供的技术方案。
图1为一种多基准时钟加权合成方法流程实施例,本发明实施例提供一种多基准时钟加权合成方法,具体包含以下步骤:
步骤101,根据组合时钟的历史时钟信号构建样本数据,并通过误差逆传播算法对所述样本数据生成神经网络分类器。
在步骤101中,所述样本数据包含所述组合时钟中各时钟的频偏系数、频漂系数。
步骤102,从所述组合时钟的各时钟获取时钟信号。
在步骤102中,所述组合时钟的个数不小于3个。
需要说明的是,所述组合时钟的各时钟为原子钟或GNSS接收机,这里不做特别限定。
步骤103,对每个所述时钟信号进行去噪处理,得到去噪时钟信号。
在步骤103中,所述去噪处理可以采用中位值滤波法、小波滤波法,也可以采用其他去噪处理算法,这里不做特别限定,所述去噪处理的目的是去除信号中的噪声成分,尽可能保留和凸显原始信号。
步骤104,对每个所述去噪时钟信号采用二次拟合方法计算频偏系数、频漂系数,得到频偏矩阵、频漂矩阵。
在步骤104中,对每个所述去噪时钟信号采用二次拟合方法时,得到的关于时间的一次项系数为所述频偏系数,关于时间的二次项系数为所述频漂系数。
步骤105,根据所述频偏矩阵、频漂矩阵构建测试矩阵为:
TST=[F1 F2] (1)
其中,TST为所述测试矩阵,F1为所述频偏矩阵,F2为所述频漂矩阵。
步骤106,将所述测试矩阵对应的每个时钟的频偏系数、频漂系数放入所述神经网络分类器进行分类,得到每个时钟的分类系数。
在步骤106中,所述每个时钟的分类系数为:当所述神经网络分类器的计算结果大于等于0时,所述分类系数为1;当所述神经网络分类器的计算结果小于0时,所述分类系数为-1。
步骤107,根据每个时钟的所述频偏系数计算得到每个时钟的权值和归一化权值为:
其中,μi、μi′分别为第i个时钟的所述归一化权值、权值,y0i为第i个时钟的所述频偏系数,N为所述时钟信号的个数。
步骤108,根据所述分类系数、归一化权值对所述时钟信号进行加权合成,得到所述组合时钟信号为:
其中,TA(t)为所述组合时钟信号,N为所述时钟信号的个数,ai为第i个时钟的所述分类系数,μi为第i个时钟的所述归一化权值,TAi(t)为第i个所述时钟信号。
本发明实施例引入误差逆传播算法神经网络将多基准源组合生成高精度的时钟源,先对时钟组做预处理,利用去噪算法将各时钟源的噪声过滤,再利用误差逆传播算法生成的神经网络分类器将噪声过滤后的时钟进行分类,最后将分类后的时钟进行加权叠加,从而提高时钟精度和稳定度。
图2为一种包含奇异点去除的多基准时钟加权合成方法流程实施例,本发明实施例提供的多基准时钟加权合成方法包含时钟信号奇异点去除,具体包含以下步骤:
步骤101,根据组合时钟的历史时钟信号构建样本数据,并通过误差逆传播算法对所述样本数据生成神经网络分类器。
步骤102,从所述组合时钟的各时钟获取时钟信号。
步骤201,对每个所述时钟信号去除奇异点。
在步骤201中,所述奇异点可以是性能异常的时钟信号,如频偏超过设定阈值的时钟信号,所述奇异点还可以是性能正常的时钟信号中的不正常测量值。由于原子钟信号在测量过程中难免会遇到缺失或者由于某些原因造成信号突变,因此,在时钟加权之前需要去除这些异常点和异常时钟。
在步骤201中,所述去除奇异点的方法可以为多数表决方法、参考检测法,也可以为其他奇异点去除方法,这里不做特别限定。所述多数表决方法采用两两对比判断特定的时钟是否不可用。所述参考检测法可以用输出信号做测试参考,检测异常值,因为时钟装置时间常数大,输入的跳变不会很快反应到输出上,因此输出的历史值可以做奇异点检测。
步骤202,对每个所述时钟信号进行去噪处理,得到去噪时钟信号。
步骤203,对每个所述去噪时钟信号采用二次拟合方法计算频偏系数、频漂系数,得到频偏矩阵、频漂矩阵。
步骤204,根据所述频偏矩阵、频漂矩阵构建测试矩阵为:
TST=[F1 F2]
其中,TST为所述测试矩阵,F1为所述频偏矩阵,F2为所述频漂矩阵。
步骤205,将所述测试矩阵对应的每个时钟的频偏系数、频漂系数放入所述神经网络分类器进行分类,得到每个时钟的分类系数。
步骤206,根据每个时钟的所述频偏系数计算得到每个时钟的权值和归一化权值为:
其中,μi、μi′分别为第i个时钟的所述归一化权值、权值,y0i为第i个时钟的所述频偏系数,N为所述时钟信号的个数。
步骤207,根据所述分类系数、归一化权值对所述时钟信号进行加权合成,得到所述组合时钟信号为:
其中,TA(t)为所述组合时钟信号,N为所述时钟信号的个数,ai为第i个时钟的所述分类系数,μi为第i个时钟的所述归一化权值,TAi(t)为第i个所述时钟信号。
本发明实施例提出一种高精度增强型的组合时钟合成算法,采用本算法实现的原子钟的***频率准确度突破10-12量级,可以满足未来通信领域及其他技术领域同步方面的需求。
图3为一种包含神经网络分类器生成的多基准时钟加权合成方法流程实施例,本发明实施例提供的多基准时钟加权合成方法包含神经网络分类器生成方法,具体包含以下步骤:
步骤301,从所述组合时钟的各时钟获取所述历史时钟信号。
在步骤301中,所述历史时钟信号为已有测量结果的信号,用作神经网络生成器的训练样本。
步骤302,对每个所述历史时钟信号进行滤噪处理,得到滤噪历史时钟信号。
在步骤302中,所述滤噪处理可以采用中位值滤波法、小波滤波法或其他算法,这里不做特别限定。
步骤303,对每个所述滤噪历史时钟信号采用最小二乘拟合方法计算得到历史频偏系数、历史频漂系数,并构建所述样本数据。
在步骤303中,所述样本数据包含由每个历史时钟信号计算得到的所述历史频偏系数、历史频漂系数。
在步骤303中,所述对每个所述滤噪历史时钟信号采用最小二乘拟合方法是,得到的关于时间的一次项系数为所述历史频偏系数,关于时间的二次项系数为所述历史频漂系数。
步骤304,对所述样本数据中的每个所述历史频偏系数、历史频漂系数构建包含输入层、隐含层、输出层的三层神经网络,其中所述输入层包含第一、第二2个神经元,所述第一神经元的输入、输出信号均为所述历史频偏系数,所述第二神经元的输入、输出信号均为所述历史频漂系数,所述隐含层的每个神经元包含2个输入信号为所述输入层输出的所述历史频偏系数、历史频漂系数,包含1个输出信号作为所述输出层的输入信号,所述输出层输出1个信号为历史分类系数:
其中,为第i个时钟的所述历史分类系数,m为所述隐含层的神经元序号,M为所述隐含层神经元的个数,分别为时钟序号为i隐含层序号为m的输出层输入权重、所述输出层输入信号,n为所述输入层神经元序号,分别为时钟序号为i输入层序号为n的隐含层输入权重、隐含层输入信号。
在步骤304中,所述隐含层输入信号分别为所述历史频偏系数、历史频漂系数。
在步骤304中,所述隐含层神经元的个数在本发明实施例为20,也可以为其他数值,这里不做特别限定。
步骤305,根据每个时钟的所述历史频偏系数计算每个时钟的历史归一化权值、历史权值:
步骤306,根据所述历史分类系数、历史归一化权值对所述历史时钟信号进行加权合成,得到历史组合时钟信号为:
步骤307,对每个所述输出层输入权重、隐含层输入权重进行优化,使所述历史组合时钟信号性能最优,得到所述输出层优化输入权重、隐含层优化输入权重。
在步骤307中,所述历史组合时钟信号性能最优是指加权合成后的所述历史组合时钟信号的频偏系数、频漂系数、噪声值最小。需要说明的是,所述历史组合时钟信号的频偏系数是指对加权合成后的所述历史组合时钟信号采用最小二乘法进行误差拟合,得到的关于时间的一次项系数,所述历史组合时钟信号的频漂系数是指对加权合成后的所述历史组合时钟信号采用最小二乘法进行误差拟合,得到的关于时间的二次项系数。
在步骤307中,所述对每个所述输出层输入权重、隐含层输入权重进行优化的过程即为训练神经网络分类器,训练过程就是通过优化每个所述输出层输入权重、隐含层输入权重,使得在所述历史频偏系数、历史频漂系数作为输入下,所述神经网络分类器的实际输出的分类系数尽可能逼近理想输出的分类系数。
步骤308,根据所述输出层优化输入权重、隐含层优化输入权重得到所述神经网络分类器。
步骤102,从所述组合时钟的各时钟获取时钟信号。
步骤201,对每个所述时钟信号去除奇异点。
在步骤201中,所述奇异点可以是性能异常的时钟信号,如频偏超过设定阈值的时钟信号,所述奇异点还可以是性能正常的时钟信号中的不正常测量值。由于原子钟信号在测量过程中难免会遇到缺失或者由于某些原因造成信号突变,因此,在时钟加权之前需要去除这些异常点和异常时钟。
在步骤201中,所述去除奇异点的方法可以为多数表决方法、参考检测法,也可以为其他奇异点去除方法,这里不做特别限定。所述多数表决方法采用两两对比判断特定的时钟是否不可用。所述参考检测法可以用输出信号做测试参考,检测异常值,因为时钟装置时间常数大,输入的跳变不会很快反应到输出上,因此输出的历史值可以做奇异点检测。
步骤202,对每个所述时钟信号进行去噪处理,得到去噪时钟信号。
步骤203,对每个所述去噪时钟信号采用二次拟合方法计算频偏系数、频漂系数,得到频偏矩阵、频漂矩阵。
步骤204,根据所述频偏矩阵、频漂矩阵构建测试矩阵为:
TST=[F1 F2]
其中,TST为所述测试矩阵,F1为所述频偏矩阵,F2为所述频漂矩阵。
步骤205,将所述测试矩阵对应的每个时钟的频偏系数、频漂系数放入所述神经网络分类器进行分类,得到每个时钟的分类系数。
步骤206,根据每个时钟的所述频偏系数计算得到每个时钟的权值和归一化权值为:
其中,μi、μi′分别为第i个时钟的所述归一化权值、权值,y0i为第i个时钟的所述频偏系数,N为所述时钟信号的个数。
步骤207,根据所述分类系数、归一化权值对所述时钟信号进行加权合成,得到所述组合时钟信号为:
其中,TA(t)为所述组合时钟信号,N为所述时钟信号的个数,ai为第i个时钟的所述分类系数,μi为第i个时钟的所述归一化权值,TAi(t)为第i个所述时钟信号。
本发明实施例将时钟源组中的时钟源输出信号先进行预处理和滤噪,对滤噪后的信号利用二次拟合算法计算频偏和频漂,将频偏和频漂输入到训练好的神经网络分类器中,生成分类系数,利用频偏计算出加权系数,用分类系数对加权系数进行修正,用修正后的加权系数对去噪后的时钟信号进行加权输出。本发明实施例可以同时改善时钟源的短期和长期稳定性,且在钟组数目较大的情况下或者钟组特性动态性比较强的情况下,具有明显的优化效果和自适应性,无需人为修改参数或者权值,算法会自动地将新的钟源进行分类并权值。
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (4)
1.一种多基准时钟加权合成方法,其特征在于,包含以下步骤:
根据组合时钟的历史时钟信号构建样本数据,并通过误差逆传播算法对所述样本数据生成神经网络分类器;
从所述组合时钟的各时钟获取时钟信号;
对每个所述时钟信号去除奇异点;
采用中位值滤波法,对每个所述时钟信号进行去噪处理,得到去噪时钟信号;
对每个所述去噪时钟信号采用二次拟合方法计算频偏系数、频漂系数,得到频偏矩阵、频漂矩阵;
根据所述频偏矩阵、频漂矩阵构建测试矩阵为:
TST=[F1 F2]
其中,TST为所述测试矩阵,F1为所述频偏矩阵,F2为所述频漂矩阵;
将所述测试矩阵对应的每个时钟的频偏系数、频漂系数放入所述神经网络分类器进行分类,得到每个时钟的分类系数;
根据每个时钟的所述频偏系数计算得到每个时钟的权值和归一化权值为:
其中,μi、μi′分别为第i个时钟的所述归一化权值、权值,y0i为第i个时钟的所述频偏系数,N为所述时钟信号的个数;
根据所述分类系数、归一化权值对所述时钟信号进行加权合成,得到组合时钟信号为:
其中,TA(t)为所述组合时钟信号,N为所述时钟信号的个数,ai为第i个时钟的所述分类系数,μi为第i个时钟的所述归一化权值,TAi(t)为第i个所述时钟信号;
所述根据组合时钟的历史时钟数据构建样本数据,并通过误差逆传播算法对所述样本数据生成神经网络分类器的步骤,进一步包含:
从所述组合时钟的各时钟获取所述历史时钟信号;
对每个时钟信号去除奇异点;
采用中位值滤波法,对每个所述历史时钟信号进行滤噪处理,得到滤噪历史时钟信号;
对每个所述滤噪历史时钟信号采用最小二乘拟合方法计算得到历史频偏系数、历史频漂系数,并构建所述样本数据;
对所述样本数据中的每个所述历史频偏系数、历史频漂系数构建包含输入层、隐含层、输出层的三层神经网络,其中所述输入层包含第一、第二2个神经元,所述第一神经元的输入、输出信号均为所述历史频偏系数,所述第二神经元的输入、输出信号均为所述历史频漂系数,所述隐含层的每个神经元包含2个输入信号为所述输入层输出的所述历史频偏系数、历史频漂系数,包含1个输出信号作为所述输出层的输入信号,所述输出层输出1个信号为历史分类系数:
其中,为第i个时钟的所述历史分类系数,m为所述隐含层的神经元序号,M=20为所述隐含层神经元的个数,分别为时钟序号为i隐含层序号为m的输出层输入权重、所述输出层输入信号,n为所述输入层神经元序号,分别为时钟序号为i输入层序号为n的隐含层输入权重、隐含层输入信号;
根据每个时钟的所述历史频偏系数计算每个时钟的历史归一化权值、历史权值:
根据所述历史分类系数、历史归一化权值对所述历史时钟信号进行加权合成,得到历史组合时钟信号为:
对每个所述输出层输入权重、隐含层输入权重进行优化,使所述历史组合时钟信号性能最优,得到所述输出层优化输入权重、隐含层优化输入权重;
根据所述输出层优化输入权重、隐含层优化输入权重得到所述神经网络分类器;
当所述神经网络分类器的计算结果大于等于0时,所述分类系数为1;
当所述神经网络分类器的计算结果小于0时,所述分类系数为-1。
2.如权利要求1所述的多基准时钟加权合成方法,其特征在于,所述组合时钟的个数不小于3个。
3.如权利要求1所述的多基准时钟加权合成方法,其特征在于,所述组合时钟的各时钟为原子钟或GNSS接收机。
4.如权利要求1所述的多基准时钟加权合成方法,其特征在于,所述去除奇异点的方法为多数表决方法或参考检测法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810958330.XA CN110858309B (zh) | 2018-08-22 | 2018-08-22 | 一种多基准时钟加权合成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810958330.XA CN110858309B (zh) | 2018-08-22 | 2018-08-22 | 一种多基准时钟加权合成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110858309A CN110858309A (zh) | 2020-03-03 |
CN110858309B true CN110858309B (zh) | 2023-04-18 |
Family
ID=69635597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810958330.XA Active CN110858309B (zh) | 2018-08-22 | 2018-08-22 | 一种多基准时钟加权合成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110858309B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341685A (zh) * | 2021-06-30 | 2021-09-03 | 北京微纳星空科技有限公司 | 一种卫星时间管理方法、电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065152A (zh) * | 2012-12-10 | 2013-04-24 | 华中师范大学 | 一种视频中数字时钟的识别方法 |
CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
CN104398252A (zh) * | 2014-11-05 | 2015-03-11 | 深圳先进技术研究院 | 一种心电信号处理方法及装置 |
CN106600050A (zh) * | 2016-12-10 | 2017-04-26 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于bp神经网络的超短期负荷预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679989B (zh) * | 2015-01-27 | 2017-11-03 | 北京工业大学 | 一种基于改进型bp神经网络的氢原子钟钟差预测方法 |
CN105207767B (zh) * | 2015-10-09 | 2018-08-24 | 国网冀北电力有限公司信息通信分公司 | 一种ptp主时钟与从时钟之间频率同步的方法及装置 |
CN106408085A (zh) * | 2016-08-31 | 2017-02-15 | 天津南大通用数据技术股份有限公司 | 使用单隐层解决非线性问题的bp神经网络分类方法 |
CN106529729A (zh) * | 2016-11-18 | 2017-03-22 | 同济大学 | 基于BP_Adaboost模型的***用户违约的预测方法及*** |
-
2018
- 2018-08-22 CN CN201810958330.XA patent/CN110858309B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065152A (zh) * | 2012-12-10 | 2013-04-24 | 华中师范大学 | 一种视频中数字时钟的识别方法 |
CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
CN104398252A (zh) * | 2014-11-05 | 2015-03-11 | 深圳先进技术研究院 | 一种心电信号处理方法及装置 |
CN106600050A (zh) * | 2016-12-10 | 2017-04-26 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于bp神经网络的超短期负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
苏建设,廖培金,周佃民.基于GPS同步量测量的模糊神经网络用于暂态稳定预测研究.《继电器》.2001,第29卷(第2期),全文. * |
顾亚楠 ; 陈忠贵 ; 帅平 ; .基于Hadamard方差的导航星座自主时间同步算法研究.《中国空间科学技术》.2010,第2卷(第1期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110858309A (zh) | 2020-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111143989B (zh) | 频率调整量计算方法、模块、***、存储介质和设备 | |
CN107330149B (zh) | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 | |
Eichstädt et al. | Deconvolution filters for the analysis of dynamic measurement processes: a tutorial | |
CN109269497B (zh) | 基于auv切法向速度模型的多尺度无迹卡尔曼滤波估计方法 | |
CN107994885B (zh) | 一种同时估计未知输入和状态的分布式融合滤波方法 | |
CN105718642B (zh) | 一种基于门限自回归模型的参考时间尺度产生方法 | |
CN109827579B (zh) | 一种组合定位中滤波模型实时校正的方法和*** | |
CN108809463B (zh) | 一种多基准时钟加权合成方法 | |
CN110554597B (zh) | 基于Vondark-Cepek滤波的氢铯时间尺度融合方法 | |
CN105115573A (zh) | 一种洪水流量预报的校正方法和装置 | |
CN113552565B (zh) | 针对sar数据高噪声及大梯度变化区域的相位解缠方法 | |
CN112713881B (zh) | 一种基于边缘计算的同步时钟维持***与方法 | |
Narasimhappa et al. | An innovation based random weighting estimation mechanism for denoising fiber optic gyro drift signal | |
CN104048676A (zh) | 基于改进粒子滤波的mems陀螺随机误差补偿方法 | |
Smagin et al. | Kalman filtering and control algorithms for systems with unknown disturbances and parameters using nonparametric technique | |
CN110858309B (zh) | 一种多基准时钟加权合成方法 | |
CN106483561B (zh) | 一种频率域的子波分解方法 | |
CN110163148B (zh) | 一种电动汽车直流充电畸变信号自适应识别方法 | |
Ding et al. | The method of MEMS gyroscope random error compensation based on ARMA | |
CN110850450A (zh) | 一种卫星钟差参数的自适应估计方法 | |
CN111079591B (zh) | 基于改进多尺度主成分分析的不良数据修复方法及*** | |
CN107656905A (zh) | 一种利用误差传递的空气质量数据实时校准方法 | |
CN109344678B (zh) | 基于小波阈值的mems陀螺去噪方法 | |
CN115293090A (zh) | 基于重构数据处理的多谐波源责任量化方法 | |
Zeng et al. | A method for compensating random errors in MEMS gyroscopes based on interval empirical mode decomposition and ARMA |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |