CN114415488B - 一种原子钟钟差数据异常检测及修正方法和*** - Google Patents
一种原子钟钟差数据异常检测及修正方法和*** Download PDFInfo
- Publication number
- CN114415488B CN114415488B CN202111669072.1A CN202111669072A CN114415488B CN 114415488 B CN114415488 B CN 114415488B CN 202111669072 A CN202111669072 A CN 202111669072A CN 114415488 B CN114415488 B CN 114415488B
- Authority
- CN
- China
- Prior art keywords
- clock
- atomic
- difference data
- data
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005856 abnormality Effects 0.000 title claims description 3
- 230000002159 abnormal effect Effects 0.000 claims abstract description 52
- 238000013499 data model Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000007774 longterm Effects 0.000 claims description 8
- 230000002547 anomalous effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 11
- 238000001914 filtration Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 239000001257 hydrogen Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 3
- 229910052792 caesium Inorganic materials 0.000 description 3
- TVFDJXOCXUVLDH-UHFFFAOYSA-N caesium atom Chemical compound [Cs] TVFDJXOCXUVLDH-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 125000004429 atom Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G04—HOROLOGY
- G04F—TIME-INTERVAL MEASURING
- G04F5/00—Apparatus for producing preselected time intervals for use as timing standards
- G04F5/14—Apparatus for producing preselected time intervals for use as timing standards using atomic clocks
-
- G—PHYSICS
- G04—HOROLOGY
- G04D—APPARATUS OR TOOLS SPECIALLY DESIGNED FOR MAKING OR MAINTAINING CLOCKS OR WATCHES
- G04D7/00—Measuring, counting, calibrating, testing or regulating apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Electric Clocks (AREA)
Abstract
本申请公开了一种原子钟钟差数据异常检测及修正方法和***,该方法包括:确定原子钟组中的主钟作为计数器的参考信号,其中,所述主钟的稳定性优于所述原子钟组除所述主钟之外的其他原子钟;根据所述计数器循环采集所述主钟与所述其他原子钟的时差,得到所述原子钟组各原子钟的原始钟差数据;根据所述原始钟差数据的变动规律将所述原始钟差数据分为多个部分;根据所述多个部分建立原子钟钟差数据模型,其中,所述模型用于指示原子钟钟差数据的变化趋势;根据所述原子钟钟差数据模型判断实际原子钟钟差数据中是否存在异常数据。通过本申请解决了现有技术中并没有很好的间接探测法的问题,从而实现其异常数据的检测及修正。
Description
技术领域
本申请涉及到原子钟领域,具体而言,涉及一种原子钟钟差数据异常检测及修正方法和***。
背景技术
氢原子钟和铯原子钟是守时***中最常用的高精度频率标准,可靠的原子钟比对数据是进行钟性能分析、保持时间尺度的稳定性和连续性的前提和基础。在实际应用中采集到的原子钟差数据由于受到采集设备、钟失锁、器件老化等设备因素或外部环境一些不可预知的因素影响,其中往往会出现数据缺失、相位跳变和粗差等异常情况。若采集到的原子钟差数据出现异常值,会导致原子钟性能分析出现偏差,从而使得守时***的时间尺度计算结果不可靠。
数据异常值的探测方法主要可分为两大类,一类是直接探测法,另一类是间接探测法:
直接探测法指通过观测数据与给定的阈值比较,直接判断观测数据是否为异常值的方法,常用的有门限阈值法、3σ准则、中位数(MAD)法、相邻数据窗均值比较法等。直接探测法具有操作简单、易于理解和使用方便等优点,但在处理异常值时一般为直接删除或置零处理;
间接探测法是指先分析、研究观测数据本身所固有的特性,如相关性、趋势性、周期性和随机性等等,并且依据这些特性建立观测数据恰当的拟合模型,然后结合模型对数据中的异常值进行探测与处理的方法。
目前在现有技术中没有比较好的间接探测法。
发明内容
本申请实施例提供了一种原子钟钟差数据异常检测及修正方法和***,以至少解决现有技术中并没有很好的间接探测法的问题。
根据本申请的一个方面,提供了一种原子钟钟差数据异常检测及修正方法,包括:确定原子钟组中的主钟作为计数器的参考信号,其中,所述主钟的稳定性优于所述原子钟组除所述主钟之外的其他原子钟;根据所述计数器循环采集所述主钟与所述其他原子钟的时差,得到所述原子钟组各原子钟的原始钟差数据,其中,所述计数器根据所述参考信号循环采集所述主钟与所述其他原子钟的时差;根据所述原始钟差数据的变动规律将所述原始钟差数据分为多个部分;根据所述多个部分建立原子钟钟差数据模型,其中,所述模型用于指示原子钟钟差数据的变化趋势;根据所述原子钟钟差数据模型判断实际原子钟钟差数据中是否存在异常数据。
进一步地,根据所述原始钟差数据的变动规律将所述原始钟差数据分为多个部分包括:根据所述变动规律将所述原始钟差数据分为趋势成分数据和波动成分数据,其中,所述趋势成分数据用于指示趋势性的长期规律,所述波动成分数据用于指示短期波动规律。
进一步地,根据所述多个部分建立所述原子钟钟差数据模型包括:根据所述趋势成分数据建立第一模型,其中,所述第一模型用于对趋势进行分析;根据所述波动成分数据建立第二模型,其中,所述第二模型用于对波动进行分析;对所述第一模型和所述第二模型进行组合得到所述原子钟钟差数据模型。
进一步地,根据所述原子钟钟差数据模型判断实际原子钟钟差数据中是否存在异常数据包括:根据所述原子钟钟差数据模型确定异常值的判断阈值;根据所述判断阈值确定所述实际原子钟钟差数据中是否存在异常值。
进一步地,还包括:在确定所述实际原子钟钟差数据中存在异常值的情况下,对所述异常值进行修正。
根据本申请的另一个方面,还提供了一种原子钟钟差数据异常检测及修正***,包括:确定模块,用于确定原子钟组中的主钟作为计数器的参考信号,其中,所述主钟的稳定性优于所述原子钟组除所述主钟之外的其他原子钟;采集模块,用于根据所述计数器循环采集所述主钟与所述其他原子钟的时差,得到所述原子钟组各原子钟的原始钟差数据,其中,所述计数器根据所述参考信号循环采集所述主钟与所述其他原子钟的时差;划分模块,用于根据所述原始钟差数据的变动规律将所述原始钟差数据分为多个部分;建立模块,用于根据所述多个部分建立原子钟钟差数据模型,其中,所述模型用于指示原子钟钟差数据的变化趋势;处理模块,用于根据所述原子钟钟差数据模型判断实际原子钟钟差数据中是否存在异常数据。
进一步地,所述划分模块用于:根据所述变动规律将所述原始钟差数据分为趋势成分数据和波动成分数据,其中,所述趋势成分数据用于指示趋势性的长期规律,所述波动成分数据用于指示短期波动规律。
进一步地,所述建立模块用于:根据所述趋势成分数据建立第一模型,其中,所述第一模型用于对趋势进行分析;根据所述波动成分数据建立第二模型,其中,所述第二模型用于对波动进行分析;对所述第一模型和所述第二模型进行组合得到所述原子钟钟差数据模型。
进一步地,所述处理模块用于:根据所述原子钟钟差数据模型确定异常值的判断阈值;根据所述判断阈值确定所述实际原子钟钟差数据中是否存在异常值。
进一步地,所述处理模块还用于:在确定所述实际原子钟钟差数据中存在异常值的情况下,对所述异常值进行修正。
在本申请实施例中,采用了确定原子钟组中的主钟作为计数器的参考信号,其中,所述主钟的稳定性优于所述原子钟组除所述主钟之外的其他原子钟;根据所述计数器循环采集所述主钟与所述其他原子钟的时差,得到所述原子钟组各原子钟的原始钟差数据;根据所述原始钟差数据的变动规律将所述原始钟差数据分为多个部分;根据所述多个部分建立原子钟钟差数据模型,其中,所述模型用于指示原子钟钟差数据的变化趋势;根据所述原子钟钟差数据模型判断实际原子钟钟差数据中是否存在异常数据。通过本申请解决了现有技术中并没有很好的间接探测法的问题,从而实现其异常数据的检测及修正。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的守时原子钟组钟差监测***。
图2是根据本申请实施例的HP滤波模型实现各原子钟钟差数据的模型示意图。
图3是根据本申请实施例的原子钟钟差数据异常检测及修正方法的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种原子钟钟差数据异常检测及修正方法,图3是根据本申请实施例的原子钟钟差数据异常检测及修正方法的流程图,如图3所示,下面对该流程包括的步骤进行说明。
步骤S302,确定原子钟组中的主钟作为计数器的参考信号,其中,所述主钟的稳定性优于所述原子钟组除所述主钟之外的其他原子钟;
步骤S304,根据所述计数器循环采集所述主钟与所述其他原子钟的时差,得到所述原子钟组各原子钟的原始钟差数据,其中,所述计数器根据所述参考信号循环采集所述主钟与所述其他原子钟的时差;
步骤S306,根据所述原始钟差数据的变动规律将所述原始钟差数据分为多个部分;
步骤S308,根据所述多个部分建立原子钟钟差数据模型,其中,所述模型用于指示原子钟钟差数据的变化趋势;
步骤S310,根据所述原子钟钟差数据模型判断实际原子钟钟差数据中是否存在异常数据。
通过上述步骤解决了现有技术中并没有很好的间接探测法的问题,从而实现其异常数据的检测及修正。
在本实施例中,数据划分的方式有很多种,例如,根据所述变动规律将所述原始钟差数据分为趋势成分数据和波动成分数据,其中,所述趋势成分数据用于指示趋势性的长期规律,所述波动成分数据用于指示短期波动规律。这种划分数据的方式可以更有利于处理钟差数据。
此时,可以根据所述趋势成分数据建立第一模型,其中,所述第一模型用于对趋势进行分析;根据所述波动成分数据建立第二模型,其中,所述第二模型用于对波动进行分析;对所述第一模型和所述第二模型进行组合得到所述原子钟钟差数据模型。分为两个模型来进行处理,可以使得数据处理更加合理。
在模型建立起之后,可以采用阈值的方式来判断异常值,即可以根据所述原子钟钟差数据模型确定异常值的判断阈值;根据所述判断阈值确定所述实际原子钟钟差数据中是否存在异常值。更优地,还可以在确定所述实际原子钟钟差数据中存在异常值的情况下,对所述异常值进行修正。采用阈值的方式来进行判断,可以在一定程度上节约计算资源。
下面结合一个可选实施例进行说明。在本实施例中提供一种用于守时***中氢铯原子钟组钟差数据预处理方法,检测各原子钟的异常数据并对其进行修正。该方法基于HP滤波模型实现各原子钟钟差数据的模型建立,从而实现其异常数据的检测及修正。
原子钟钟差异常数据检测及修正的计算方法步骤为:
第一步 搭建守时原子钟组钟差监测***
守时原子钟组钟差监测***如图1,首先在原子钟组内选出稳定性最好的一台钟(主钟)作为计数器的参考信号,钟组内的其他原子钟接入计数器的各个测试通道,利用计数器循环采集主钟信号与其他各原子中的时差,采集周期为1h,配置计数器数据采集软件,获得守时钟组钟各原子钟的原始钟差数据。
第二步 利用HP滤波对钟差数据进行成分分解
钟差数据是非线性非平稳数据,其变动规律一般既包含有趋势性的长期规律,又包含有周期性和不规则变动的短期波动规律。基于此,首先应用HP滤波将原子钟差数据Y分解成趋势成分数据G和波动成分数据C:
将原始钟差数据Y={y1,y2,...,yn}进行分解,得到带长期趋势性的趋势成分G={g1,g2,...,gn}与带短期波动性的波动成分C={c1,c2,...,cn}它们与原始钟差数据的关系为
yt=gt+ct (1)
式中:t=1,2,…,n,其中,n为采样的数据个数。
HP滤波目的在于将数据的趋势成分从不平滑的原始数据中分解出来,分离过程必须满足损失函数最小原则,即
式中:平滑参数 和/>分别为趋势成分G和波动成分C的方差。
第三步 对原始钟差数据趋势成分G进行建模分析
将得到的趋势成分G视作t的函数,G具有明显的线性趋势,根据各个数据点到自回归曲线误差εi平方和拟合G的多元自回归多项式。
gt=a0+a1t+...+antn+G(t-i) (3)
式中:G(t-i)表示滞后项的函数,即gt同时与gt-i的线性组合有关。
根据拟合的自回归曲线,对趋势成分G进行建模,并记录预测值为
第四步 对原始钟差数据的波动成分C进行建模分析
对原始钟差数据的波动成分C采用BP神经网络进行建模,BP神经网络是一种按误差反向传播训练的多层前馈网络,其基本思想是利用梯度搜索技术,实现网络误差均方差最小。
记钟差数据波动成分中第p个样本在输出层第j个神经元节点的实际输出为ypj,期望输出为tpj,那么BP网络结构的误差指标函数为:
其中ε是以εp为元素的向量,其Jacabi矩阵为J。BP网络各层神经元的连接权值用向量W表示,k表示迭代步数,则Wk表示第k次迭代的网络权值向量,下一步新的权值向量为Wk +1。已知移动量Wk+1-Wk很小,则将ε的一阶Taylor级数为:
ε(Wk+1)=ε(Wk)+J(Wk+1-Wk) (5)
因此,误差指标函数可以写为:
本实施例采用LM算法来优化BP神经网络模型的权值算法及网络结构,避免其陷入局部震荡。因此,欲使误差函数E最小,对Wk+1求导得高斯牛顿法的迭代公式为:
Wk+1=Wk-(JTJ)-1JTε(Wk) (7)
为克服Jacobi矩阵的奇异现象,误差指标函数可以表示为:
对E求Wk+1的极小点,得高斯牛顿法改进算法也即LM算法的表达式:
Wk+1=Wk-(J)TJ+μI-1JTε(Wk) (9)
式中,I是单位矩阵;参数μ的大小是根据误差函数E来定的,属于试探性参数。迭代过程中若误差指标函数E减小,则μ减小,反之,则μ增加。
根据训练好的BP神经网络模型对钟差数据的波动成分C进行预测,记录预测值为
第五步计算原始钟差数据的组合预测结果及对结果进行误差分析
根据HP滤波原理,原始钟差数据的组合预测结果为
钟差数据预测结果的误差为
第六步确定异常值判断阈值,若Et大于所设阈值,则判定yt为异常值,并将作为修正值。
利用HP滤波模型并分别通过多项式自回归模型和BP神经网络模型对钟的钟差序列建模并准确预测是原子钟钟差数据异常检测及修正的关键。算法结构示意图如图2。
建模及异常检测和修正过程在MATLAB环境下编程实现,步骤如下:
1)数据累积:为验证本发明方法的有效性,选取实验室守时***内2021年7月~2021年9月的钟差数据进行验证,***内包括进口氢原子钟、国产氢原子钟以及进口铯原子钟,多通道计数器钟差采集间隔为1h。首先筛选出各原子钟无粗差、相位跳变或数据丢失的钟差数据(大于1天)用于建模分析,其余数据用于模型的性能验证。
2)HP滤波处理:针对原始钟差数据,首先采用HP滤波分解出趋势成分和波动成分。此步骤处理的关键是平滑参数λ的选择,λ是用来调节趋势成分对原始钟差数据的跟踪程度和趋势成分的光滑程度,通常随着λ值的增加,估计的趋势越平滑,当λ无穷大时,估计的趋势将接近线性函数。一般根据经验和实验结果,综合考虑趋势的平滑程度并有利于波动成分建模来确定λ值。
3)趋势成分建模:趋势成分G近似一条平滑的曲线,依据式(3),将G对t(t=1,2,3,...)进行回归拟合,根据多项式曲线拟合的结果调整次数和滞后项。依据点到拟合曲线的误差平方和最小原则得到模型的估计系数,完成趋势成分的预测模型。
4)波动成分建模:通过建立BP神经网络模型对波动成分C进行建模分析。为了加快BP神经网络的训练速度,将波动成分C进行归一化处理。利用滑动窗口法生成适合输入BP神经网络模型的数据集,将建模数据随机划分为训练样本、验证样本和测试样本3部分,其中训练样本数据用于调整网络结构参数,减小误差;验证样本数据用来验证神经网络的泛化能力,并且在网络泛化能力不再提高时终止网络的训练;测试样本数据用来检验网络的性能。
5)模型验证:根据HP滤波原理yt=gt+ct,利用建立好的模型进行组合预测并与实际钟差序列进行比较,验证是否可标记钟差数据钟的粗差、跳相等异常值。与常用的MAD、3σ钟差异常值检测算法进行比较,进行可靠性验证。
本实施例利用HP滤波模型将守时***各原子钟与主钟的原始钟差序列分解为趋势成为数据和波动成分数据;然后根据趋势成分和波动成分的不同特点对两者分别通过自回归分析和BP神经网络进行建模,将各自的预测结果组合作为原始钟差数据的预测结果。确定异常值的判断阈值后,若钟差实际值与预测值误差较大,则判定该钟差值为异常值,并将预测结果作为该点的修正值。
在本实施例中,提供一种电子设备,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行以上实施例中的方法。或者在本实施例中,还可以提供一种存储器,该存储器用于存储程序,所述程序用于执行上述方法;还提供了一种处理器,该处理器用于运行程序,所述程序用于执行上述方法。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤,对应与不同的步骤可以通过不同的模块来实现。
该本实施例中就提供了这样的一种装置或***。该***被称为原子钟钟差数据异常检测及修正***,包括:确定模块,用于确定原子钟组中的主钟作为计数器的参考信号,其中,所述主钟的稳定性优于所述原子钟组除所述主钟之外的其他原子钟;采集模块,用于根据所述计数器循环采集所述主钟与所述其他原子钟的时差,得到所述原子钟组各原子钟的原始钟差数据,其中,所述计数器根据所述参考信号循环采集所述主钟与所述其他原子钟的时差;划分模块,用于根据所述原始钟差数据的变动规律将所述原始钟差数据分为多个部分;建立模块,用于根据所述多个部分建立原子钟钟差数据模型,其中,所述模型用于指示原子钟钟差数据的变化趋势;处理模块,用于根据所述原子钟钟差数据模型判断实际原子钟钟差数据中是否存在异常数据。
该***或者装置用于实现上述的实施例中的方法的功能,该***或者装置中的每个模块与方法中的每个步骤相对应,已经在方法中进行过说明的,在此不再赘述。
例如,所述划分模块用于:根据所述变动规律将所述原始钟差数据分为趋势成分数据和波动成分数据,其中,所述趋势成分数据用于指示趋势性的长期规律,所述波动成分数据用于指示短期波动规律。可选地,所述建立模块用于:根据所述趋势成分数据建立第一模型,其中,所述第一模型用于对趋势进行分析;根据所述波动成分数据建立第二模型,其中,所述第二模型用于对波动进行分析;对所述第一模型和所述第二模型进行组合得到所述原子钟钟差数据模型。
又例如,所述处理模块用于:根据所述原子钟钟差数据模型确定异常值的判断阈值;根据所述判断阈值确定所述实际原子钟钟差数据中是否存在异常值。可选地,所述处理模块还用于:在确定所述实际原子钟钟差数据中存在异常值的情况下,对所述异常值进行修正。
通过上述实施例解决了现有技术中并没有很好的间接探测法的问题,从而实现其异常数据的检测及修正。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种原子钟钟差数据异常检测及修正方法,其特征在于,包括:
确定原子钟组中的主钟作为计数器的参考信号,其中,所述主钟的稳定性优于所述原子钟组除所述主钟之外的其他原子钟;
根据所述计数器循环采集所述主钟与所述其他原子钟的时差,得到所述原子钟组各原子钟的原始钟差数据,其中,所述计数器根据所述参考信号循环采集所述主钟与所述其他原子钟的时差;
根据所述原始钟差数据的变动规律将所述原始钟差数据分为多个部分;
根据所述原始钟差数据的变动规律将所述原始钟差数据分为多个部分包括:根据所述变动规律将所述原始钟差数据分为趋势成分数据和波动成分数据,其中,所述趋势成分数据用于指示趋势性的长期规律,所述波动成分数据用于指示短期波动规律;
根据所述多个部分建立原子钟钟差数据模型,其中,所述模型用于指示原子钟钟差数据的变化趋势;
根据所述多个部分建立所述原子钟钟差数据模型包括:根据所述趋势成分数据建立第一模型,其中,所述第一模型用于对趋势进行分析;根据所述波动成分数据建立第二模型,其中,所述第二模型用于对波动进行分析;对所述第一模型和所述第二模型进行组合得到所述原子钟钟差数据模型;
根据所述原子钟钟差数据模型判断实际原子钟钟差数据中是否存在异常数据。
2.根据权利要求1所述的方法,其特征在于,根据所述原子钟钟差数据模型判断实际原子钟钟差数据中是否存在异常数据包括:
根据所述原子钟钟差数据模型确定异常值的判断阈值;
根据所述判断阈值确定所述实际原子钟钟差数据中是否存在异常值。
3.根据权利要求2所述的方法,其特征在于,还包括:
在确定所述实际原子钟钟差数据中存在异常值的情况下,对所述异常值进行修正。
4.一种原子钟钟差数据异常检测及修正***,其特征在于,包括:
确定模块,用于确定原子钟组中的主钟作为计数器的参考信号,其中,所述主钟的稳定性优于所述原子钟组除所述主钟之外的其他原子钟;
采集模块,用于根据所述计数器循环采集所述主钟与所述其他原子钟的时差,得到所述原子钟组各原子钟的原始钟差数据,其中,所述计数器根据所述参考信号循环采集所述主钟与所述其他原子钟的时差;
划分模块,用于根据所述原始钟差数据的变动规律将所述原始钟差数据分为多个部分;
所述划分模块用于:根据所述变动规律将所述原始钟差数据分为趋势成分数据和波动成分数据,其中,所述趋势成分数据用于指示趋势性的长期规律,所述波动成分数据用于指示短期波动规律;
建立模块,用于根据所述多个部分建立原子钟钟差数据模型,其中,所述模型用于指示原子钟钟差数据的变化趋势;
所述建立模块用于:根据所述趋势成分数据建立第一模型,其中,所述第一模型用于对趋势进行分析;根据所述波动成分数据建立第二模型,其中,所述第二模型用于对波动进行分析;对所述第一模型和所述第二模型进行组合得到所述原子钟钟差数据模型;
处理模块,用于根据所述原子钟钟差数据模型判断实际原子钟钟差数据中是否存在异常数据。
5.根据权利要求4所述的***,其特征在于,所述处理模块用于:
根据所述原子钟钟差数据模型确定异常值的判断阈值;
根据所述判断阈值确定所述实际原子钟钟差数据中是否存在异常值。
6.根据权利要求5所述的***,其特征在于,所述处理模块还用于:
在确定所述实际原子钟钟差数据中存在异常值的情况下,对所述异常值进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111669072.1A CN114415488B (zh) | 2021-12-31 | 2021-12-31 | 一种原子钟钟差数据异常检测及修正方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111669072.1A CN114415488B (zh) | 2021-12-31 | 2021-12-31 | 一种原子钟钟差数据异常检测及修正方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114415488A CN114415488A (zh) | 2022-04-29 |
CN114415488B true CN114415488B (zh) | 2024-04-02 |
Family
ID=81271308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111669072.1A Active CN114415488B (zh) | 2021-12-31 | 2021-12-31 | 一种原子钟钟差数据异常检测及修正方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114415488B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115113514B (zh) * | 2022-06-22 | 2023-08-11 | 中国电子科技集团公司第二十九研究所 | 一种卫星钟差异常跳变自主监测及恢复***及方法 |
CN114859685B (zh) * | 2022-07-08 | 2022-10-14 | 浙江赛思电子科技有限公司 | 一种原子钟异常检测方法、***、设备及计算机存储介质 |
CN116184802B (zh) * | 2023-04-26 | 2023-07-28 | 成都量子时频科技有限公司 | 一种基于fpga实现的原子钟电参数自动调试测试装置及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010064818A (ko) * | 1999-12-18 | 2001-07-11 | 이계철 | 시각 및 주파수 정확도 측정 장치 및 그 방법 |
CN101082663A (zh) * | 2006-05-31 | 2007-12-05 | 中国科学院国家授时中心 | 转发式卫星导航中的虚拟原子钟方法 |
CN103516457A (zh) * | 2013-10-28 | 2014-01-15 | 中国航天科工集团第二研究院二〇三所 | 一种高精度远程时间同步方法 |
CN104848862A (zh) * | 2015-06-05 | 2015-08-19 | 武汉大学 | 一种环火探测器精密同步定位守时方法及*** |
KR20160098819A (ko) * | 2015-02-11 | 2016-08-19 | 국방과학연구소 | 다중 원자시계용 마이크로파 주파수신호를 합성하는 방법 및 장치 |
CN110837219A (zh) * | 2019-10-06 | 2020-02-25 | 中国计量科学研究院 | 一种用于监测实体原子钟的虚拟原子钟***及工作方法 |
CN112329197A (zh) * | 2020-09-23 | 2021-02-05 | 北京无线电计量测试研究所 | 一种基于灰色模型的综合原子时建立方法 |
-
2021
- 2021-12-31 CN CN202111669072.1A patent/CN114415488B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010064818A (ko) * | 1999-12-18 | 2001-07-11 | 이계철 | 시각 및 주파수 정확도 측정 장치 및 그 방법 |
CN101082663A (zh) * | 2006-05-31 | 2007-12-05 | 中国科学院国家授时中心 | 转发式卫星导航中的虚拟原子钟方法 |
CN103516457A (zh) * | 2013-10-28 | 2014-01-15 | 中国航天科工集团第二研究院二〇三所 | 一种高精度远程时间同步方法 |
KR20160098819A (ko) * | 2015-02-11 | 2016-08-19 | 국방과학연구소 | 다중 원자시계용 마이크로파 주파수신호를 합성하는 방법 및 장치 |
CN104848862A (zh) * | 2015-06-05 | 2015-08-19 | 武汉大学 | 一种环火探测器精密同步定位守时方法及*** |
CN110837219A (zh) * | 2019-10-06 | 2020-02-25 | 中国计量科学研究院 | 一种用于监测实体原子钟的虚拟原子钟***及工作方法 |
CN112329197A (zh) * | 2020-09-23 | 2021-02-05 | 北京无线电计量测试研究所 | 一种基于灰色模型的综合原子时建立方法 |
Non-Patent Citations (2)
Title |
---|
GNSS星载原子钟短期钟差预报模型研究;肖阳;《硕士电子期刊》;全文 * |
原子时***主备钟同步技术研究;杨帆;《宇航计测技术》;第40卷(第1期);29-46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114415488A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114415488B (zh) | 一种原子钟钟差数据异常检测及修正方法和*** | |
CN109587713B (zh) | 一种基于arima模型的网络指标预测方法、装置及存储介质 | |
KR102237654B1 (ko) | 타겟 시스템들을 제어하기 위한 예측 사용 | |
US7865389B2 (en) | Analyzing time series data that exhibits seasonal effects | |
Ullah et al. | A comparative analysis of software reliability growth models using defects data of closed and open source software | |
WO2010138452A1 (en) | Apparatus and method for model quality estimation and model adaptation in multivariable process control | |
Oozeer et al. | Cognitive dynamic system for control and cyber-attack detection in smart grid | |
Chen et al. | Machine learning based iterative learning control for non‐repetitive time‐varying systems | |
González‐Martínez et al. | Multisynchro: a novel approach for batch synchronization in scenarios of multiple asynchronisms | |
CN115800272B (zh) | 基于拓扑识别的电网故障分析方法、***、终端及介质 | |
Daria et al. | Predicting cyber attacks on industrial systems using the Kalman filter | |
Zagrobelny et al. | Quis custodiet ipsos custodes? | |
CN112468312A (zh) | 一种网络流量预测方法及通信设备和存储介质 | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN114417733A (zh) | 构建功耗预测模型的方法、装置、电子设备及存储介质 | |
CN111340287A (zh) | 配电柜运行状态预测方法及装置 | |
Liu et al. | A data-driven method for online constructing linear power flow model | |
Pawlak et al. | Nonparametric sequential signal change detection under dependent noise | |
CN111144650A (zh) | 电力负荷预测方法、装置、计算机可读存储介质及设备 | |
CN110866325B (zh) | 一种基于间接监测数据设备剩余寿命不完美维护预测方法 | |
Seshan et al. | LSTM-based autoencoder models for real-time quality control of wastewater treatment sensor data | |
Patil et al. | Real-time identification of electromechanical modeles using controlled window-size multi-prony analysis | |
CN116756531B (zh) | 一种面向模型交互联动的带钢热连轧过程监控方法和装置 | |
Zheng et al. | An adaptive exponential smoothing approach for software reliability prediction | |
Chen et al. | Controlled output variance based diagnosis tree for feedforward/feedback control systems |
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 |