CN108809463A - 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
- CN108809463A CN108809463A CN201710291953.1A CN201710291953A CN108809463A CN 108809463 A CN108809463 A CN 108809463A CN 201710291953 A CN201710291953 A CN 201710291953A CN 108809463 A CN108809463 A CN 108809463A
- Authority
- CN
- China
- Prior art keywords
- clock
- clock signal
- signal
- wavelet decomposition
- threshold
- 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.)
- Granted
Links
- 238000010189 synthetic method Methods 0.000 title claims abstract description 25
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 25
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 25
- 239000002131 composite material Substances 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 104
- 238000012216 screening Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 abstract description 12
- 229910052792 caesium Inorganic materials 0.000 abstract description 4
- TVFDJXOCXUVLDH-UHFFFAOYSA-N caesium atom Chemical compound [Cs] TVFDJXOCXUVLDH-UHFFFAOYSA-N 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 229910052701 rubidium Inorganic materials 0.000 description 1
- IGLNJRXAVVLDKE-UHFFFAOYSA-N rubidium atom Chemical compound [Rb] IGLNJRXAVVLDKE-UHFFFAOYSA-N 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J3/00—Time-division multiplex systems
- H04J3/02—Details
- H04J3/06—Synchronising arrangements
- H04J3/0635—Clock or time synchronisation in a network
- H04J3/0638—Clock or time synchronisation among nodes; Internode synchronisation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03L—AUTOMATIC CONTROL, STARTING, SYNCHRONISATION OR STABILISATION OF GENERATORS OF ELECTRONIC OSCILLATIONS OR PULSES
- H03L7/00—Automatic control of frequency or phase; Synchronisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J3/00—Time-division multiplex systems
- H04J3/02—Details
- H04J3/06—Synchronising arrangements
- H04J3/0635—Clock or time synchronisation in a network
- H04J3/0685—Clock or time synchronisation in a node; Intranode synchronisation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manipulation Of Pulses (AREA)
- Electric Clocks (AREA)
Abstract
本发明公开了一种多基准时钟加权合成方法，解决了组合时钟精度和稳定度差的问题，所述方法包括以下步骤：从多个时钟源获得时钟信号；对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号；对所述去除噪声的时钟信号，先利用KNN分类算法进行分类，再对分类后的信号进行加权合成，得到时钟合成信号。在对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号之前，对所述时钟信号进行异常信号检测，去除所述时钟信号中的奇异点。本发明所实现的频率基准信号频率准确度在n×E‑14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。
Description
技术领域
本发明涉及卫星导航系统，特别涉及一种多基准时钟加权合成方法。
背景技术
在卫星导航系统中需要应用高精度时钟进行导航和定位，而时钟的时间/频率精度是由原子钟的物理特性决定的，目前大多采用时钟合成的方法来提高时间/频率精度。现有技术中采用的时间合成方法包括：加权平均算法，Kalman滤波算法和小波分解算法，加权平均算法得到的时钟合成信号短期稳定性改善效果较差，Kalman滤波算法和小波分解算法得到的时钟合成信号对时钟准确度方面改善不明显。
发明内容
本发明提供一种多基准时钟加权合成方法，解决了组合时钟精度和稳定度差的问题。
一种多基准时钟加权合成方法，包括以下步骤：从多个时钟源获得时钟信号；对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号；对所述去除噪声的时钟信号，先利用KNN分类算法进行分类，再对分类后的信号进行加权合成，得到时钟合成信号。在对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号之前，对所述时钟信号进行异常信号检测，去除所述时钟信号中的奇异点。
优选地，对所述时钟信号进行异常信号检测，去除所述时钟信号中的奇异点，进一步包含：选取所述异常信号检测的测试参考信号，所述测试参考信号为所述时钟信号的任一历史输出值；将所述时钟信号与所述测试参考信号进行比较，得到比较差值；对所述比较差值进行判断，当所述比较差值大于奇异点判断阈值时，所述时钟信号为奇异点。
优选地，对所述时钟信号进行异常信号检测，去除所述时钟信号中的奇异点，进一步包含：将所述时钟信号进行两两比对，并计算得到两两比对差值；根据所述两两比对差值将所述时钟信号分为两类，当所述两两比对差值大于奇异点判断阈值时，判定两个时钟信号为不同类别，当所述两两比对差值不大于所述奇异点判断阈值时，判定两个时钟信号为相同类别；根据所述时钟信号的分类情况，将信号个数少的一类时钟信号判定为奇异点。
进一步地，对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号，进一步包含：对所述时钟信号进行小波函数分解，得到小波分解细节系数对所述小波分解细节系数进行硬阈值判断筛选，得到筛选后的小波分解细节系数，所述硬阈值判断筛选为，当小波分解细节系数小于小波分解硬阈值时，将该小波分解细节系数置0，当小波分解细节系数大于或等于所述小波分解硬阈值时，保留该小波分解细节系数，根据所述筛选后的小波分解细节系数，对所述时钟信号进行重构。
优选地，对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号，进一步包含：对所述时钟信号进行小波函数分解，得到小波分解细节系数；
对所述小波分解细节系数根据设定的软阈值筛选比例进行软阈值判断筛选，得到筛选后的小波分解细节系数，所述软阈值判断筛选为，当小波分解细节系数小于小波分解硬阈值时，将该小波分解细节系数置0，当小波分解细节系数大于或等于所述小波分解硬阈值时，将该小波分解细节系数减去阈值得到新的小波分解细节系数小波分解细节系数小波分解细节系数小波分解细节系数；
根据所述筛选后小波分解细节系数，对所述时钟信号进行重构。
进一步地，本发明所述多基准时钟加权合成方法，对所述去除噪声的时钟信号，进行加权合成，得到时钟合成信号，进一步包含：将所述去除噪声的时钟信号进行两两比对，生成比对向量，并根据所述比对向量计算得到频偏矩阵；根据所述频偏矩阵生成待测样本；对所述待测样本进行分类，得到分类系数；
根据所述频偏矩阵计算所述时钟源的归一化权值；根据所述分类系数和所述归一化权值进行时钟合成，得到时钟合成信号。
优选地，作为本申请多基准时钟加权合成方法的实施例，根据所述频偏矩阵计算所述时钟源的归一化权值为
其中μi为第i个时钟源的归一化权值，N为所述时钟源的个数，μi′为第i个时钟源的权值，μi′表示为
其中fij为第i台时钟源时钟信号和第j台时钟源时钟信号比对计算得到的频偏矩阵，所述时钟合成信号为
其中，TA(t)为所述时钟合成信号，ai为所述分类系数，μi为第i个时钟源的归一化权值，TAi(t)为第i个时钟源获得的时钟信号。
优选地，对所述待测样本进行分类，得到分类系数采用的分类器为KNN分类器。
本发明有益效果包括：本发明所实现的频率基准信号频率准确度在n×E-14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-14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。
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为一种一种多基准时钟加权合成方法流程示意图；
图2为一种包含异常信号检测的多基准时钟加权合成方法流程示意图。
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。
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示意图。本申请实施例提出的一种多基准时钟加权合成方法，具体包括以下步骤：
步骤101，从多个时钟源获得时钟信号。
在步骤101中，所述时钟信号为所述时钟源的时间/频率信号。
需要说明的是，选用多个时钟源的目的是组成组合时钟，所述时钟源的个数是预先设定的，要求不小于3个，具体个数这里不做限定。
还需要说明的是，所述多个时钟源可以是原子钟，可以是GNSS接收机，这里不做具体限定。
步骤102，对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号。
在步骤102中，对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号，进一步包含：对所述时钟信号进行小波函数分解，得到小波分解细节系数；对所述小波分解细节系数进行硬阈值判断筛选，得到筛选后的小波分解细节系数，所述硬阈值判断筛选为，当小波分解细节系数小于小波分解硬阈值时，将该小波分解细节系数置0，当小波分解细节系数大于或等于所述小波分解硬阈值时，保留该小波分解细节系数小波分解细节系数小波分解细节系数；根据所述筛选后小波分解细节系数，对所述时钟信号进行重构。
在步骤102中，M层小波函数分解可表示为
其中，TAi(t)表示第i台钟在t时刻的时钟信号，N为参加归算的时钟源总数，为小波分解的粗糙系数，为小波分解的细节系数。保留所有的粗糙系数，对所述小波分解细节系数进行硬阈值判断筛选，得到筛选后的小波分解细节系数，所述硬阈值判断筛选为，当小波分解细节系数小于小波分解硬阈值(公式(2)中的Threshold)时，将该小波分解细节系数置0，当小波分解细节系数大于或等于所述小波分解硬阈值时，保留该小波分解细节系数，即：
根据阈值处理后的小波分解细节系数进行时钟信号的重构，即：
在步骤102中，对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号，进一步包含：对所述时钟信号进行小波函数分解，得到小波分解细节系数；对所述小波分解细节系数根据设定的软阈值筛选比例进行软阈值判断筛选，得到筛选后的小波分解细节系数，所述软阈值判断筛选为，当小波分解细节系数小于小波分解硬阈值时，将该小波分解细节系数置0，当小波分解细节系数大于或等于所述小波分解硬阈值时，将该小波分解细节系数减去阈值得到新的小波分解细节系数；根据所述筛选后的小波分解细节系数，对所述时钟信号进行重构。
需要说明的是，对所述时钟信号进行小波函数分解，可以采用Haar小波、Daubechies小波、Coiflets小波等可以作为基函数，也可以采用其他小波作为基函数，这里不做限定。
需要说明的是，理论上小波分解层数越多去噪精度越高，但是相应计算的复杂度也提升，计算时间越长，实际应用中在精度和计算复杂度上取一个折中数值。从纯理论的角度，M可以取任意正整数；从工程的角度考虑，一般我们将M取到3～10之间就可以达到比较好的效果。
步骤103，对所述去除噪声的时钟信号，进行加权合成，得到时钟合成信号。
在步骤103中，对所述去除噪声的时钟信号，进行加权合成，得到时钟合成信号，进一步包含：将所述去除噪声的时钟信号进行两两比对，生成比对向量Xij＝TAi'-TAj'，并根据所述比对向量计算得到频偏矩阵，偏移矩阵是一个N×N的矩阵，记为FN×N，这个矩阵中的每一个元素
其中i,j＝1,2,…,N；P是采样区间的时间序列长度，根据所述频偏矩阵生成待测样本(待测样本就是钟组中的每一台钟)；对所述待测样本进行分类，得到分类系数：按照每个时钟对系统贡献为正或负对TST进行分类，并赋予+1/-1的分类系数ai。本发明中定义两台钟对比频偏的绝对值为两台钟的距离，即dist＝|fij|)
需要说明的是，KNN算法是一种经典的分类算法，核心思想是如果一个样本在特征空间中的k个最相邻(距离最小)的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。
例如，KNN(K-Nearest Neighbor)算法的实现步骤如下：
步骤1：初始化距离为最大值；
步骤2：计算待测样本和每个训练样本的距离dist；
步骤3：得到目前K个最邻近样本中的最大距离maxdist；
步骤4：如果dist小于maxdist，则将训练样本作为K-最近样本集合；
步骤5：重复步骤2、3、4，直到所有待测样本和训练样本的距离都计算完毕；
步骤6：统计K个最邻近样本中每个类别出现的次数；
步骤7：选择出现频次最大的类别作为待测样本的类别
针对本发明，训练样本选用几个典型的已知种类的时钟源(比如铷钟、铯钟、氢钟、星载钟各选择一个)，用训练样本训练分类器；而待测样本就是我们钟组中的N台钟，KNN算法中的距离就是频偏矩阵，放入分类器进行分类，并赋予不同的分类系数ai＝+1或者ai＝-1根据所述频偏矩阵计算所述时钟源的归一化权值；根据所述分类系数和所述归一化权值进行时钟合成，得到时钟合成信号。
根据所述频偏矩阵计算所述时钟源的归一化权值为
其中μi为第i个时钟源的归一化权值，N为所述时钟源的个数，μi′为第i个时钟源的权值，μi′表示为
其中fij为第i台时钟源时钟信号和第j台时钟源时钟信号比对计算得到的频偏矩阵，所述时钟合成信号为
其中，TA(t)为所述时钟合成信号，ai为所述分类系数，μi为第i个时钟源的归一化权值，TAi(t)为第i个时钟源获得的时钟信号。
在步骤103中，对所述待测样本进行分类，得到分类系数采用的分类器为KNN分类器，按照每个时钟对系统贡献为正或负对所述待测样本进行分类，产生+1/-1的分类系数。
需要说明的是，KNN算法是一种经典的分类算法，核心思想是如果一个样本在特征空间中的k个最相邻(距离最小)的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。
本发明使用机器学习分类器和小波变换相结合的方法加权生成高精度时钟基准，时钟源经小波变换后对特定小波分解细节系数进行修正，再将信号进行重构，从而减小时钟源信号中的噪声成分；同时，将时钟源之间两两比对，计算频偏作为加权系数，利用机器学习分类器对时钟进行分类，从而对加权系数做修正，用修正后的加权系数对降噪后的时钟信号进行加权输出，可以有效提高时钟精度和稳定度。
图2为一种包含异常信号检测的多基准时钟加权合成方法流程示意图。本实施所述方法包含以下步骤：
步骤101，从多个时钟源获得时钟信号。
步骤201，对所述时钟信号进行异常信号检测，去除所述时钟信号中的奇异点。
在步骤201中，对所述时钟信号进行异常信号检测，去除所述时钟信号中的奇异点，进一步包含：选取所述异常信号检测的测试参考信号，所述测试参考信号为所述时钟信号的任一历史输出值；将所述时钟信号与所述测试参考信号进行比较，得到比较差值；对所述比较差值进行判断，当所述比较差值大于奇异点判断阈值时，所述时钟信号为奇异点。
优选地，在步骤201中，对所述时钟信号进行异常信号检测，去除所述时钟信号中的奇异点，进一步包含：将所述时钟信号进行两两比对，并计算得到两两比对差值；根据所述两两比对差值将所述时钟信号分为两类，当所述两两比对差值大于奇异点判断阈值时，判定两个时钟信号为不同类别，当所述两两比对差值不大于所述奇异点判断阈值时，判定两个时钟信号为相同类别；根据所述时钟信号的分类情况，将信号个数少的一类时钟信号判定为奇异点。
步骤202，对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号。
在步202中，对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号，进一步包含：对所述时钟信号进行小波函数分解，得到小波分解细节系数；对所述小波分解细节系数进行硬阈值判断筛选，得到筛选后的小波分解细节系数，所述硬阈值判断筛选为，当小波分解细节系数小于小波分解硬阈值时，将该小波分解细节系数置0，当小波分解细节系数大于或等于所述小波分解硬阈值时，保留该小波分解细节系数；根据所述筛选后的小波分解细节系数，对所述时钟信号进行重构。
优选地，对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号，进一步包含：对所述时钟信号进行小波函数分解，得到小波分解细节系数；对所述小波分解细节系数根据设定的软阈值筛选比例进行软阈值判断筛选，得到筛选后的小波分解细节系数，所述软阈值判断筛选为，当小波分解细节系数小于小波分解硬阈值时，将该小波分解细节系数置0，当小波分解细节系数大于或等于所述小波分解硬阈值时，将该小波分解细节系数减去阈值得到新的小波分解细节系数；根据所述筛选后的小波分解细节系数，对所述时钟信号进行重构。
步骤203，对所述去除噪声的时钟信号，进行加权合成，得到时钟合成信号。
在步骤203中，对所述去除噪声的时钟信号，进行加权合成，得到时钟合成信号，进一步包含：将所述去除噪声的时钟信号进行两两比对，生成比对向量，并根据所述比对向量计算得到频偏矩阵；根据所述频偏矩阵生成待测样本；对所述待测样本进行分类，得到分类系数；根据所述频偏矩阵计算所述时钟源的归一化权值；根据所述分类系数和所述归一化权值进行时钟合成，得到时钟合成信号。
本实施例所实现的频率基准信号频率准确度在n×E-14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-14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。
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 (10)
1.一种多基准时钟加权合成方法，其特征在于，包括以下步骤：
从多个时钟源获得时钟信号；
对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号；
对所述去除噪声的时钟信号，先利用KNN分类算法进行分类，再对分类后的信号进行加权合成，得到时钟合成信号。
2.如权利要求1所述的一种多基准时钟加权合成方法，其特征在于，在对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号之前，对所述时钟信号进行异常信号检测，去除所述时钟信号中的奇异点。
3.如权利要求2所述的一种多基准时钟加权合成方法，其特征在于，对所述时钟信号进行异常信号检测，去除所述时钟信号中的奇异点，进一步包含：
选取所述异常信号检测的测试参考信号，所述测试参考信号为所述时钟信号的任一历史输出值；
将所述时钟信号与所述测试参考信号进行比较，得到比较差值；
对所述比较差值进行判断，当所述比较差值大于奇异点判断阈值时，所述时钟信号为奇异点。
4.如权利要求2所述的一种多基准时钟加权合成方法，其特征在于，对所述时钟信号进行异常信号检测，去除所述时钟信号中的奇异点，进一步包含：
将所述时钟信号进行两两比对，并计算得到两两比对差值；
根据所述两两比对差值将所述时钟信号分为两类，当所述两两比对差值大于奇异点判断阈值时，判定两个时钟信号为不同类别，当所述两两比对差值不大于所述奇异点判断阈值时，判定两个时钟信号为相同类别；
根据所述时钟信号的分类情况，将信号个数少的一类时钟信号判定为奇异点。
5.如权利要求1所述的一种多基准时钟加权合成方法，其特征在于，对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号，进一步包含：
对所述时钟信号进行小波函数分解，得到小波分解细节系数
对所述小波分解细节系数进行硬阈值判断筛选，得到筛选后的小波分解细节系数，所述硬阈值判断筛选为，当小波分解细节系数小于小波分解硬阈值时，将该小波分解细节系数置0，当小波分解细节系数大于或等于所述小波分解硬阈值时，保留该小波分解细节系数，
根据所述筛选后的小波分解细节系数，对所述时钟信号进行重构。
6.如权利要求1所述的一种多基准时钟加权合成方法，其特征在于，对所述时钟信号进行去除噪声合成，得到去除噪声的时钟信号，进一步包含：
对所述时钟信号进行小波函数分解，得到小波分解细节系数；
对所述小波分解细节系数根据设定的软阈值筛选比例进行软阈值判断筛选，得到筛选后的小波分解细节系数，所述软阈值判断筛选为，当小波分解细节系数小于小波分解硬阈值时，将该小波分解细节系数置0，当小波分解细节系数大于或等于所述小波分解硬阈值时，将该小波分解细节系数减去阈值得到新的小波分解细节系数小波分解细节系数小波分解细节系数小波分解细节系数；
根据所述筛选后的小波分解细节系数，对所述时钟信号进行重构。
7.如权利要求1所述的一种多基准时钟加权合成方法，其特征在于，对所述去除噪声的时钟信号，进行加权合成，得到时钟合成信号，进一步包含：
将所述去除噪声的时钟信号进行两两比对，生成比对向量，并根据所述比对向量计算得到频偏矩阵；
根据所述频偏矩阵生成待测样本；
对所述待测样本进行分类，得到分类系数；
根据所述频偏矩阵计算所述时钟源的归一化权值；
根据所述分类系数和所述归一化权值进行时钟合成，得到时钟合成信号。
8.如权利要求7所述的一种多基准时钟加权合成方法，其特征在于，根据所述频偏矩阵计算所述时钟源的归一化权值为
其中μi为第i个时钟源的归一化权值，N为所述时钟源的个数，μi′为第i个时钟源的权值，μi′表示为
其中fij为第i台时钟源时钟信号和第j台时钟源时钟信号比对计算得到的频偏矩阵。
9.如权利要求7所述的一种多基准时钟加权合成方法，其特征在于，所述时钟合成信号为
其中，TA(t)为所述时钟合成信号，ai为所述分类系数，μi为第i个时钟源的归一化权值，TAi(t)为第i个时钟源获得的时钟信号。
10.如权利要求7所述的一种多基准时钟加权合成方法，其特征在于，对所述待测样本进行分类，得到分类系数采用的分类器为KNN分类器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710291953.1A CN108809463B (zh) | 2017-04-28 | 2017-04-28 | 一种多基准时钟加权合成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710291953.1A CN108809463B (zh) | 2017-04-28 | 2017-04-28 | 一种多基准时钟加权合成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108809463A true CN108809463A (zh) | 2018-11-13 |
| CN108809463B CN108809463B (zh) | 2019-12-27 |
Family
ID=64070511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710291953.1A Active CN108809463B (zh) | 2017-04-28 | 2017-04-28 | 一种多基准时钟加权合成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108809463B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110286579A (zh) * | 2019-05-08 | 2019-09-27 | 全球能源互联网研究院有限公司 | 联合时钟获取方法、装置、设备及计算机可读存储介质 |
| CN110531380A (zh) * | 2019-08-30 | 2019-12-03 | 长沙理工大学 | 用于识别卫星时钟源低幅度持续异常的装置及方法 |
| 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系统及工作方法 |
| CN111983916A (zh) * | 2019-05-21 | 2020-11-24 | 深圳市合讯电子有限公司 | 一种多模卫星授时精度坏值剔除系统及方法 |
| CN112269311A (zh) * | 2020-09-22 | 2021-01-26 | 中国计量科学研究院 | 远程分布式联合的实时原子时标实现方法及装置 |
| CN115886815A (zh) * | 2022-11-10 | 2023-04-04 | 研祥智慧物联科技有限公司 | 一种情绪压力监测方法、装置及智能穿戴设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101729315A (zh) * | 2009-12-24 | 2010-06-09 | 北京邮电大学 | 一种基于小波包分解和模糊神经网络的网络流量预测方法及装置 |
| US20110257545A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Imaging based symptomatic classification and cardiovascular stroke risk score estimation |
| CN104915568A (zh) * | 2015-06-24 | 2015-09-16 | 哈尔滨工业大学 | 基于dtw的卫星遥测数据异常检测方法 |
-
2017
- 2017-04-28 CN CN201710291953.1A patent/CN108809463B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101729315A (zh) * | 2009-12-24 | 2010-06-09 | 北京邮电大学 | 一种基于小波包分解和模糊神经网络的网络流量预测方法及装置 |
| US20110257545A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Imaging based symptomatic classification and cardiovascular stroke risk score estimation |
| CN104915568A (zh) * | 2015-06-24 | 2015-09-16 | 哈尔滨工业大学 | 基于dtw的卫星遥测数据异常检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| IYAD BATAL等: "A Supervised Time Series Feature Extraction Technique using DCT and DWT", 《IEEE 2009 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS》 * |
| 李滚等: "原子钟数据消噪方法比较研究", 《测试技术学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110286579A (zh) * | 2019-05-08 | 2019-09-27 | 全球能源互联网研究院有限公司 | 联合时钟获取方法、装置、设备及计算机可读存储介质 |
| CN110286579B (zh) * | 2019-05-08 | 2021-04-06 | 全球能源互联网研究院有限公司 | 联合时钟获取方法、装置、设备及计算机可读存储介质 |
| CN111983916A (zh) * | 2019-05-21 | 2020-11-24 | 深圳市合讯电子有限公司 | 一种多模卫星授时精度坏值剔除系统及方法 |
| CN110531380A (zh) * | 2019-08-30 | 2019-12-03 | 长沙理工大学 | 用于识别卫星时钟源低幅度持续异常的装置及方法 |
| 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系统及工作方法 |
| CN112269311A (zh) * | 2020-09-22 | 2021-01-26 | 中国计量科学研究院 | 远程分布式联合的实时原子时标实现方法及装置 |
| CN115886815A (zh) * | 2022-11-10 | 2023-04-04 | 研祥智慧物联科技有限公司 | 一种情绪压力监测方法、装置及智能穿戴设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108809463B (zh) | 2019-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108809463A (zh) | 一种多基准时钟加权合成方法 | |
| Lopac et al. | Detection of non-stationary GW signals in high noise from Cohen’s class of time–frequency representations using deep learning | |
| Parzen | Extraction and detection problems and reproducing kernel Hilbert spaces | |
| Dajcman | Interdependence between some major European stock markets-a wavelet lead/lag analysis | |
| CN104714925B (zh) | 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法 | |
| Sun et al. | Cluster guide particle swarm optimization (CGPSO) for underdetermined blind source separation with advanced conditions | |
| CN103310789A (zh) | 一种基于改进的并行模型组合的声音事件识别方法 | |
| Mishra et al. | Optimization of model independent gravitational wave search for binary black hole mergers using machine learning | |
| Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
| van Delft et al. | A similarity measure for second order properties of non-stationary functional time series with applications to clustering and testing | |
| Ding et al. | Mine microseismic time series data integrated classification based on improved wavelet decomposition and ELM | |
| CN105303051A (zh) | 一种空气污染物浓度预测方法 | |
| CN115758876A (zh) | 一种风速和风向预报准确率方法、系统及计算机设备 | |
| Iess et al. | LSTM and CNN application for core-collapse supernova search in gravitational wave real data | |
| Bini et al. | An autoencoder neural network integrated into gravitational-wave burst searches to improve the rejection of noise transients | |
| Lu et al. | A blind source separation method using denoising strategy based on ICEEMDAN and improved wavelet threshold | |
| Wang et al. | Radar HRRP target recognition in frequency domain based on autoregressive model | |
| Li et al. | A new denoising method based on decomposition mixing of hydro-acoustic signal | |
| Wang et al. | Optimal classification for functional data | |
| Kapl et al. | Prediction of steel prices: A comparison between a conventional regression model and MSSA | |
| Zhang et al. | Underwater acoustic source separation with deep Bi-LSTM networks | |
| Pulli | Extracting and processing signal parameters for regional seismic event identification | |
| van der Laat et al. | OKSP: a novel deep learning automatic event detection pipeline for seismic monitoring in Costa Rica | |
| CN110647671A (zh) | 一种基于AAE-DWMIL-LearnNSE的数据流分类算法 | |
| Jiang et al. | Automatic phase picking from microseismic recordings using feature extraction and neural network |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211231 Address after: 100191 No. 40, Haidian District, Beijing, Xueyuan Road Patentee after: CHINA ACADEMY OF INFORMATION AND COMMUNICATIONS Address before: 100191 No. 52 Garden North Road, Beijing, Haidian District Patentee before: CHINA ACADEME OF TELECOMMUNICATION RESEARCH OF MIIT |
|
| TR01 | Transfer of patent right |