CN109902882A - 原子钟钟差预测模型训练方法及装置 - Google Patents
原子钟钟差预测模型训练方法及装置 Download PDFInfo
- Publication number
- CN109902882A CN109902882A CN201910219634.9A CN201910219634A CN109902882A CN 109902882 A CN109902882 A CN 109902882A CN 201910219634 A CN201910219634 A CN 201910219634A CN 109902882 A CN109902882 A CN 109902882A
- Authority
- CN
- China
- Prior art keywords
- clock
- data
- kernel function
- prediction model
- optimized
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000012843 least square support vector machine Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 115
- 238000010586 diagram Methods 0.000 description 10
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 5
- 229910052739 hydrogen Inorganic materials 0.000 description 5
- 239000001257 hydrogen Substances 0.000 description 5
- 125000004429 atom Chemical group 0.000 description 3
- TVFDJXOCXUVLDH-UHFFFAOYSA-N caesium atom Chemical compound [Cs] TVFDJXOCXUVLDH-UHFFFAOYSA-N 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910052792 caesium Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种原子钟钟差预测模型训练方法及装置，涉及原子钟数据处理领域。该原子钟钟差预测模型训练方法，包括：获取预设时间段内钟差数据，其中，所述钟差数据包括：训练集和测试集；将所述训练集中的钟差数据、以及核函数参数、正则化参数代入待训练钟差预测模型，获取钟差预测结果，所述待训练钟差预测模型由基于最小二乘支持向量机算法选取的核函数构建获取；根据所述钟差预测结果，获取优化核函数参数、优化正则化参数；根据所述优化核函数参数及所述优化正则化参数，训练获取优化钟差预测模型。本申请通过使用基于最小二乘支持向量机算法，构建钟差预测模型，以得到更加准确的钟差预测结果。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种原子钟钟差预测模型训练方法及装置。
背景技术
随着科技的不断飞速发展，导航、定位、测量及天文等都需要以稳定度和准确度更高的时间频率标准。作为时间频率标准的原子时标，其水准代表一个国家科技水平，也是一个国家竞争力的核心体现。原子钟钟差预测是原子钟时标和原子钟驾驭的关键环节，原子钟钟差预测准确度直接影响原子时标的质量和原子钟驾驭能力，因此钟差预测对原子时标的影响至关重要。
目前，中国计量科学研究院守时实验室为搭建中国原子时标系统，针对不同的原子钟、原子钟钟组、地面钟和卫星钟的钟差数据特性进行数据处理，其钟差预测主要用线性回归(Linear Regression，LR)预测算法，即进行一次线性拟合，具有算法简单、实现容易的优点。
但现有技术中用到的原子钟钟差预测方法的预测准确度较低。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种原子钟钟差预测模型训练方法及装置，以通过最小二乘支持向量机算法来构建钟差预测模型，来提高预测准确度。
为实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种原子钟钟差预测模型训练方法，包括：
获取预设时间段内钟差数据，其中，所述钟差数据包括：训练集和测试集；
将所述训练集中的钟差数据、以及核函数参数、正则化参数代入待训练钟差预测模型，获取钟差预测结果，所述待训练钟差预测模型由基于最小二乘支持向量机算法选取的核函数构建获取；
根据所述钟差预测结果，获取优化核函数参数、优化正则化参数；
根据所述优化核函数参数及所述优化正则化参数，训练获取优化钟差预测模型。
可选地，所述根据所述钟差预测结果，获取优化核函数参数、优化正则化参数，包括：
根据所述钟差预测结果的误差大小，更新所述核函数参数、所述正则化参数；
获取所述钟差预测结果的误差最小时的核函数参数、正则化参数，作为所述优化核函数参数、所述优化正则化参数。
可选地，所述根据所述训练集中的钟差数据、以及所述优化核函数参数、所述优化正则化参数，训练获取优化钟差预测模型之后，还包括：
根据所述测试集中的钟差数据、所述优化核函数参数、所述优化正则化参数以及所述优化钟差预测模型，获取预测钟差值；
根据所述预测钟差值及实际钟差值，采用预设判断算法得到所述钟差预测结果的准确度。
可选地，获取预设时间段内钟差数据，并将所述钟差数据分为训练集和测试集之前，还包括：
获取预设时间段内钟差数据，并将所述钟差数据转换为频差数据；
对所述频差数据进行线性拟合，并使用预设准则进行异常数据剔除，得到剩余有效数据；
对所述剩余有效数据再次进行线性拟合，并使用拟合值对剔除后的数据进行补偿，得到处理后的所述钟差数据。
可选地，所述基于最小二乘支持向量机算法选取的核函数为径向基核函数。
第二方面，本发明实施例还提供了一种原子钟钟差预测模型训练装置，包括：
获取模块，用于获取预设时间段内钟差数据，其中，所述钟差数据包括：训练集和测试集；
训练模块，用于将所述训练集中的钟差数据、以及核函数参数、正则化参数代入待训练钟差预测模型，获取钟差预测结果，所述待训练钟差预测模型由基于最小二乘支持向量机算法选取的核函数构建获取；
优化模块，用于根据所述钟差预测结果，获取优化核函数参数、优化正则化参数；
预测模块，用于根据所述优化核函数参数及所述优化正则化参数，训练获取优化钟差预测模型。
可选地，所述优化模块，具体用于根据所述钟差预测结果的误差大小，更新所述核函数参数、所述正则化参数；获取所述钟差预测结果的误差最小时的核函数参数、正则化参数，作为所述优化核函数参数、所述优化正则化参数。
可选地，所述获取模块，还用于根据所述测试集中的钟差数据、所述优化核函数参数、所述优化正则化参数以及所述优化钟差预测模型，获取预测钟差值；
所述预测模块，还用于根据所述预测钟差值及实际钟差值，采用预设判断算法得到所述钟差预测结果的准确度。
可选地，所述获取模块，还用于获取预设时间段内钟差数据，并将所述钟差数据转换为频差数据；对所述频差数据进行线性拟合，并使用预设准则进行异常数据剔除，得到剩余有效数据；对所述剩余有效数据再次进行线性拟合，并使用拟合值对剔除后的数据进行补偿，得到处理后的所述钟差数据。
可选地，所述基于最小二乘支持向量机算法选取的核函数为径向基核函数。
本发明的有益效果是：
本申请提供一种原子钟钟差预测模型训练方法，包括：获取预设时间段内钟差数据，其中，所述钟差数据包括：训练集和测试集；将所述训练集中的钟差数据、以及核函数参数、正则化参数代入待训练钟差预测模型，获取钟差预测结果，所述待训练钟差预测模型由基于最小二乘支持向量机算法选取的核函数构建获取；根据所述钟差预测结果，获取优化核函数参数、优化正则化参数；根据所述训练集中的钟差数据、以及所述优化核函数参数、所述优化正则化参数，训练获取优化钟差预测模型。本申请通过使用基于最小二乘支持向量机算法，构建钟差预测模型，以得到更加准确的钟差预测结果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请提供的原子钟钟差预测模型训练方法流程示意图；
图2为本申请一实施例提供的原子钟钟差预测模型训练方法流程示意图；
图3为本申请一实施例提供的原子钟钟差预测模型训练方法的逻辑图；
图4为本申请一实施例提供的原子钟钟差预测模型训练方法实验结果图；
图5为本申请又一实施例提供的原子钟钟差预测模型训练方法实验结果图；
图6为本申请又一实施例提供的原子钟钟差预测模型训练方法流程示意图；
图7为本申请一实施例提供的原子钟钟差预测曲线实验结果图；
图8为本申请一实施例提供的原子钟钟差预测曲线实验结果放大图；
图9为本申请一实施例提供的原子钟钟差预测曲线绝对误差实验结果图；
图10为本申请另一实施例提供的原子钟钟差预测模型训练方法流程示意图；
图11为本申请提供的原子钟钟差预测模型训练装置模块示意图；
图12为本申请另一实施例提供的原子钟钟差预测模型训练装置模块示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
为了对原子时钟系统中各守时实验室的氢原子钟、铯原子钟、喷泉钟等联合钟组钟差数据进行预测并保持其预测精度，提高预测的精度和普适性，本申请提出了一种原子钟钟差预测模型训练方法。
名词解释：
原子钟：一种计时装置，根据原子物理学的基本原理，当原子从一个“能量态”跃迁至低的“能量态”时，便会释放电磁波。这种电磁波特征频率是不连续的，即为共振频率。同一种原子的共振频率是一定的，原子钟就是利用振荡场的频率保持与原子的共振频率完全相同的频率作为产生时间脉冲的节拍器。
铯原子钟：利用铯原子内部的电子在两个能级间跳跃时辐射出来的磁波作为标准，去控制校准电子振荡器，进而控制钟的走动。
氢原子钟：它是利用氢原子能级跳跃时辐射出来的电磁波去控制校准石英钟。
最小二乘支持向量机(least squares support veotor maohine,简称LSSVM)：是一种遵循结构风险最小化(structural risk minimization,简称SRM)原则的核函数学习机器。
钟差：指原子钟之间的频率差或时间差。
如图1所示，图1为本申请提供的原子钟钟差预测模型训练方法流程示意图，该方法包括：
S110、获取预设时间段内钟差数据，其中，钟差数据包括：训练集和测试集。
将获取的钟差数据进行分组，分为训练集和测试集。在机器学习中，训练集用于训练建立模型，测试集用于评估模型的准确性。例如，随机获取100天的钟差数据，将其中80天的数据做为训练集，20天的数据作为测试集，训练集中的数据用于训练得到钟差预测模型，并用训练得到的钟差预测模型预测其余20天钟差数据，得到预测数据，进而再使用测试集中的数据与其预测数据进行比较，评估该钟差预测模型的准确度。
进一步地，上述预设时间段可以并不以100天为限制，还可以为200天、300天、500天等。
S120、将训练集中的钟差数据、以及核函数参数、正则化参数代入待训练钟差预测模型，获取钟差预测结果。
其中，待训练钟差预测模型基于最小二乘支持向量机算法选取的核函数构建获取。
首先，基于最小二乘支持向量机算法构建最小二乘支持向量机模型。
假设，训练样本为{(xi,yi)|xi∈Rn,yi∈R,i＝1,2,…,N}，其中xi∈Rn是n维的训练样本输入，yi是其对应的训练样本输出，N为样本数。
最小二乘支持向量机算法的函数如下：
式中，ω表示权矢量，b1表示偏置量，ei表示误差变量，为核函数。
其目标优化函数为：
式中，γ为正则化参数。
进一步地，引入拉格朗日函数(lagrange formula)求解上述的目标优化函数，拉格朗日函数为：
式中，αi为Lagrange乘子，其优化条件为：
通过消去ω，e，再将上述问题转化为线性方程求解：
式中，y＝[y1,y2,…,yN]T，l＝[1,1,…,1]T，I为单位矩阵，K(xi,xj)表示核函数。用最小二乘法求解，得到最小二乘支持向量机模型为：
式中，αi为与正则化参数相关的表达式。
其中，
进一步地，选取最小二乘支持向量机模型的合适的核函数。最小二乘支持向量机的核函数的选择不同，对于同一个问题得到的结果和误差也不相同，核函数的选择是LSSVM首要解决的关键问题。
核函数的作用是将数据映射到高维空间增加线性学习器的计算能力。
目前，常用的核函数有：多项式核函数、Sigmoid(Sigmoid function)核函数、线性核函数及径向基(radial basis function，简称RBF)核函数。且各个核函数的公式如下所示：
多项式核函数：K(xi,xj)＝(xi,xj+b)d，式中b,d表示多项式核函数参数；
Sigmoid核函数：K(xi,xj)＝tanh[c1(xi,xj)+c2]，式中c1、c2表示Sigmoid核函数的参数；
线性核函数：K(xi,xj)＝(xi,xj)k，式中，k表示线性核函数的参数；
径向基(radial basis function，RBF)核函数：式中，σ表示径向基核函数的参数。
由以上四个常用核函数公式可知，多项式核函数要达到理想效果，需要对b和d的值进行优化调节；Sigmoid核函数要满足Mercer条件，需要对不确定的c1和c2的值进行选取；线性核函数是RBF核函数的一个特例；而RBF核函数，只需要确定核参数σ的值，就能最优化的实现核函数性能。
可选地，本申请提供的原子钟钟差模型预测方法采用RBF核函数。
进一步地，将RBF核函数代入至最小二乘支持向量机模型中，可得公式：
进一步地，确定上式中的核函数参数σ，及αi内包含的正则化参数γ的取值，并代入训练集中的数据，即可得到钟差预测结果。
S130、根据钟差预测结果，获取优化核函数参数、优化正则化参数。
其钟差预测结果的判定方法，可根据判断预测结果与实际结果的误差是否在预设范围内来确定该钟差预测结果是否准确，也可通过相关判定算法来评判钟差预测结果是否准确，相关判定算法可以为均方根误差算法。具体判定算法在此不做限制。
需要说明的是，本申请提供的钟差预测模型训练算法中，判断钟差预测结果的方式在此不作限制。
若钟差预测误差超出预设范围，则需要重新选取核函数参数、正则化参数，直至当钟差预测误差最小时，所得的核函数参数及正则化参数为优化核函数参数及优化正则化参数。
S140、根据优化核函数参数及优化正则化参数，训练获取优化钟差预测模型。
将步骤S130获得的优化的核函数参数及正则化参数，代入经步骤S120基于最小二乘支持向量机训练获得的钟差预测模型中，可得优化后的钟差预测模型，并根据优化后的钟差预测模型对实际钟差数据进行预测。
本申请实施例提供的原子钟钟差预测模型训练方法中使用基于最小二乘支持向量机算法，通过训练集训练的到钟差预测模型，并进一步选取核函数、优化的核函数参数及优化的正则化参数得到优化钟差预测模型，相比于向量机算法，提高了钟差预测结果的准确性。
图2为本申请一实施例提供的原子钟钟差预测模型训练方法流程示意图；如图2所示，上述步骤S130可以包括：
S131、根据钟差预测结果的误差大小，更新核函数参数、正则化参数。
更进一步地，本申请确定核函数参数、正则化参数是通过实验网格法获得。请参照图3，图3为本申请一实施例提供的原子钟钟差预测模型训练方法的逻辑图，确定核函数参数、正则化参数的过程可以为：确定核函数参数，通过网格法选取核函数参数，并默认正则化参数为固定值。例如正则化参数为120，并将训练集中的数据带入至最小二乘支持向量机模型中，可得钟差值，并预测钟差误差是否最小，若否，则重新选取核函数参数，若是则确定当前选取的核函数参数为最有核函数参数。
进一步地，当确定核函数参数后，继续通过网格法选取正则化参数，并将训练集中的数据带入至最小二乘支持向量机模型中，可得钟差值，并预测钟差误差是否最小，若否，则重新选取正则化参数，若是则确定当前选取的正则化参数为最优核正则化参数。
S132、获取钟差预测结果的误差最小时的核函数参数、正则化参数，作为优化核函数参数、优化正则化参数。
进一步地，请参照图4、图5，图4为本申请一实施例提供的原子钟钟差预测模型训练方法实验结果图；图5为本申请又一实施例提供的原子钟钟差预测模型训练方法实验结果图。
本申请提供的原子钟钟差预测模型训练方法，由图4可知，当核函数参数为0时，其平均预测相对误差较大；当核函数参数在0～0.1之间，随着参数sig2增大，平均预测相对误差先增大后减小，变化比较剧烈；当核函数参数在0.1～0.25之间，随着核函数参数增大，平均预测相对误差逐渐增大；当核函数参数在0.25～0.8之间，随着参数sig2增大，平均预测相对误差缓慢增加，基本不变；当核函数在0.8～1之间，随着核函数增大，平均预测相对误差逐渐增加。
由图5可知，当正则化参数越接近0时，其平均预测相对误差越大；当正则化参数在0～50之间，随着正则化参数增大，平均预测相对误差逐渐减小，变化比较剧烈；当正则化参数在50～500之间，随着参数gam增大，平均预测相对误差缓慢增加，基本不变；当正则化参数在500～1000之间，随着正则化参数增大，平均预测相对误差逐渐增加。
根据图4、图5，选取合适的参数能够减小平均预测相对误差，以提高氢原子钟的钟差预测准确度。当核函数参数趋近于0时，训练样本容易出现参数过拟合使得算法泛化能力变得很低；而核函数参数无限增大时，训练样本的个数会增多，支持向量的个数在减少，以致被分错的样本个数增多，训练误差增大。正则化参数是用来控制错分样本的比例和模型复杂度，可调节数据子空间中算法模型的经验风险和置信范围的比例。核参数和正则化参数共同决定着钟差预测模型的性能，根据误差最小原则，选取核函数参数为0.1，正则化参数为100。
需要说明的是，本申请提供的钟差预测模型训练方法，其确定的核函数参数并不以0.1为限制，正则化参数并不以100为限制。
图6为本申请又一实施例提供的原子钟钟差预测模型训练方法流程示意图，如图6所示，训练获取优化钟差预测模型之后，该方法包括：
S150、根据测试集中的钟差数据、优化核函数参数、优化正则化参数以及优化钟差预测模型，获取预测钟差值。
S160、根据预测钟差值及实际钟差值，采用预设判断算法得到钟差预测结果的准确度。
更进一步地，本实施例采取的预设判别算法为均方根误差算法，其公式为：
式中，ti为频差值，为预报频差值，Δt表示真实值与预测频差值的差。
均方根误差(root-mean-square error，简称RMSE)表示预测值与真实值之间的偏离程度，RMSE越小表明预测性能越好，n为钟差个数。
每获取一次核函数参数及正则化参数时，均需要带入上述的均方根误差算法公式中，检验预测值与真实值之间的偏差，当偏差越小时表明预测性能越好，更进一步地表明得到的核函数参数、正则化参数越准确。
经实验验证，本申请提供的原子钟钟差预测模型预测方法，当核函数参数为0.1、正则化参数为100时，所得的钟差预测模型为最优模型，其实验结果图请参数图7-图9。图7为本申请一实施例提供的钟差预测曲线实验结果图；图8为本申请一实施例提供的钟差预测曲线实验结果放大图；图9为本申请一实施例提供的钟差预测曲线绝对误差实验结果图。
由图7-图9可知，本申请提供的钟差预测模型预测方法中，基于最小二乘支持向量机模型得到的钟差预测结果更精准，且钟差误差相对较小。
更进一步地，本申请还将最小二乘预测算法、支持向量机预测算法和最小二乘支持向量机算法得到的预测值，分别求出其均方根误差。研究了五组原子钟钟差数据，其预测结果的均方根误差下表所示。
表1钟差预估均方根误差表
实际实验数据结果表明，与线性预测算法、支持向量机预测算法相比，提出的最小二乘支持向量机预测算法明显提高了钟差预测准确度，其均方根误差分别减少了50％和29％，表明该算法对于预测原子钟具有优势，本文提出的预测模型对非线性、非平稳性的钟差预测提出了一个新的解决思路。
图10为本申请另一实施例提供的原子钟钟差预测模型训练方法流程示意图，如图10所示，获取预设时间段内钟差数据之前，需要对获得的钟差数据进行预处理，具体的处理过程包括：
S210、获取预设时间段内钟差数据，并将钟差数据转换为频差数据。
原子钟在运行时，若受到自身性能或外部环境的影响，获取的原始数据包括一部分异常数据，异常数据进行训练时会降低原子钟频率的稳定性和准确性。因此在对获取的数据进行分组前，需要对数据进行预处理，将异常数据进行提出，为方便数据处理，需要将获取的钟差数据转换为频差数据。
S220、对频差数据进行线性拟合，并使用预设准则进行异常数据剔除，得到剩余有效数据。
以氢原子钟为例，由于氢原子钟具有频漂特性，为避免进行数据剔除时剔除两端有效值或遗漏中间误差值，将频差数据先进性线性拟合，线性拟合的目的是为了判断获取的数据的有效性，若有数据偏离拟合线，则说明该数据属于异常数据，需要使用预设准则对异常数据进行剔除。
其中，上述获得的原子钟钟差异常数据包括：粗大误差数据及数据缺失，使用预设准则进行数据剔除，从而得到有效的剩余数据。
需要说明的是，本申请使用的预设准则进行数据剔除时，使用的是莱特准则，但并不以莱特准则为例，根据数据的实际情况还可用不同的准则对数据进行剔除，例如，狄克松准则、格鲁布斯准则等。
S230、对剩余有效数据再次进行线性拟合，并使用拟合值对剔除后的数据进行补偿，得到处理后的钟差数据。
由于数据本身缺失，或因剔除粗大误差而使数据缺失，导致样本数据基数减少，为保持样本数据的有效性，将剩余的样本数据再次进行线性拟合，并使用拟合值对缺失的数据进行补偿，得到处理后的钟差数据。
图11为本申请提供的原子钟钟差预测模型训练装置模块示意图，如图11所示，该装置具体包括：获取模块301、训练模块302、优化模块303，预测模块304。其中，
获取模块301，用于获取预设时间段内钟差数据，其中，钟差数据包括：训练集和测试集。
训练模块302，还用于将训练集中的钟差数据、以及核函数参数、正则化参数代入待训练钟差预测模型，获取钟差预测结果，待训练钟差预测模型由基于最小二乘支持向量机算法选取的核函数构建获取。
优化模块303，还用于根据钟差预测结果，获取优化核函数参数、优化正则化参数。
预测模块304，用于根据优化核函数参数及优化正则化参数，训练获取优化钟差预测模型。
可选地，优化模块303，具体用于根据钟差预测结果的误差大小，更新核函数参数、正则化参数。获取钟差预测结果的误差时的核函数参数、正则化参数，作为优化核函数参数、优化正则化参数。
可选地，获取模块301，还用于根据测试集中的钟差数据、优化核函数参数、优化正则化参数以及优化钟差预测模型，获取预测钟差值。
预测模块304，还用于根据预测钟差值及实际钟差值，采用预设判断算法得到钟差预测结果的准确度。
可选地，获取模块301，还用于获取预设时间段内钟差数据，并将钟差数据转换为频差数据。对频差数据进行线性拟合，并使用预设准则进行异常数据剔除，得到剩余有效数据。对剩余有效数据再次进行线性拟合，并使用拟合值对剔除后的数据进行补偿，得到处理后的钟差数据。
可选地，基于最小二乘支持向量机算法选取的核函数为径向基核函数。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图12为本申请另一实施例提供的原子钟钟差预测模型训练装置模块示意图，该装置可以集成于终端设备或者终端设备的芯片，该终端可以是具备相关处理功能的计算机设备。
该装置包括：存储器1201、处理器1202。
存储器1201用于存储程序，处理器1202调用存储器1201存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种原子钟钟差预测模型训练方法，其特征在于，包括：
获取预设时间段内钟差数据，其中，所述钟差数据包括：训练集和测试集；
将所述训练集中的钟差数据、以及核函数参数、正则化参数代入待训练钟差预测模型，获取钟差预测结果，所述待训练钟差预测模型由基于最小二乘支持向量机算法选取的核函数构建获取；
根据所述钟差预测结果，获取优化核函数参数、优化正则化参数；
根据所述优化核函数参数、所述优化正则化参数及训练获取优化钟差预测模型。
2.如权利要求1所述的原子钟钟差预测模型训练方法，其特征在于，所述根据所述钟差预测结果，获取优化核函数参数、优化正则化参数，包括：
根据所述钟差预测结果的误差大小，更新所述核函数参数、所述正则化参数；
获取所述钟差预测结果的误差最小时的核函数参数、正则化参数，作为所述优化核函数参数、所述优化正则化参数。
3.如权利要求1所述的原子钟钟差预测模型训练方法，其特征在于，所述根据所述训练集中的钟差数据、以及所述优化核函数参数、所述优化正则化参数，训练获取优化钟差预测模型之后，还包括：
根据所述测试集中的钟差数据、所述优化核函数参数、所述优化正则化参数以及所述优化钟差预测模型，获取预测钟差值；
根据所述预测钟差值及实际钟差值，采用预设判断算法得到所述钟差预测结果的准确度。
4.如权利要求1所述的原子钟钟差预测模型训练方法，其特征在于，获取预设时间段内钟差数据，并将所述钟差数据分为训练集和测试集之前，还包括：
获取预设时间段内钟差数据，并将所述钟差数据转换为频差数据；
对所述频差数据进行线性拟合，并使用预设准则进行异常数据剔除，得到剩余有效数据；
对所述剩余有效数据再次进行线性拟合，并使用拟合值对剔除后的数据进行补偿，得到处理后的所述钟差数据。
5.如权利要求1所述的原子钟钟差预测模型训练方法，其特征在于，所述基于最小二乘支持向量机算法选取的核函数为径向基核函数。
6.一种原子钟钟差预测模型训练装置，其特征在于，包括：
获取模块，用于获取预设时间段内钟差数据，其中，所述钟差数据包括：训练集和测试集；
训练模块，用于将所述训练集中的钟差数据、以及核函数参数、正则化参数代入待训练钟差预测模型，获取钟差预测结果，所述待训练钟差预测模型由基于最小二乘支持向量机算法选取的核函数构建获取；
优化模块，用于根据所述钟差预测结果，获取优化核函数参数、优化正则化参数；
预测模块，用于根据所述优化核函数参数及所述优化正则化参数，训练获取优化钟差预测模型。
7.如权利要求6所述的原子钟钟差预测模型训练装置，其特征在于，所述优化模块，具体用于根据所述钟差预测结果的误差大小，更新所述核函数参数、所述正则化参数；获取所述钟差预测结果的误差最小时的核函数参数、正则化参数，作为所述优化核函数参数、所述优化正则化参数。
8.如权利要求6所述的原子钟钟差预测模型训练装置，其特征在于，所述获取模块，还用于根据所述测试集中的钟差数据、所述优化核函数参数、所述优化正则化参数以及所述优化钟差预测模型，获取预测钟差值；
所述预测模块，还用于根据所述预测钟差值及实际钟差值，采用预设判断算法得到所述钟差预测结果的准确度。
9.如权利要求6所述的原子钟钟差预测模型训练装置，其特征在于，所述获取模块，还用于获取预设时间段内钟差数据，并将所述钟差数据转换为频差数据；对所述频差数据进行线性拟合，并使用预设准则进行异常数据剔除，得到剩余有效数据；对所述剩余有效数据再次进行线性拟合，并使用拟合值对剔除后的数据进行补偿，得到处理后的所述钟差数据。
10.如权利要求6所述的原子钟钟差预测模型训练装置，其特征在于，所述基于最小二乘支持向量机算法选取的核函数为径向基核函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910219634.9A CN109902882A (zh) | 2019-03-21 | 2019-03-21 | 原子钟钟差预测模型训练方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910219634.9A CN109902882A (zh) | 2019-03-21 | 2019-03-21 | 原子钟钟差预测模型训练方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109902882A true CN109902882A (zh) | 2019-06-18 |
Family
ID=66952944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910219634.9A Pending CN109902882A (zh) | 2019-03-21 | 2019-03-21 | 原子钟钟差预测模型训练方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109902882A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111337956A (zh) * | 2020-03-16 | 2020-06-26 | 北京工业大学 | 导航接收机性能综合评价方法及装置 |
| CN111738407A (zh) * | 2020-05-13 | 2020-10-02 | 北京无线电计量测试研究所 | 一种基于深度学习的钟差预测方法、装置、介质及终端 |
| CN111814103A (zh) * | 2020-06-15 | 2020-10-23 | 中国人民解放军61081部队 | 基于等价权函数估计的对原子钟时差序列的处理方法 |
| CN112230532A (zh) * | 2020-11-24 | 2021-01-15 | 中国计量科学研究院 | 一种新的原子钟信号预测方法、装置及系统 |
| 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 |
| CN112597622A (zh) * | 2020-10-12 | 2021-04-02 | 北京卫星导航中心 | 一种用于检测铯原子钟频率异常的方法、系统和介质 |
| CN114047684A (zh) * | 2021-10-21 | 2022-02-15 | 中国人民解放军61081部队 | 一种原子钟联合守时方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102788752A (zh) * | 2012-08-08 | 2012-11-21 | 江苏大学 | 基于光谱技术的农作物内部信息无损检测装置及方法 |
| CN103886218A (zh) * | 2014-04-08 | 2014-06-25 | 北京工商大学 | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 |
| CN104181550A (zh) * | 2014-08-19 | 2014-12-03 | 北京无线电计量测试研究所 | 一种基于北斗卫星导航系统的共视时间频率传递方法 |
| CN105956702A (zh) * | 2016-04-29 | 2016-09-21 | 中国农业大学 | 一种基于数据融合的水产养殖水质溶解氧预测方法 |
| CN106447063A (zh) * | 2015-08-11 | 2017-02-22 | 华北电力大学（保定） | 一种并网型风电场短期风速组合预测方法 |
| CN106773610A (zh) * | 2016-11-28 | 2017-05-31 | 北京工业大学 | 一种铯原子钟和氢钟频差预估方法 |
| CN107505829A (zh) * | 2017-08-28 | 2017-12-22 | 北京工业大学 | 一种基于遗传算法优化小波神经网络的铯喷泉钟钟与氢钟频差预估方法 |
-
2019
- 2019-03-21 CN CN201910219634.9A patent/CN109902882A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102788752A (zh) * | 2012-08-08 | 2012-11-21 | 江苏大学 | 基于光谱技术的农作物内部信息无损检测装置及方法 |
| CN103886218A (zh) * | 2014-04-08 | 2014-06-25 | 北京工商大学 | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 |
| CN104181550A (zh) * | 2014-08-19 | 2014-12-03 | 北京无线电计量测试研究所 | 一种基于北斗卫星导航系统的共视时间频率传递方法 |
| CN106447063A (zh) * | 2015-08-11 | 2017-02-22 | 华北电力大学（保定） | 一种并网型风电场短期风速组合预测方法 |
| CN105956702A (zh) * | 2016-04-29 | 2016-09-21 | 中国农业大学 | 一种基于数据融合的水产养殖水质溶解氧预测方法 |
| CN106773610A (zh) * | 2016-11-28 | 2017-05-31 | 北京工业大学 | 一种铯原子钟和氢钟频差预估方法 |
| CN107505829A (zh) * | 2017-08-28 | 2017-12-22 | 北京工业大学 | 一种基于遗传算法优化小波神经网络的铯喷泉钟钟与氢钟频差预估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 雷雨: ""基于最小二乘支持向量机的钟差预报"", 《大地测量与地球动力学》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110837219B (zh) * | 2019-10-06 | 2022-04-05 | 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 |
| CN111337956A (zh) * | 2020-03-16 | 2020-06-26 | 北京工业大学 | 导航接收机性能综合评价方法及装置 |
| CN111337956B (zh) * | 2020-03-16 | 2022-02-11 | 北京工业大学 | 导航接收机性能综合评价方法及装置 |
| CN111738407A (zh) * | 2020-05-13 | 2020-10-02 | 北京无线电计量测试研究所 | 一种基于深度学习的钟差预测方法、装置、介质及终端 |
| CN111738407B (zh) * | 2020-05-13 | 2020-11-27 | 北京无线电计量测试研究所 | 一种基于深度学习的钟差预测方法、装置、介质及终端 |
| CN111814103A (zh) * | 2020-06-15 | 2020-10-23 | 中国人民解放军61081部队 | 基于等价权函数估计的对原子钟时差序列的处理方法 |
| 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 |
| CN112597622A (zh) * | 2020-10-12 | 2021-04-02 | 北京卫星导航中心 | 一种用于检测铯原子钟频率异常的方法、系统和介质 |
| CN112597622B (zh) * | 2020-10-12 | 2024-01-19 | 北京卫星导航中心 | 一种用于检测铯原子钟频率异常的方法、系统和介质 |
| CN112230532A (zh) * | 2020-11-24 | 2021-01-15 | 中国计量科学研究院 | 一种新的原子钟信号预测方法、装置及系统 |
| CN114047684A (zh) * | 2021-10-21 | 2022-02-15 | 中国人民解放军61081部队 | 一种原子钟联合守时方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902882A (zh) | 原子钟钟差预测模型训练方法及装置 | |
| CN110832509B (zh) | 使用神经网络的黑盒优化 | |
| García-García et al. | Dark energy from α-attractors: phenomenology and observational constraints | |
| US20150302297A1 (en) | Magnetic Resonance Fingerprinting (MRF) Serial Artificial Neural Network (ANN) Sequence Design | |
| CA3097036A1 (en) | Selecting a neural network architecture for a supervised machine learning problem | |
| CN112154464B (zh) | 参数搜索方法、参数搜索装置以及参数搜索用程序 | |
| CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
| JP6484449B2 (ja) | 予測装置、予測方法および予測プログラム | |
| Baumgarte | Aspherical deformations of the Choptuik spacetime | |
| JP2016224566A (ja) | 予測装置、予測方法および予測プログラム | |
| Morningstar et al. | Analyzing interferometric observations of strong gravitational lenses with recurrent and convolutional neural networks | |
| CN115951430A (zh) | 一种基于lstm的地磁指数预报方法 | |
| Zhang et al. | MR fingerprinting reconstruction with Kalman filter | |
| Thual et al. | Influence of recent stratification changes on ENSO stability in a conceptual model of the equatorial Pacific | |
| Morrás et al. | Efficient reduced order quadrature construction algorithms for fast gravitational wave inference | |
| CN116299247B (zh) | 一种基于稀疏卷积神经网络的InSAR大气校正方法 | |
| CN116648184A (zh) | 温度预测方法、装置和存储介质 | |
| Frolov et al. | First application of the local ensemble tangent linear model (LETLM) to a realistic model of the global atmosphere | |
| CN111523258B (zh) | 基于MS-Net网络的微地震有效信号初至拾取方法及系统 | |
| CN117034192A (zh) | 一种降水产品监测值订正方法、装置、设备及介质 | |
| CN116701875A (zh) | 一种特高压交流输电线路可听噪声概率预测方法及系统 | |
| CN112083226A (zh) | 电子设备的频率校准方法、装置、介质及电子设备 | |
| CN116628442A (zh) | 一种基于人工神经网络的地下水储量变化空间降尺度方法 | |
| Swärd et al. | Designing optimal sampling schemes | |
| CN111711446B (zh) | 一种利用gps信号驯服晶振频率的方法、系统及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190618 |