CN110309593A - 一种预测恒温晶振老化率的装置及方法 - Google Patents
一种预测恒温晶振老化率的装置及方法 Download PDFInfo
- Publication number
- CN110309593A CN110309593A CN201910585624.7A CN201910585624A CN110309593A CN 110309593 A CN110309593 A CN 110309593A CN 201910585624 A CN201910585624 A CN 201910585624A CN 110309593 A CN110309593 A CN 110309593A
- Authority
- CN
- China
- Prior art keywords
- crystal oscillator
- constant
- parameter
- ageing rate
- temperature crystal
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Oscillators With Electromechanical Resonators (AREA)
Abstract
本发明提供了一种预测恒温晶振老化率的方法,包括:按照预设采样间隔获取恒温晶振与参考源之间的相位差;若所述相位差小于或等于预设阈值,则所述恒温晶振处于参考源锁定状态,按照预设获取间隔获取所述恒温晶振的状态参数至预设样本量阈值,并根据获取的状态参数确定对应的老化率BP神经网络算法,所述状态参数包括电压参数、温度参数、振动频率参数、压力参数及磁场参数中至少三种;若所述相位差大于预设阈值,则判断所述恒温晶振丢失所述参考源,再获取与老化率BP神经网络算法包含的状态参数种类相同的状态参数,根据每个状态参数及所述老化率BP神经网络算法确定对应的老化率。本发明的预测恒温晶振老化率的方法能够简化建模难度,提高精度。
Description
技术领域
本发明实施例涉及时间同步技术领域,尤其涉及一种预测恒温晶振老化率的装置及方法。
背景技术
现有的时间同步系统锁定参考源的方法为当有外部1PPS参考源接入时,恒温晶振锁定外部参考源,当恒温晶振能稳定地锁定外部1PPS参考源时,开始建立老化补偿模型,老化模型只是简单地设定为线性模型,根据锁定的时长得到固定的老化率。但是由于石英晶振、电子元器件等都存在老化现象,促使恒温晶振的频率随工作时间的增加而呈现缓慢变化的趋势,虽然这种趋势是非常缓慢的,而且恒温晶振自身的变化也会影响老化率,使得采用传统的恒温晶振线性老化率预测模型,精度不高,频率变化没有规律性。
发明内容
本发明实施例的目的在于提出一种预测恒温晶振老化率的装置及方法,能够简化建模难度,且提高精度。
为达此目的,本发明实施例采用以下技术方案:
第一方面,本发明实施例提供一种预测恒温晶振老化率的方法,包括:
按照预设采样间隔获取恒温晶振与参考源之间的相位差;
若所述相位差小于或等于预设阈值,则所述恒温晶振处于参考源锁定状态,按照预设获取间隔获取所述恒温晶振的状态参数至预设样本量阈值,并根据获取的状态参数确定对应的老化率BP神经网络算法,所述状态参数包括电压参数、温度参数、振动频率参数、压力参数及磁场参数中至少三种;
若所述相位差大于预设阈值,则判断所述恒温晶振丢失所述参考源,再获取与老化率BP神经网络算法包含的状态参数种类相同的状态参数,根据每个状态参数及所述老化率BP神经网络算法确定对应的老化率。
进一步的,根据获取的状态参数确定对应的老化率BP神经网络算法包括:
根据获取的状态参数的种类个数确定输入层单元个数,根据所述老化率确定输出层单元个数,并根据所述输入层单元个数及所述输出层单元个数确定隐含层单元个数;
确定所述隐含层及所述输出层各自的传递函数;
将每个获取的状态参数进行归一化处理;
根据归一化处理的数据及所述传递函数确定对应的老化率BP神经网络算法。
进一步的,并根据所述输入层单元个数及所述输出层单元个数确定隐含层单元个数为:
其中,H为隐含层单元个数,M为输入层单元个数,N为输出层单元个数。
进一步的,归一化处理为:
其中,yk为归一化的输出值,xk为原始数据,xmax为原始数据的最大值,xmix为原始数据的最小值,k为序列号。
进一步的,所述确定所述隐含层及所述输出层各自的传递函数包括:
确定所述隐含层的传递函数为双曲正切S型tan-sig传递函数;
确定所述输出层的传递函数为S型log-sig传递函数。
进一步的,根据每个状态参数及所述老化率BP神经网络算法确定对应的老化率之后还包括:根据所述老化率及所述预设采样间隔确定对应的需调节的数模转换差值;
根据所述需调节的数模转换差值调节所述恒温晶振。
进一步的,根据所述老化率及所述预设采样间隔确定对应的需调节的数模转换差值为:
其中,Agingt为老化率,K为老化系数,DACt-DACt-1为需调节的数模转换差值,Δt为预设采样间隔。
第二发明,本发明实施例提供一种预测恒温晶振老化率的系统,包括:处理单元、电压传感器、温度传感器、加速度传感器、压力传感器、磁场传感器及鉴相单元,
所述处理单元分别与所述电压传感器、所述温度传感器、所述加速度传感器、所述压力传感器、所述磁场传感器及所述鉴相单元电连接;
所述电压传感器,用于获取恒温晶振的电压参数;
所述温度传感器,用于获取所述恒温晶振的温度参数;
所述加速度传感器,用于获取所述恒温晶振的振动频率参数;
所述压力传感器,用于获取所述恒温晶振的压力参数;
所述磁场传感器,用于获取所述恒温晶振的磁场参数;
所述鉴相单元,用于按照预设采样间隔获取所述恒温晶振与参考源之间的相位差并发送至所述处理单元;
所述处理单元,用于若所述相位差小于或等于预设阈值,则所述恒温晶振处于参考源锁定状态,按照预设获取间隔获取所述恒温晶振的状态参数至预设样本量阈值,并根据获取的状态参数确定对应的老化率BP神经网络算法,所述状态参数包括电压参数、温度参数、振动频率参数、压力参数及磁场参数中至少三种;
若所述相位差大于预设阈值,则判断所述恒温晶振丢失所述参考源,再获取与老化率BP神经网络算法包含的状态参数种类相同的状态参数,根据每个状态参数及所述老化率BP神经网络算法确定对应的老化率。
进一步的,所述处理单元,还用于根据所述老化率及所述预设采样间隔确定对应的需调节的数模转换差值;
根据所述需调节的数模转换差值调节所述恒温晶振。
进一步的,所述装置还包括存储单元,所述存储单元与所述处理单元电连接;
所述存储单元,用于存储所述电压参数、所述温度参数、所述振动频率参数、所述压力参数、所述磁场参数及所述相位差。
本发明实施例的有益效果为:
本发明实施例通过获取恒温晶振的状态参数来训练神经元来获得老化率BP神经网络算法,无需知道恒温晶振的各状态参数对应的与恒温晶振老化率的非线性关系,从而降低建模的难度。根据老化率BP神经网络算法及实时获取的状态参数获得老化率,提高预测精度,且使得无需通过长时间锁定外部参考源得到不稳定的老化率。
附图说明
图1是本发明实施例一提供的预测恒温晶振老化率的方法的流程示意图。
图2是本发明实施例二提供的预测恒温晶振老化率的方法的流程示意图。
图3是本发明实施例三提供的预测恒温晶振老化率的方法的流程示意图。
图4是本发明实施例四提供的预测恒温晶振老化率的装置的结构示意图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面将结合附图对本发明实施例的技术方案作进一步的详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例一
本实施例提供一种预测恒温晶振老化率的方法,能够简化预测老化率的模型,从而降低建模的难度,并且根据恒温晶振的状态来获取老化率,使得无需通过长时间锁定外部参考源来得到不稳定的老化率且提高预测精度。
图1是本发明实施例一提供的预测恒温晶振老化率的方法的流程示意图。如图1所述,该方法包括如下步骤:
S11,按照预设采样间隔获取恒温晶振与参考源之间的相位差。
当存在外部参考源时,通过获取恒温晶振与参考源之间的相位差,根据相位差确定对应的数模转换值,并根据该数模转换值调节该恒温晶振。
其中,预设采样间隔根据具体的使用情况来设定。
S12,若所述相位差小于或等于预设阈值,则所述恒温晶振处于参考源锁定状态,按照预设获取间隔获取所述恒温晶振的状态参数至预设样本量阈值,并根据获取的状态参数确定对应的老化率BP神经网络算法。
其中,所述状态参数包括电压参数、温度参数、振动频率参数、压力参数及磁场参数中至少三种。
具体的,预设阈值、预设获取间隔及预设样本量阈值根据具体的使用情况来设定。在本实施例中,预设获取间隔与预设采样间隔的取值相同。
若获取的状态参数总量小于预设样本量阈值,则继续获取状态参数。当获取的状态参数总量大于或等于预设样本量阈值时,表示采样成功,开始根据获取的状态参数初始化老化率BP神经网络算法,将这些状态参数作为影响因子,根据这些影响因子的输入,估算恒温晶振的老化率,提高了预测精度且使得频率的变化有规律性,也无需知道各影响因子对应的与恒温晶振老化率的非线性关系,大大简化了建模的难度,而且不需要增加锁定外部参考源的时长来保持精度。
同时,在锁定状态下,持续按照预设采样间隔获取相位差,并根据相位差确定对应的数模转换值,根据数模转换值及预设采样间隔确定锁定状态的老化率。因为相位差对应的数模转换值会随着老化率的变化而变化,因此可以根据数模转换值的变化率来表示老化率。
具体的,根据如下公式进行计算:
其中,Agingt为老化率,K为老化系数,DACt为当前时刻的数模转换值,DACt-1为前一时刻的数模转换值,Δt为预设采样间隔。
S13,若所述相位差大于预设阈值,则判断所述恒温晶振丢失所述参考源,再获取与老化率BP神经网络算法包含的状态参数种类相同的状态参数,根据每个状态参数及所述老化率BP神经网络算法确定对应的老化率。
具体的,在恒温晶振丢失所述参考源时,通过再次获取与S12获取的状态参数种类相同的状态参数作为算法的输入,即获取与老化率BP神经网络算法包含的状态参数种类相同的状态参数,代入老化率BP神经网络算法获得对应的老化率。
根据恒温晶振的状态参数训练神经元获得老化率BP神经网络算法,能够获得准确的老化率,从而在丢失外部参考源时,也能够在保持状态下保持精度。
本实施例通过获取恒温晶振的状态参数来训练神经元来获得老化率BP神经网络算法,无需知道恒温晶振的各状态参数对应的与恒温晶振老化率的非线性关系,从而降低建模的难度。根据老化率BP神经网络算法及实时获取的状态参数获得老化率,提高预测精度,且使得无需通过长时间锁定外部参考源得到不稳定的老化率。
实施例二
本实施例在上述实施例的基础上,增加了补偿恒温晶振的方法。图2是本发明实施例二提供的预测恒温晶振老化率的方法的流程示意图。如图2所示,该方法包括如下步骤:
S21,按照预设采样间隔获取恒温晶振与参考源之间的相位差。
S22,若所述相位差小于或等于预设阈值,则所述恒温晶振处于参考源锁定状态,按照预设获取间隔获取所述恒温晶振的状态参数至预设样本量阈值,并根据获取的状态参数确定对应的老化率BP神经网络算法。
其中,所述状态参数包括电压参数、温度参数、振动频率参数、压力参数及磁场参数中至少三种。
S23,若所述相位差大于预设阈值,则判断所述恒温晶振丢失所述参考源,再获取与老化率BP神经网络算法包含的状态参数种类相同的状态参数,根据每个状态参数及所述老化率BP神经网络算法确定对应的老化率。
S24,根据所述老化率及所述预设采样间隔确定对应的需调节的数模转换差值。
具体的,根据如下公式进行计算:
其中,Agingt为老化率,K为老化系数,DACt-DACt-1为需调节的数模转换差值,Δt为预设采样间隔。老化系数根据具体的使用情况来设定。
S25,根据所述需调节的数模转换差值调节所述恒温晶振。
本实施例在丢失参考源的情况下,根据确定好的老化率BP神经网络算法得到最新的老化率,得到需调节的数模转换差值来调节恒温晶振,通过准确的老化率来获得准确的调节的数模转换差值来补偿恒温晶振,能够在丢失参考源的情况下也能够保持精度,从而提高成品率。
实施例三
本实施例在上述实施例的基础上,细化确定老化率BP神经网络算法的方法。图3是本发明实施例三提供的预测恒温晶振老化率的方法的流程示意图。如图3所示,该方法包括如下步骤:
S31,按照预设采样间隔获取恒温晶振与参考源之间的相位差。
S32,若所述相位差小于或等于预设阈值,则所述恒温晶振处于参考源锁定状态,按照预设获取间隔获取所述恒温晶振的状态参数至预设样本量阈值。
S33,根据获取的状态参数的种类个数确定输入层单元个数,根据所述老化率确定输出层单元个数,并根据所述输入层单元个数及所述输出层单元个数确定隐含层单元个数。
具体的,根据如下公式进行计算:
其中,H为隐含层单元个数,M为输入层单元个数,N为输出层单元个数。
进一步的,结合例子进行说明:
若获取的状态参数的种类为5种,则这5种的状态参数作为老化率的影响因子,因此输入层单元个数M为5。老化率作为输出结果,因此输出层单元个数N为1,根据上述公式,确定隐含层单元个数H为3。
S34,确定所述隐含层及所述输出层各自的传递函数。
具体的,确定所述隐含层的传递函数为双曲正切S型tan-sig传递函数;确定所述输出层的传递函数为S型log-sig传递函数。采用traingdx训练函数。根据确定传递函数及训练函数及使用需求确定误差精度及训练次数。
S35,将每个获取的状态参数进行归一化处理。
具体的,根据如下公式进行计算:
其中,yk为归一化的输出值,xk为原始数据,xmax为原始数据的最大值,xmix为原始数据的最小值,k为序列号。xmax-xmix为数据的范围区间。
S36,根据归一化处理的数据及所述传递函数确定对应的老化率BP神经网络算法。
将每个归一化处理的数据根据设定的误差精度和训练次数训练已初始化的BP神经元。如果误差精度不达标或者训练次数超过预期,则重新采集数据并训练。如果训练完成了,则保存已保存训练好的神经元。
S37,若所述相位差大于预设阈值,则判断所述恒温晶振丢失所述参考源,再获取与老化率BP神经网络算法包含的状态参数种类相同的状态参数,根据每个状态参数及所述老化率BP神经网络算法确定对应的老化率。
具体的,当丢失了外部参考源时,恒温晶振进入了保持状态,提取已训练好的神经元参数并配置好老化率BP神经网络算法。再获取状态参数,将状态参数输入到老化率BP神经网络算法中,计算最新的老化率。
S38,根据所述老化率及所述预设采样间隔确定对应的需调节的数模转换差值;
S39,根据所述需调节的数模转换差值调节所述恒温晶振。
本实施例将状态参数进行归一化处理代入选取好传递函数中确定老化率BP神经网络算法,能够根据恒温晶振的使用状态确定更优的老化率BP神经网络算法,更加提高了预测精度且使得频率的变化有规律性,也无需知道各影响因子对应的与恒温晶振老化率的非线性关系,大大简化了建模的难度,而且不需要增加锁定外部参考源的时长来保持精度。
实施例四
本实施例提供了一种预测恒温晶振老化率的装置,用于执行上述实施例上述的预测恒温晶振老化率的方法,具备相应的功能模块或硬件,解决相同的技术问题,达到相同的技术效果。
图4是本发明实施例四提供的预测恒温晶振老化率的装置的结构示意图。如图4所示,该装置包括:处理单元30、电压传感器11、温度传感器12、加速度传感器13、压力传感器14、磁场传感器15及鉴相单元20,
所述处理单元30分别与所述电压传感器11、所述温度传感器12、所述加速度传感器13、所述压力传感器14、所述磁场传感器15及所述鉴相单元20电连接。
所述电压传感器11,用于获取恒温晶振60的电压参数。
所述温度传感器12,用于获取所述恒温晶振60的温度参数。
所述加速度传感器13,用于获取所述恒温晶振60的振动频率参数。
所述压力传感器14,用于获取所述恒温晶振60的压力参数。
所述磁场传感器15,用于获取所述恒温晶振60的磁场参数。
所述鉴相单元20,用于按照预设采样间隔获取所述恒温晶振60与参考源70之间的相位差并发送至所述处理单元30。
所述处理单元30,用于若所述相位差小于或等于预设阈值,则所述恒温晶振60处于参考源70锁定状态,按照预设获取间隔获取所述恒温晶振60的状态参数至预设样本量阈值,并根据获取的状态参数确定对应的老化率BP神经网络算法,所述状态参数包括电压参数、温度参数、振动频率参数、压力参数及磁场参数中至少三种。
若所述相位差大于预设阈值,则判断所述恒温晶振60丢失所述参考源70,再获取与老化率BP神经网络算法包含的状态参数种类相同的状态参数,根据每个状态参数及所述老化率BP神经网络算法确定对应的老化率。
进一步的,处理单元30还用于根据所述老化率及所述预设采样间隔确定对应的需调节的数模转换差值,根据所述需调节的数模转换差值调节所述恒温晶振60。
较优者,该装置还包括存储单元40,所述存储单元40与所述处理单元30电连接。
所述存储单元40,用于存储所述电压参数、所述温度参数、所述振动频率参数、所述压力参数、所述磁场参数及所述相位差。
进一步的,该装置还包括数模转换器50,电连接于处理单元30与恒温晶振60之间,在与参考源70锁定的状态下,处理单元30计算出相位差对应的数模转换值并通过数模转换器50调节恒温晶振60,实现补偿恒温晶振60。
在丢失参考源70的状态下,处理单元30计算出需调节的数模转换差值并通过数模转换器50调节恒温晶振60,实现补偿恒温晶振60。
本实施例能够及时获取恒温晶振的状态变化,根据恒温晶振的状态参数确定对应的老化率BP神经网络算法,提高了预测精度。在丢失参考源的状态下,能够及时获取最新的老化率来及时补偿恒温晶振,提高在保持状态下的保持精度,提高了成品率。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (10)
1.一种预测恒温晶振老化率的方法,其特征在于,包括:
按照预设采样间隔获取恒温晶振与参考源之间的相位差;
若所述相位差小于或等于预设阈值,则所述恒温晶振处于参考源锁定状态,按照预设获取间隔获取所述恒温晶振的状态参数至预设样本量阈值,并根据获取的状态参数确定对应的老化率BP神经网络算法,所述状态参数包括电压参数、温度参数、振动频率参数、压力参数及磁场参数中至少三种;
若所述相位差大于预设阈值,则判断所述恒温晶振丢失所述参考源,再获取与老化率BP神经网络算法包含的状态参数种类相同的状态参数,根据每个状态参数及所述老化率BP神经网络算法确定对应的老化率。
2.根据权利要求1所述的预测恒温晶振老化率的方法,其特征在于,根据获取的状态参数确定对应的老化率BP神经网络算法包括:
根据获取的状态参数的种类个数确定输入层单元个数,根据所述老化率确定输出层单元个数,并根据所述输入层单元个数及所述输出层单元个数确定隐含层单元个数;
确定所述隐含层及所述输出层各自的传递函数;
将每个获取的状态参数进行归一化处理;
根据归一化处理的数据及所述传递函数确定对应的老化率BP神经网络算法。
3.根据权利要求2所述的预测恒温晶振老化率的方法,其特征在于,并根据所述输入层单元个数及所述输出层单元个数确定隐含层单元个数为:
其中,H为隐含层单元个数,M为输入层单元个数,N为输出层单元个数。
4.根据权利要求2所述的预测恒温晶振老化率的方法,其特征在于,归一化处理为:
其中,yk为归一化的输出值,xk为原始数据,xmax为原始数据的最大值,xmix为原始数据的最小值,k为序列号。
5.根据权利要求2所述的预测恒温晶振老化率的方法,其特征在于,所述确定所述隐含层及所述输出层各自的传递函数包括:
确定所述隐含层的传递函数为双曲正切S型tan-sig传递函数;
确定所述输出层的传递函数为S型log-sig传递函数。
6.根据权利要求1所述的预测恒温晶振老化率的方法,其特征在于,根据每个状态参数及所述老化率BP神经网络算法确定对应的老化率之后还包括:根据所述老化率及所述预设采样间隔确定对应的需调节的数模转换差值;
根据所述需调节的数模转换差值调节所述恒温晶振。
7.根据权利要求6所述的预测恒温晶振老化率的方法,其特征在于,根据所述老化率及所述预设采样间隔确定对应的需调节的数模转换差值为:
其中,Agingt为老化率,K为老化系数,DACt-DACt-1为需调节的数模转换差值,Δt为预设采样间隔。
8.一种预测恒温晶振老化率的系统,其特征在于,包括:处理单元、电压传感器、温度传感器、加速度传感器、压力传感器、磁场传感器及鉴相单元,
所述处理单元分别与所述电压传感器、所述温度传感器、所述加速度传感器、所述压力传感器、所述磁场传感器及所述鉴相单元电连接;
所述电压传感器,用于获取恒温晶振的电压参数;
所述温度传感器,用于获取所述恒温晶振的温度参数;
所述加速度传感器,用于获取所述恒温晶振的振动频率参数;
所述压力传感器,用于获取所述恒温晶振的压力参数;
所述磁场传感器,用于获取所述恒温晶振的磁场参数;
所述鉴相单元,用于按照预设采样间隔获取所述恒温晶振与参考源之间的相位差并发送至所述处理单元;
所述处理单元,用于若所述相位差小于或等于预设阈值,则所述恒温晶振处于参考源锁定状态,按照预设获取间隔获取所述恒温晶振的状态参数至预设样本量阈值,并根据获取的状态参数确定对应的老化率BP神经网络算法,所述状态参数包括电压参数、温度参数、振动频率参数、压力参数及磁场参数中至少三种;
若所述相位差大于预设阈值,则判断所述恒温晶振丢失所述参考源,再获取与老化率BP神经网络算法包含的状态参数种类相同的状态参数,根据每个状态参数及所述老化率BP神经网络算法确定对应的老化率。
9.根据权利要求8所述的预测恒温晶振老化率的系统,其特征在于:所述处理单元,还用于根据所述老化率及所述预设采样间隔确定对应的需调节的数模转换差值;
根据所述需调节的数模转换差值调节所述恒温晶振。
10.根据权利要求8所述的预测恒温晶振老化率的系统,其特征在于:还包括存储单元,所述存储单元与所述处理单元电连接;
所述存储单元,用于存储所述电压参数、所述温度参数、所述振动频率参数、所述压力参数、所述磁场参数及所述相位差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910585624.7A CN110309593B (zh) | 2019-07-01 | 2019-07-01 | 一种预测恒温晶振老化率的装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910585624.7A CN110309593B (zh) | 2019-07-01 | 2019-07-01 | 一种预测恒温晶振老化率的装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110309593A true CN110309593A (zh) | 2019-10-08 |
CN110309593B CN110309593B (zh) | 2022-06-28 |
Family
ID=68078335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910585624.7A Active CN110309593B (zh) | 2019-07-01 | 2019-07-01 | 一种预测恒温晶振老化率的装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309593B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613165A (zh) * | 2020-12-11 | 2021-04-06 | 武汉虹信科技发展有限责任公司 | 通信设备寿命预测方法及装置 |
CN112713881A (zh) * | 2020-12-10 | 2021-04-27 | 国网四川省电力公司电力科学研究院 | 一种基于边缘计算的同步时钟维持系统与方法 |
CN116361094A (zh) * | 2023-04-03 | 2023-06-30 | 上海季丰电子股份有限公司 | 一种自动记录老化板使用时间的方法、装置和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007062577A1 (fr) * | 2005-12-01 | 2007-06-07 | Huawei Technologies Co., Ltd. | Boucle a phase asservie et methode d'amelioration de precision d'horloge |
US20070135984A1 (en) * | 1992-05-05 | 2007-06-14 | Automotive Technologies International, Inc. | Arrangement and Method for Obtaining Information Using Phase Difference of Modulated Illumination |
WO2014161360A1 (zh) * | 2013-08-13 | 2014-10-09 | 中兴通讯股份有限公司 | 一种同步时钟信号补偿方法、装置及计算机存储介质 |
US20150142715A1 (en) * | 2011-08-11 | 2015-05-21 | Greenray Industries, Inc. | Neural network frequency control and compensation of control voltage linearity |
US20180302213A1 (en) * | 2017-04-17 | 2018-10-18 | Collision Communications, Inc. | Methods, systems, and computer program products for communication channel prediction from received multipath communications in a wireless communications system |
-
2019
- 2019-07-01 CN CN201910585624.7A patent/CN110309593B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070135984A1 (en) * | 1992-05-05 | 2007-06-14 | Automotive Technologies International, Inc. | Arrangement and Method for Obtaining Information Using Phase Difference of Modulated Illumination |
WO2007062577A1 (fr) * | 2005-12-01 | 2007-06-07 | Huawei Technologies Co., Ltd. | Boucle a phase asservie et methode d'amelioration de precision d'horloge |
US20150142715A1 (en) * | 2011-08-11 | 2015-05-21 | Greenray Industries, Inc. | Neural network frequency control and compensation of control voltage linearity |
WO2014161360A1 (zh) * | 2013-08-13 | 2014-10-09 | 中兴通讯股份有限公司 | 一种同步时钟信号补偿方法、装置及计算机存储介质 |
US20180302213A1 (en) * | 2017-04-17 | 2018-10-18 | Collision Communications, Inc. | Methods, systems, and computer program products for communication channel prediction from received multipath communications in a wireless communications system |
Non-Patent Citations (3)
Title |
---|
GARITSELOV O 等: "Metamodel-assisted disciplining algorithm for detecting spoofed GNSS time signals", 《PROCEEDINGS OF THE 46TH ANNUAL PRECISE TIME AND TIME INTERVAL SYSTEMS AND APPLICATIONS MEETING》, 31 December 2014 (2014-12-31), pages 221 - 227, XP056008788 * |
杨少尘 等: "一种基于ARMA模型的GPS校频系统频率保持方法", 《电光与控制》, 26 August 2016 (2016-08-26), pages 31 - 35 * |
郑浩哲等: "晶体振荡器老化预测的径向基函数神经网络法", 《沈阳理工大学学报》, no. 01, 28 February 2007 (2007-02-28), pages 25 - 28 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112713881A (zh) * | 2020-12-10 | 2021-04-27 | 国网四川省电力公司电力科学研究院 | 一种基于边缘计算的同步时钟维持系统与方法 |
CN112613165A (zh) * | 2020-12-11 | 2021-04-06 | 武汉虹信科技发展有限责任公司 | 通信设备寿命预测方法及装置 |
CN112613165B (zh) * | 2020-12-11 | 2024-03-19 | 武汉虹信科技发展有限责任公司 | 通信设备寿命预测方法及装置 |
CN116361094A (zh) * | 2023-04-03 | 2023-06-30 | 上海季丰电子股份有限公司 | 一种自动记录老化板使用时间的方法、装置和电子设备 |
CN116361094B (zh) * | 2023-04-03 | 2024-04-26 | 上海季丰电子股份有限公司 | 一种自动记录老化板使用时间的方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110309593B (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309593A (zh) | 一种预测恒温晶振老化率的装置及方法 | |
JP4050618B2 (ja) | 較正のための振動回路と方法 | |
CN107831441B (zh) | 锂电池充电电流的预测方法、预测系统及一种充电装置 | |
CN108809273B (zh) | 基于lms自适应滤波的复数直接频率估计方法 | |
US5697082A (en) | Self-calibrating frequency standard system | |
CN109508510B (zh) | 一种基于改进的卡尔曼滤波的铷原子钟参数估计算法 | |
KR20140106436A (ko) | 배터리 충전량 트래킹, 등가 회로 선택 및 벤치마킹 | |
US7148760B2 (en) | VCO gain tuning using voltage measurements and frequency iteration | |
US10705152B1 (en) | Systems and apparatus of cyclic coulometry | |
US11287481B2 (en) | Methods and algorithms of cyclic coulometry | |
CN102006059B (zh) | 一种∑△控制的锁相环及其校准电路和校准方法 | |
KR101399345B1 (ko) | 배터리 잔여랑을 추정하는 방법 | |
CN110324038A (zh) | 使用锁相环来快速建立斜坡生成 | |
US20020180535A1 (en) | Method for estimating crystal coefficient values for a signal generator | |
CN113438045A (zh) | 基于扩展卡尔曼滤波的免时间戳同步时钟参数跟踪方法 | |
CN111027203B (zh) | 一种超级电容soc计算方法 | |
US11949424B2 (en) | Device, method and storage medium for frequency calibration for voltage-controlled oscillators | |
CN109788547B (zh) | 一种低通信负载的温度补偿的自适应时间同步方法 | |
CN102857196B (zh) | 一种动态补偿晶体频偏的方法及系统 | |
CN109188022B (zh) | 用于石英振梁加速度计输出误差补偿的方法 | |
EP3652818A1 (en) | Cavity stabilized laser drift compensation | |
US11035902B2 (en) | Advanced fuel gauge | |
CN101388646B (zh) | 逐次逼近型温度频率校正方法和装置 | |
US6490535B1 (en) | Method and apparatus for calibrating an instrument | |
CN111999654A (zh) | 一种自适应扩展卡尔曼估计soc算法 |
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 | ||
CB02 | Change of applicant information |
Address after: 523000 Room 401 and 402, building 5, No. 24, industrial East Road, Songshanhu Park, Dongguan City, Guangdong Province Applicant after: Guangdong daguangxin Technology Co.,Ltd. Address before: 523808 the first, second and third floors of building 16, small and medium-sized science and technology enterprise Pioneer Park, North Industrial City, Songshanhu high tech Industrial Development Zone, Dongguan City, Guangdong Province Applicant before: Guangdong Dapu Telecom Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |