CN111143989A - 频率调整量计算方法、模块、系统、存储介质和设备 - Google Patents
频率调整量计算方法、模块、系统、存储介质和设备 Download PDFInfo
- Publication number
- CN111143989A CN111143989A CN201911353500.2A CN201911353500A CN111143989A CN 111143989 A CN111143989 A CN 111143989A CN 201911353500 A CN201911353500 A CN 201911353500A CN 111143989 A CN111143989 A CN 111143989A
- Authority
- CN
- China
- Prior art keywords
- time difference
- frequency adjustment
- prediction
- sequence
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06N3/08—Learning methods
Abstract
本方案提供了一种频率调整量计算方法,该方法的步骤包括:基于根据灰色模型原理预先构建的历史时差序列模型,利用径向基神经网络预测灰色模型,对时差的误差进行预测,获得时差预测序列;对所述时差预测序列进行处理,获得频率调整量。该方法中基于灰色理论和径向基神经网络建立组合模型,结合各自的优点,实现备钟原子钟的钟差预测。
Description
技术领域
本申请涉及时钟频率调整领域,特别涉及一种基于灰色理论和径向基神经网络组合模型的频率调整量计算方法、模块、系统、存储介质和设备。
背景技术
为能够维持一个稳定可靠的时间基准信号,目前守时系统采用主备两路冗余热备份的方式,系统正常运行时,主钟备钟时差保持在一个较小的区间范围内,若主钟发生故障,系统主备切换后依然能够保持时频信号的准确性。原子钟是自由运行的精准频率源,但在其自身速率和噪声的影响下,存在着频率偏移现象。在守时系统中,默认主钟信号具有更好的性能,频率驾驭就是将主钟信号作为备钟的参考信号,通过一定的算法获得备钟相对于主钟的频率偏移量,在保证备钟短期稳定度的前提下,补偿备钟的频偏量以提高其准确度和长期稳定度。
实际应用中,一般不直接使用实测值求主/备钟频率偏差,而是根据两台原子钟的时差测量获得的,因此频率调整量计算的关键环节在于原子钟差的预测。目前常用的频率驾驭方法一般均需要通过大量的数据样本事先确定数学模型的结构形式,这样的预测方法缺乏对实际情况的泛化能力,钟差预测误差会随时间的增加而不断增大。例如:经典的最小二乘法根据钟类型确定多项式次数,然后利用历史数据拟合各次项系数,预测下一时刻的钟差;而卡尔曼滤波模型则主要通过建立原子钟各类噪声协方差矩阵的手段实现钟差预测。
发明内容
本申请提供了一种基于灰色理论和径向基神经网络组合模型的频率调整量计算方法、模块、系统和存储介质和设备。
根据本申请实施例的第一个方面,提供了一种频率调整量计算方法,该方法的步骤包括:
基于根据灰色模型原理预先构建的历史时差序列模型,利用径向基神经网络预测灰色模型,对时差的误差进行预测,获得时差预测序列;
对所述时差预测序列进行处理,获得频率调整量。
在一种优选地实施例中,所述历史时差序列模型的构建步骤包括:
对主备钟差初始数据进行一次累加,获得初始结果累加序列
X(1)=(x(1)(1),x(1)(2),...,x(1)(n));
根据初始结果累加序列,生成x(1)紧邻均值序列z(1):
z(1)=0.5x(1)(k-1)+0.5x(1)(k),k=2,3,...,n;
根据灰色理论建立一阶一元微分方程GM(1,1):
a、u分别为发展系统和灰色作用量,只要求出参数a、u,就能求出x(1)(t),进而求出x(0)的预测量。
对累加生成数据作均值生成B与常数项向量Yn
用最小二乘法求解参数a、u,则
根据上述公式进行求解,得
于是得到预测值:
从而相应的得到时差预测值:
在一种优选地实施例中,所述利用径向基神经网络预测灰色模型,对时差的误差进行预测,获得时差预测序列的步骤包括:
设定隐含层结点k的传递函数表达式为:
其中,X=(xi|i=1,2,...,n),n为输入向量维数;Tki为节点K的中心Tk的第i个分量;σk为节点K的高斯分布宽度;||.||表示欧式泛数;
输出层结点响应的输出表示为:
式中,ωk为权值;
将径向基神经网络的训练过程分为两个阶段,第一阶段是决定隐含层神经元的数量,第二结算是使用样本数据根据全局误差最小的原则来获取权值;
根据训练获得的灰色预测误差和灰色模型预测结果,获得时差预测序列。
在一种优选地实施例中,所述对所述时差预测序列进行处理,获得频率调整量的步骤包括:
对预测序列做线性拟合,拟合直线的一次项系数a0即频率源相对于参考信号的预测速率。
f(x)=a0*x+a1
预测速率a0的相反数-a0即为被控频率的频率调整量。
根据本申请实施例的第二个方面,提供了一种频率调整量计算模块,该模块包括:
预测单元,基于根据灰色模型原理预先构建的历史时差序列模型,利用径向基神经网络预测灰色模型,对时差的误差进行预测,获得时差预测序列;
计算单元,对所述时差预测序列进行处理,获得频率调整量。
在一种优选地实施例中,所述预测单元,具体执行如下步骤:
设定隐含层结点k的传递函数表达式为:
其中,X=(xi|i=1,2,...,n),n为输入向量维数;Tki为节点K的中心Tk的第i个分量;σk为节点K的高斯分布宽度;||.||表示欧式泛数;
输出层结点响应的输出表示为:
式中,ωk为权值;
将径向基神经网络的训练过程分为两个阶段,第一阶段是决定隐含层神经元的数量,第二结算是使用样本数据根据全局误差最小的原则来获取权值;
根据训练获得的灰色预测误差和灰色模型预测结果,获得时差预测序列。
在一种优选地实施例中,所述计算单元,具体执行如下步骤:
对预测序列做线性拟合,拟合直线的一次项系数a0即频率源相对于参考信号的预测速率。
f(x)=a0*x+a1
预测速率a0的相反数-a0即为被控频率的频率调整量。
根据本申请实施例的第三个方面,提供了一种频率调节系统,该系统包括:如上所述的频率调整量计算模块、相位微跃计和多通道计数器;
所述相位微跃计的第一输入端用于接收备钟的时钟信号,其第二输入端用于接收由频率调整量计算模块计算的频率调整量;
所述多通道计数器的第一输入端用于接收主钟的时钟信号,其第二输入端用于接收相位微跃计的输出信号,其输出端用于向频率调整量计算模块传输钟差信号。
根据本申请实施例的第四个方面,提供了一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上所述方法的步骤。
根据本申请实施例的第五个方面,提供了一种电子设备,包括:存储器,一个或多个处理器;存储器与处理器通过通信总线相连;处理器被配置为执行存储器中的指令;所述存储介质中存储有用于执行如上所述方法中各个步骤的指令。
有益效果
本申请所述技术方案通过备钟频率与主钟频率信号连续比对,将积累的一个月历史时差数据作为训练集,根据灰色模型建立数学模型得到时差预测值,再利用径向基神经网络模型预测灰色模型的预测残差,将预测残差和灰色模型的预测值相加作为最终时差预测结果,最后利用最小二乘线性拟合求解时差预测序列的速率,该速率的相反数即为频率驾驭的调整量,给相位微跃计发送相应的指令,从而修正备钟的频率偏移,完成守时系统备钟的频率驾驭。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,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示出本方案所述时差预测过程的示意图;
图2示出本方案所述频率调节系统的示意图;
图3示出本方案所述频率调整量计算方法的示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。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。
经过对现有技术的分析和研究,本方案意在提供一种基于灰色模型和径向基神经网络组合模型的频率调整量计算方法。通过备钟频率与主钟频率信号连续比对,将积累的一个月历史时差数据作为训练集,根据灰色模型建立数学模型得到时差预测值,再利用径向基神经网络模型预测灰色模型的预测残差,将预测残差和灰色模型的预测值相加作为最终时差预测结果,最后利用最小二乘线性拟合求解时差预测序列的速率,该速率的相反数即为频率驾驭的调整量,给相位微跃计发送相应的指令,从而修正备钟的频率偏移,完成守时系统备钟的频率驾驭。
如图1所示,为本方案所述频率调整量计算方法应用的频率调整系统的示意图。该系统中,备钟2原子钟通过对相位微跃计3的控制,持续锁在主钟1上,保证其频率与主钟1的一致。主/备钟的时差采用多通道计数器4进行测量,频率调整量计算模块5提取历史时差数据,经过数据预处理后,建立数学模型,通过计算备钟2相对于主钟1相位偏差,得到备钟2的频率调整量,从而利用备钟2的相位微跃计3对其进行调整控制。通过设置控制策略,使主/备钟时间偏差指标可以保证。
如图2和图3所示,本方案所述一种基于灰色模型和径向基神经网络组合模型的频率调整量计算方法的示意图。具体地,
本方案中,利用灰色模型原理对历史时差序列建模,具体为
多通道计数器获取主备钟之间的时差序列,为保证模型对实际情况的适应性,至少需要积累一定量的历史数据作为训练集。其预测建模过程如下:
假设主备钟差初始数据为:
X(0)=(x(0)(1),x(0)(2),...,x(0)(n))
(1)
将其进行一次累加,得到序列为:
X(1)=(x(1)(1),x(1)(2),...,x(1)(n))
(2)
初始结果累加后可以弱化数据的随机性,生成x(1)紧邻均值序列z(1),其中:
z(1)=0.5x(1)(k-1)+0.5x(1)(k),k=2,3,...,n (3)
根据灰色理论建立一阶一元微分方程GM(1,1):
a、u分别为发展系统和灰色作用量,只要求出参数a、u,就能求出x(1)(t),进而求出x(0)的预测量。
对累加生成数据作均值生成B与常数项向量Yn
用最小二乘法求解参数a、u,则
将公式(6)代入公式(4)中进行求解,得
于是得到预测值:
从而相应的得到时差预测值:
本方案中,在根据灰色模型原理预先构建的历史时差序列模型的基础上,利用径向基(RBF)网络预测灰色模型预测时差的误差。具体地,
RBF神经网络是一种三层前向网络,具有逼近非线性函数能力强和网络收敛速度快的优点。RBF神经网络输入层到隐含层的变换是非线性的,而隐含层到输出层的变换是线性的。预测模型中径向基函数的选取、中心及权值的确定对学习和训练结果有重要影响,一般采用的RBF函数是高斯分布函数,隐含层结点k的传递函数表达式为:
式中,X=(xi|i=1,2,...,n),n为输入向量维数;Tki为节点K的中心Tk的第i个分量;σk为节点K的高斯分布宽度;||.||表示欧式泛数。
输出层结点相应的输出则可以表示为:
式中,ωk为权值。RBF神经网络的训练过程分为两个阶段,第一步是决定隐含层神经元的数量,第二步是使用样本数据根据全局误差最小的原则来获取权值,以实现最佳的拟合训练效果。
本方案中,在根据灰色理论(GM)得到GM预测误差和GM模型预测结果相加即为下一阶段的时差预测序列的基础上,计算频率调整量。具体地,
对预测序列做线性拟合,拟合直线的一次项系数a0即频率源相对于参考信号的预测速率。
f(x)=a0*x+a1
(12)
预测速率a0的相反数-a0即被控频率的频率调整量。
灰色理论认为表象复杂的数据必然蕴含着某种内在规律,灰色系统模型根据现有的少量钟差信息进行数据挖掘和信息提取,生成具有较强规律性的数据序列,然后建立相应的微分方程模型,从而预测事物未来发展趋势的状况。灰色系统预测模型具有无需大量数据样本,短期预测效果好,运算过程简单的特点,但是其对非线性数据样本预测效果较差,而RBF径向基神经网络具有逼近非线性函数能力强和网络收敛速度快的优点,因此本发明提供一种利用灰色理论和RBF神经网络级联的组合模型,预测被控频率与参考信号之间时差,并利用预测值计算被控频率调整量的频率驾驭方法。
为了进一步配合本方案所述频率调整量计算方法的应用,本方案进一步提供了一种频率调整量计算模块,该模块包括:预测单元和计算单元;预测单元基于根据灰色模型原理预先构建的历史时差序列模型,利用径向基神经网络预测灰色模型,对时差的误差进行预测,获得时差预测序列;计算单元对所述时差预测序列进行处理,获得频率调整量。
此外,本方案所述频率调整量计算方法还可以通过电子设备来实现相应的功能。其中,该设备包括:存储器,一个或多个处理器;存储器与处理器通过通信总线相连;处理器被配置为执行存储器中的指令;所述存储介质中存储有用于执行如上所述频率调整量计算方法中各个步骤的指令。此外,为了方便工作人员使用和操作,也可以进一步为设备配置显示器,以实现人机交互。
另外,本方案所述频率调整量方法还可以通过将方法编写为计算机程序存储计算机可读存储介质中;该程序被处理器执行时实现如上所述频率调整量方法的步骤。
下面通过实例对本方案作进一步说明。
如图2所示,本实施例中所述频率调整量计算方法,通过灰色模型和径向基神经网络模型对历史时差序列建模并预测,将两者结合形成GM-RBF组合预测模型,RBF网络模型预测出GM模型预测值的预测残差,实现对GM模型预测结果的补偿。
建模及预测过程可以在MATLAB环境下中的RBF神经网络工具箱以及编程实现,基于如图1所示的系统,所述频率调整量计算的步骤如下:
1)数据预处理:由于测量环境影响,内部时间比对模块和外部时间比对模块获取的时差序列可能会存在异常值。频率调整量计算方法第一步所述的数据预处理,即对时差序列中异常值的剔除和补足。剔除异常值采用3σ法则,对剔除的异常值补足采用平均值插值法。此外,由于主备钟差数据相差不大,为了减小样本数据的复杂度,对样本数居做一阶差分处理,减少数据的有效数字位数,降低数据的复杂性。将得到的钟差差值数据作为预报模型的基础数据。
2)将已有的钟差数据分为训练集和测试集两部分,训练集用于模型的建立,测试集用于模型性能的验证。时差预测的关键是通过样本数据前N个时刻的值预测出后M个值,为了保证预测模型的可靠性,采用滑动窗的形式把数据分为K个长度为N+M的有一定重叠的数据段,每个数据段可看做一个样本,从而得到K=L-(N+M)+1个样本,本文设定M=1。
3)GM(1,1)预测模型:根据调整量计算方法第二步在Matlab中编程实现灰色模型对钟差差值的预测,灰色模型的输入为训练集Tr,确定N的值,获取GM(1,1)预测模型的钟差差值预测结果,并得到预测残差。
4)RBF预测模型训练:通过MATLAB中的RBF工具箱实现。RBF神经网络的输入为原始钟差差值数据,目标输出,GM预测模型得到的时差预测残差。给定RBF网络的目标误差,当计算出的预测误差大于目标误差时,网络继续循环训练,直到误差小于目标误差则停止训练,为防止网络陷入过拟合状态,设定最大训练次数,即使未达到目标误差也停止训练。
5)网络训练完成后,利用测试样本验证模型性能,RBF预测模型得到的时差预测残差与GM模型得到的结果相加即可得主备时差一阶差分预测结果,然后与相应的钟差值叠加即可得到最终的主备钟差预报值。
6)根据获得的钟差预报值计算相应的频率偏差即可得备钟的调整量。如频率调整量计算方法第一步所述将调整量送入相位微跃计,修正频率信号的偏移。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
这些计算机程序指令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。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种频率调整量计算方法,其特征在于,该方法的步骤包括:
基于根据灰色模型原理预先构建的历史时差序列模型,利用径向基神经网络预测灰色模型,对时差的误差进行预测,获得时差预测序列;
对所述时差预测序列进行处理,获得频率调整量。
2.根据权利要求1所述的频率调整量计算方法,其特征在于,所述历史时差序列模型的构建步骤包括:
对主备钟差初始数据进行一次累加,获得初始结果累加序列
X(1)=(x(1)(1),x(1)(2),...,x(1)(n));
根据初始结果累加序列,生成x(1)紧邻均值序列z(1):
z(1)=0.5x(1)(k-1)+0.5x(1)(k),k=2,3,...,n;
根据灰色理论建立一阶一元微分方程GM(1,1):
a、u分别为发展系统和灰色作用量,只要求出参数a、u,就能求出x(1)(t),进而求出x(0)的预测量;
对累加生成数据作均值生成B与常数项向量Yn
用最小二乘法求解参数a、u,则
根据上述公式进行求解,得
于是得到预测值:
从而相应的得到时差预测值:
4.根据权利要求3所述的频率调整量计算方法,其特征在于,所述对所述时差预测序列进行处理,获得频率调整量的步骤包括:
对预测序列做线性拟合,拟合直线的一次项系数a0即频率源相对于参考信号的预测速率;
f(x)=a0*x+a1
预测速率a0的相反数-a0即为被控频率的频率调整量。
5.一种频率调整量计算模块,其特征在于,该模块包括:
预测单元,基于根据灰色模型原理预先构建的历史时差序列模型,利用径向基神经网络预测灰色模型,对时差的误差进行预测,获得时差预测序列;
计算单元,对所述时差预测序列进行处理,获得频率调整量。
7.根据权利要求5或6所述的频率调整量计算模块,其特征在于,所述计算单元,具体执行如下步骤:
对预测序列做线性拟合,拟合直线的一次项系数a0即频率源相对于参考信号的预测速率:
f(x)=a0*x+a1
预测速率a0的相反数-a0即为被控频率的频率调整量。
8.一种频率调节系统,其特征在于,该系统包括:如权利要求5至7所述的频率调整量计算模块、相位微跃计和多通道计数器;
所述相位微跃计的第一输入端用于接收备钟的时钟信号,其第二输入端用于接收由频率调整量计算模块计算的频率调整量;
所述多通道计数器的第一输入端用于接收主钟的时钟信号,其第二输入端用于接收相位微跃计的输出信号,其输出端用于向频率调整量计算模块传输钟差信号。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4所述方法的步骤。
10.一种电子设备,其特征在于,包括:存储器,一个或多个处理器;存储器与处理器通过通信总线相连;处理器被配置为执行存储器中的指令;所述存储介质中存储有用于执行如权利要求1至4所述方法中各个步骤的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353500.2A CN111143989B (zh) | 2019-12-25 | 2019-12-25 | 频率调整量计算方法、模块、系统、存储介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353500.2A CN111143989B (zh) | 2019-12-25 | 2019-12-25 | 频率调整量计算方法、模块、系统、存储介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111143989A true CN111143989A (zh) | 2020-05-12 |
CN111143989B CN111143989B (zh) | 2023-09-29 |
Family
ID=70519790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911353500.2A Active CN111143989B (zh) | 2019-12-25 | 2019-12-25 | 频率调整量计算方法、模块、系统、存储介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111143989B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724386A (zh) * | 2020-07-30 | 2020-09-29 | 杭州永川科技有限公司 | 多频成像的数据前处理方法及系统、多频成像系统 |
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 |
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 |
CN112506980A (zh) * | 2020-12-22 | 2021-03-16 | 北京明略软件系统有限公司 | 基于推荐场景的流式数据处理控频方法及系统 |
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 |
CN113377003A (zh) * | 2021-06-07 | 2021-09-10 | 北京酷鲨科技有限公司 | 一种铯和氢原子频标的相位调整方法及装置 |
CN113987803A (zh) * | 2021-10-29 | 2022-01-28 | 星汉时空科技(北京)有限公司 | 基于模型修正的频率驾驭方法、装置、设备及存储介质 |
CN115140685A (zh) * | 2022-05-16 | 2022-10-04 | 安徽合力股份有限公司 | 一种叉车数据驱动稳定控制方法 |
CN116050483A (zh) * | 2023-01-10 | 2023-05-02 | 辽宁工程技术大学 | 一种ssa-bp神经网络与灰色模型卫星钟差预报方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080319933A1 (en) * | 2006-12-08 | 2008-12-25 | Medhat Moussa | Architecture, system and method for artificial neural network implementation |
CN107545321A (zh) * | 2017-07-25 | 2018-01-05 | 东南大学 | 一种基于小波变换的arma‑rbf副产煤气发生量组合预测方法 |
CN107703418A (zh) * | 2017-08-30 | 2018-02-16 | 上海交通大学 | 基于多径向基神经网络的局部放电定位误差补偿方法 |
-
2019
- 2019-12-25 CN CN201911353500.2A patent/CN111143989B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080319933A1 (en) * | 2006-12-08 | 2008-12-25 | Medhat Moussa | Architecture, system and method for artificial neural network implementation |
CN107545321A (zh) * | 2017-07-25 | 2018-01-05 | 东南大学 | 一种基于小波变换的arma‑rbf副产煤气发生量组合预测方法 |
CN107703418A (zh) * | 2017-08-30 | 2018-02-16 | 上海交通大学 | 基于多径向基神经网络的局部放电定位误差补偿方法 |
Non-Patent Citations (2)
Title |
---|
杨海峰;程珩;权龙;: "灰色神经元拟合算法在有限元模型修正中的应用" * |
王涛;王洋洋;郭长娜;张继华;: "基于径向基的瓦斯涌出量灰色预测模型" * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111724386A (zh) * | 2020-07-30 | 2020-09-29 | 杭州永川科技有限公司 | 多频成像的数据前处理方法及系统、多频成像系统 |
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 |
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 |
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 |
CN112506980A (zh) * | 2020-12-22 | 2021-03-16 | 北京明略软件系统有限公司 | 基于推荐场景的流式数据处理控频方法及系统 |
CN112506980B (zh) * | 2020-12-22 | 2024-02-23 | 北京明略软件系统有限公司 | 基于推荐场景的流式数据处理控频方法及系统 |
CN113377003A (zh) * | 2021-06-07 | 2021-09-10 | 北京酷鲨科技有限公司 | 一种铯和氢原子频标的相位调整方法及装置 |
CN113987803B (zh) * | 2021-10-29 | 2022-05-13 | 星汉时空科技(北京)有限公司 | 基于模型修正的频率驾驭方法、装置、设备及存储介质 |
CN113987803A (zh) * | 2021-10-29 | 2022-01-28 | 星汉时空科技(北京)有限公司 | 基于模型修正的频率驾驭方法、装置、设备及存储介质 |
CN115140685A (zh) * | 2022-05-16 | 2022-10-04 | 安徽合力股份有限公司 | 一种叉车数据驱动稳定控制方法 |
CN115140685B (zh) * | 2022-05-16 | 2024-02-13 | 安徽合力股份有限公司 | 一种叉车数据驱动稳定控制方法 |
CN116050483A (zh) * | 2023-01-10 | 2023-05-02 | 辽宁工程技术大学 | 一种ssa-bp神经网络与灰色模型卫星钟差预报方法 |
CN116050483B (zh) * | 2023-01-10 | 2024-02-13 | 辽宁工程技术大学 | 一种ssa-bp神经网络与灰色模型卫星钟差预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111143989B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111143989A (zh) | 频率调整量计算方法、模块、系统、存储介质和设备 | |
Zhang et al. | Highly computationally efficient state filter based on the delta operator | |
Ding et al. | Robust fixed-time synchronization for uncertain complex-valued neural networks with discontinuous activation functions | |
CN110490717B (zh) | 基于用户会话及图卷积神经网络的商品推荐方法及系统 | |
Bian et al. | Adaptive dynamic programming and optimal control of nonlinear nonaffine systems | |
Van Hinsbergen et al. | Localized extended kalman filter for scalable real-time traffic state estimation | |
Zhang et al. | An improved long short-term memory model for dam displacement prediction | |
CN109709934B (zh) | 一种飞行控制系统故障诊断冗余设计方法 | |
CN113037577B (zh) | 网络流量预测方法、装置和计算机可读存储介质 | |
CN111245593B (zh) | 一种基于卡尔曼滤波的时间同步方法及装置 | |
EP3800323A1 (en) | Virtual flow meter method and system for monitoring flow of an oil well in an industrial environment | |
Xu et al. | ORION: Online Regularized multI-task regressiON and its application to ensemble forecasting | |
Zeng et al. | Distributed moving horizon state estimation: Simultaneously handling communication delays and data losses | |
Zhang | Further results on stable weighted multiple model adaptive control: Discrete‐time stochastic plant | |
CN111783356A (zh) | 一种基于人工智能的石油产量预测方法和装置 | |
CN115390459B (zh) | 模型预测控制方法及装置 | |
Feng et al. | Sequential fusion filtering for multi‐rate multi‐sensor time‐varying systems–a Krein‐space approach | |
CN109388480A (zh) | 一种处理云资源的方法及装置 | |
Dahiya et al. | Event‐triggered based decentralised control for frequency regulation of power systems | |
Wang et al. | Adaptive backstepping control that is equivalent to tuning functions design | |
Li et al. | Artificial-intelligence-based algorithms in multi-access edge computing for the performance optimization control of a benchmark microgrid | |
Zhu et al. | H∞ fault detection for discrete-time hybrid systems via a descriptor system method | |
Zou et al. | Distributed nonlinear state estimation using adaptive penalty parameters with load characteristics in the Electricity Reliability Council of Texas | |
Zhang et al. | Two triggered information transmission algorithms for distributed moving horizon state estimation | |
Rao et al. | Optimal control of nonlinear system based on deterministic policy gradient with eligibility traces |
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 |