CN111162860B - 一种搬运钟时间比对方法和系统 - Google Patents
一种搬运钟时间比对方法和系统 Download PDFInfo
- Publication number
- CN111162860B CN111162860B CN201911353482.8A CN201911353482A CN111162860B CN 111162860 B CN111162860 B CN 111162860B CN 201911353482 A CN201911353482 A CN 201911353482A CN 111162860 B CN111162860 B CN 111162860B
- Authority
- CN
- China
- Prior art keywords
- clock
- time
- carrying
- place
- difference
- 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
Images
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
- H04J3/0644—External master-clock
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本方案提供了一种搬运钟时间比对方法和系统,其中,该方法的步骤包括:在t1时刻,测量搬运钟与第一地点第一时钟的钟差;在t2时刻,测量搬运钟与第二地点第二时钟的钟差;利用基于遗传算法优化的BP神经网络构建的预测模型,在t2时刻,对搬运钟与第一地点第一时钟的钟差进行预测,获得t2时刻,搬运钟与第一地点第一时钟的预测钟差;将t2时刻搬运钟与第二地点第二时钟的钟差,和t2时刻搬运钟与第一地点第一时钟的预测钟差进行比对,获得第一地点第一时钟与第二地点第二时钟的时间比对结果。
Description
技术领域
本申请涉及时间比对领域,特别涉及一种用于箱式搬运钟两地时间比对系统的,基于遗传算法优化BP神经网络(Back Propagation Neuron NetWok)的时间比对方法和系统。
背景技术
箱式搬运钟时间比对系统主要利用搬运钟时间同步来实现两地时间同步比对,可有效消除其他远距离时间同步技术中由传播路径引起的误差。搬运钟时间比对是以搬运钟为媒介,对A、B两台钟的时间进行比对。在开始时刻和结束时刻,将搬运钟与其中一台原子钟进行比对,使用预测模型预测搬运钟与这台原子钟在中间时刻的时差,与中间时刻测量的搬运钟与另一台钟的钟差进行比较,得到A、B两钟的钟差。
搬运钟时间比对算法,其关键在于利用历史时差数据合理建模预测下一阶段的时差。传统的搬运中时间比对系统中时间比对方法中,通常采用最小二乘拟合模型进行预测。最小二乘拟合模型对样本数量要求大量采集,还要事先确定样本的多项式次数,再利用历史数据拟合得到各次项的系数作外推计算下一时刻的时差。这种方法的自适应能力低,将导致预报误差随时间的增长而增大。
发明内容
本申请提供了一种用于箱式搬运钟两地时间比对系统的,基于遗传算法优化BP神经网络的时间比对方法和系统。
根据本申请实施例的第一个方面,提供了一种搬运钟时间比对方法,该方法的步骤包括:
在t1时刻,测量搬运钟与第一地点第一时钟的钟差;
在t2时刻,测量搬运钟与第二地点第二时钟的钟差;
利用基于遗传算法优化的BP神经网络和在t1时刻,测量搬运钟与第一地点第一时钟的钟差的历史数据构建的预测模型,在t2时刻,对搬运钟与第一地点第一时钟的钟差进行预测,获得t2时刻,搬运钟与第一地点第一时钟的预测钟差;
将t2时刻搬运钟与第二地点第二时钟的钟差,和t2时刻搬运钟与第一地点第一时钟的预测钟差进行比对,获得第一地点第一时钟与第二地点第二时钟的时间比对结果。
在一种优选地实施例中,所述基于遗传算法优化的BP神经网络构建的预测模型的构建步骤包括:
1)确定BP神经网络的网络结构包括输入层、隐含层和输出层的神经元个数,建立网络结构;
2)把BP神经网络的权值和阈值按照顺序级联起来,即:输入隐含层权值、隐含阈值、隐含输出层权值、输出阈值4个基因随机产生K个染色体;
3)将均方误差函数作为适应度函数,进一步计算每个染色体的适应度,并判断是否符合优化的标准,若符合跳到步骤5);
4)选择满足适应度要求的个体,进行应用选择、交叉和变异产生新的个体;
5)查看产生的新个体是否满足最优个体的标准,若满足继续下一步骤,不满足,将返回步骤3);
6)将优化后的参数,分别作为BP神经网络的权值和阈值;
7)BP神经网络进行前向传播,计算全局误差,调整网络的参数(权值和阈值),重复进行学习训练,当达到要求的精度或者达到学习上限次数,则结束网络训练;
9)完成基于遗传算法优化的BP神经网络模型的构建,并利用其预测钟差数据。
在一种优选地实施例中,在构建基于遗传算法优化的BP神经网络构建的预测模型的步骤之前还包括:
对历史时差数据中异常值进行剔除和补足处理。
根据本申请实施例的第二个方面,提供了一种搬运钟时间比对系统,该系统包括:
原子钟组,用于提供时间数据;
时间间隔计数器,在t1时刻,测量搬运钟与第一地点第一时钟的钟差;在 t2时刻,测量搬运钟与第二地点第二时钟的钟差;
数据处理单元,利用基于遗传算法优化的BP神经网络构建的预测模型,在t2时刻,对搬运钟与第一地点第一时钟的钟差进行预测,获得t2时刻,搬运钟与第一地点第一时钟的预测钟差;将t2时刻搬运钟与第二地点第二时钟的钟差,和t2时刻搬运钟与第一地点第一时钟的预测钟差进行比对,获得第一地点第一时钟与第二地点第二时钟的时间比对结果。
在一种优选地实施例中,所述原子钟组包括:一台铯钟和两台驯服铷钟。
在一种优选地实施例中,该系统还包括:用于为原子供电的供电电源。
在一种优选地实施例中,该系统还包括:与数据处理单元连接的温湿度仪。
在一种优选地实施例中,该系统设置在防震箱体内。
在一种优选地实施例中,所述防震箱体底部设有多个耐磨轮。
在一种优选地实施例中,该系统还包括交换机,所述交换机分别与原子钟组、时间间隔计数器和数据处理单元,所述数据采集单元通过交换机采集各设备性能指标和时差数据。
有益效果
本申请所述技术方案利用遗传算法优化的BP神经网络构建预测模型对异地钟差进行预测,从而提高搬运钟时间比对的精度,提高系统的自适应性。
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示出本方案所述搬运钟时间比对系统置于防震箱内的示意图;
图2示出本方案所述搬运钟时间比对系统的示意图;
图3示出本方案所述基于遗传算法优化的BP神经网络构建预测模型的示意图
图4示出本方所述搬运钟时间比对方法的示意图。
附图标号
1.UPS供电电源,2.铯钟,3.北斗/GPS驯服铷原子频标,4.北斗/GPS驯服铷原子频标,5.多通道时间间隔计数器,6.温湿度计,7.数据采集计算机。
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。
经过对现有技术的研究和分析,本方案意在提供一种基于遗传算法优化 BP神经网络的搬运钟时间比对方法。箱式搬运钟时间比对系统主要利用搬运钟时间同步来实现两地时间同步比对,可有效消除其他远距离时间同步技术中由传播路径引起的误差。搬运钟时间比对是以搬运钟为媒介,对A、B两台钟的时间进行比对。在开始时刻和结束时刻,将搬运钟与其中一台原子钟进行比对,建立遗传算法优化BP神经网络预测模型预测搬运钟与这台原子钟在中间时刻的时差,再与中间时刻测量的搬运钟与另一台钟的钟差进行比较,得到A、 B两钟的钟差,完成两地时间比对。
本方案所述搬运钟时间比对方法,适用于两地都是铯钟的时间比对场景。比对的过程为:如图4所示,在t1时刻测量搬运钟与A钟的钟差,然后将钟搬到B钟所在地,在t2时刻测量搬运钟与B钟的钟差,完成搬运过程。t2时刻搬运钟与A钟的钟差通过对历史数据建立预测模型预测得到,t2时刻预测的搬运钟与A钟的钟差数据和t2时刻测量搬运钟与B钟的钟差相减,得到A钟和 B钟的时间比对结果。
本方案中,如图1所示,所述搬运钟时间比对系统,包括:原子钟组、时间间隔计数器5和数据处理单元(例如数据采集计算机7)组成。其中钟组由一台铯钟2、两台驯服铷钟3,4组成。钟组以铯钟2为主钟,三台钟形成互比,通过多通道时间间隔计数器5测量三台钟之间的时间间隔来监测主钟2的指标,进而确定系统的可靠性,多通道时间间隔计数5器还用来测量搬运钟2与被校守时钟组之间的时间间隔。数据采集计算机7进行数据采集、分析和存储时间比对数据。
本方案优选地通过交换机连接系统中的三台钟、数据采集计算机、多通道时间间隔计数器、UPS供电电源,通过数据采集计算机上部署的软件采集各设备性能指标和时差数据。
箱式搬运钟时间比对系统由一台UPS供电电源1进行供电,根据搬运过程需要为铯钟2供电。机柜底部设计4个超静音高耐磨轮,便于方箱的移动,同时底部设计固定装置,可以在测试时对方箱进行固定。箱体内部采用防震设计,温湿度仪6实时采集温湿度,并可以显示箱内温湿度。
本方案中,搬运的过程如下:设:搬运钟设备clocko,A钟为clocka,B钟为clockb
1)在t1时刻测量搬运钟与A钟的钟差(clocko-clocka)t1,
2)然后将钟搬到B钟所在地,在t2时刻测量搬运钟与B钟的钟差 (clocko-clockb)t2。
本方案中,利用遗传算法优化BP神经网络对历史时差序列建立预测模型的具体步骤如下:
遗传算法优化BP神经网络的训练过程主要包括:建立BP神经网络结构、对历史时差数据用遗传算法优化权值和阈值赋予BP神经网络的以及优化后的BP神经网络预测时差三个部分,训练流程图如图3所示。基于遗传算法优化的BP神经网络流程如下:
1)建立网络结构。确定BP神经网络的网络结构包括输入层、隐含层和输出层的神经元个数;
2)把BP神经网络的权值和阈值按照顺序级联起来,即:输入隐含层权值、隐含阈值、隐含输出层权值、输出阈值4个基因随机产生K个染色体;
3)将均方误差函数作为适应度函数,进一步计算每个染色体的适应度,并判断是否符合优化的标准,若符合跳到步骤5);
4)选择满足适应度要求的个体,进行应用选择、交叉和变异产生新的个体;
5)查看产生的新个体是否满足最优个体的标准,若满足继续下一步骤,不满足,将返回步骤3);
6)将优化后的参数,分别作为BP神经网络的权值和阈值;
7)BP神经网络进行前向传播,计算全局误差,调整网络的参数(权值和阈值),重复进行学习训练,当达到要求的精度或者达到学习上限次数,则结束网络训练;
9)使用遗传算法优化后的BP神经网络预测钟差数据。
本方案中,基于上述模型计算时间比对结果,具体如下,
利用上述预测的t2时刻搬运钟与A钟的钟差数据和t2时刻测量搬运钟与B 钟的钟差相减,得到A钟和B钟的时间比对结果。
综上所述,本方案通过利用遗传算法优化的BP神经网络原理进行预测时差,实现搬运钟时间比对。BP神经网络是基于梯度的最速下降法,有一定的缺陷:学习过程收敛速度比较慢,网络训练易陷入局部极小值,网络结构不容易确定,导致其应用性不强。遗传算法是一种模拟生物在自然界中的遗传机制和进化过程而形成的自适应全局搜索最优解的算法,具有良好的并行性、鲁棒性以及全局最优性,能够优化输入BP神经网络的初始权重和阈值,提高了 BP神经网络的稳定性。因此,遗传算法优化的BP神经网络,充分利用了BP 神经网络的学习能力和遗传算法的全局搜索能力。
下面通过实例对本方案作进一步说明。
本实施例提供了一种基于遗传算法优化BP神经网络的搬运钟时间比对方法为:在t1时刻测量搬运钟与A钟的钟差,然后将钟搬到B钟所在地,在t2时刻测量搬运钟与B钟的钟差,完成搬运过程。t2时刻搬运钟与A钟的钟差,通过对历史数据预测得到,t2时刻预测的搬运钟与A钟的钟差数据和t2时刻测量搬运钟与B钟的钟差相减,得到A钟和B钟的时间比对结果。该方法具体的实施方式如下:
根据设计要求组建箱式搬运钟时间比对系统,系统机柜图和系统连接框图分别如图1和图2所示。然后完成搬运过程:使用多通道时间间隔计数器测量 t1时刻测量搬运钟与A钟的钟差(clocko-clocka)t1和t2时刻测量搬运钟与B钟的钟差(clocko-clockb)t2。
由于测量环境影响,多通道时间间隔计数器测得的时差数据可能会存在异常值。在建立遗传算法优化BP神经网络预测模型之前先对时差数据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。对于训练集的时差序列T={(x1,y1),…,(xi,yi)}∈(X,Y)l,对异常值的处理步骤如下:
首先,计算训练集T中所有时差{y1,…,yi}∈Yl的均值
其次,计算训练集T中所有时差{y1,…,yi}∈Yl的方差σ2;
再次,判断训练集T中的时差{y1,…,yi}∈Yl是否在3σ控制线以内。若则yi为异常值,剔除之。
最后,用异常值前后两个正常值的均值补足剔除的异常值。
完成数据预处理后,第三步利用遗传算法优化BP神经网络对历史时差序列建模并预测是其中的关键技术。建模及预测过程在matlab环境下编程实现,步骤如下:
(1)将时差数据的日期序列进行数字化,把日期格式转化成儒略日。
(2)建立网络结构。使用Load函数读取转化后的时差数据,确定网络的输入节点incutnum、隐含节点hiddennum和输出节点outcutnum。输入量为经过预处理后的训练集T;输出量为下一阶段的时差预报值,称其为测试集。这里t1把时刻的时数据(clocko-clocka)t1作为训练集,对t2时刻的 (clocko-clocka)t2时差数据进行预测。对样本输入和输出数据归一化之后构建网络结构:net=newff(incutn,outcutn,hiddennum)。
(3)遗传算法参数优化。初始化迭代次数、种群规模、交叉概率、变异概率,将输入隐含层权值、隐含阈值、隐含输出层权值、输出阈值4个基因组成一条染色体,计算最好的染色体的最好适应度bestiftness和平均适应度计算适应度avgfitness。然后迭代求解最佳初始权值和阈值:通过选择select()、交叉cross()、变异Mutatin()、计算适应度。
(4)把最优初始权值阈值赋予网络预测。将最优个体进行顺序拆分,分别作为BP神经网络的权值和阈值;
(5)利用优化完成的BP神经网络预测钟差。把要预测的时间序列t2输入到遗传算法优化的B神经网络模型中,计算t2时刻的时差数据(clocko-clocka)t2。
N=length(outcut_test);//输入预测的时间长度
R2=(N*sum(test_simu.*outcut_test)-sum(test_simu)*sum(outcut_test))^2/((N*sum((test_simu).^2)-(sum(test_simu))^2)*(N* sum((outcut_test).^2)-(sum(outcut_test))^2));//预测钟差
最后,用t2时刻预测的搬运钟与A钟的钟差数据和t2时刻测量搬运钟与B 钟的钟差相减,得到A钟和B钟的时间比对结果(clockb-clocka),完成时间比对。如公式(3)
(clock0-clocka)t2-(clock0-clockb)t2=(clock_b-clock_a)t2 (3)
综上所述,本方案基于遗传算法优化BP神经网络建立预测模型,能够有效解决传统时间比对方法自适应性差的问题。
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 (8)
1.一种搬运钟时间比对方法,其特征在于,该方法的步骤包括:
在t1时刻,测量搬运钟与第一地点第一时钟的钟差;
在t2时刻,测量搬运钟与第二地点第二时钟的钟差;
对历史时差数据中异常值进行剔除和补足处理,其中,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;
利用基于遗传算法优化的BP神经网络和在t1时刻,测量搬运钟与第一地点第一时钟的钟差的历史数据构建的预测模型,在t2时刻,对搬运钟与第一地点第一时钟的钟差进行预测,获得t2时刻,搬运钟与第一地点第一时钟的预测钟差;
将t2时刻搬运钟与第二地点第二时钟的钟差,和t2时刻搬运钟与第一地点第一时钟的预测钟差进行比对,获得第一地点第一时钟与第二地点第二时钟的时间比对结果;
所述基于遗传算法优化的BP神经网络构建的预测模型的构建步骤包括:
1)确定BP神经网络的网络结构包括输入层、隐含层和输出层的神经元个数,建立网络结构;
2)把BP神经网络的权值和阈值按照顺序级联起来,即:输入隐含层权值、隐含阈值、隐含输出层权值、输出阈值4个基因随机产生K个染色体;
3)将均方误差函数作为适应度函数,进一步计算每个染色体的适应度,并判断是否符合优化的标准,若符合跳到步骤5);
4)选择满足适应度要求的个体,进行应用选择、交叉和变异产生新的个体;
5)查看产生的新个体是否满足最优个体的标准,若满足继续下一步骤,不满足,将返回步骤3);
6)将优化后的参数,分别作为BP神经网络的权值和阈值;
7)BP神经网络进行前向传播,计算全局误差,调整网络的参数,所述网络的参数包括权值和阈值,重复进行学习训练,当达到要求的精度或者达到学习上限次数,则结束网络训练;
9)完成基于遗传算法优化的BP神经网络模型的构建,并利用其预测钟差数据。
2.一种搬运钟时间比对系统,其特征在于,该系统包括:
原子钟组,用于提供时间数据;
时间间隔计数器,在t1时刻,测量搬运钟与第一地点第一时钟的钟差;在t2时刻,测量搬运钟与第二地点第二时钟的钟差;
数据处理单元,对历史时差数据中异常值进行剔除和补足处理,其中,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;利用基于遗传算法优化的BP神经网络构建的预测模型,在t2时刻,对搬运钟与第一地点第一时钟的钟差进行预测,获得t2时刻,搬运钟与第一地点第一时钟的预测钟差;将t2时刻搬运钟与第二地点第二时钟的钟差,和t2时刻搬运钟与第一地点第一时钟的预测钟差进行比对,获得第一地点第一时钟与第二地点第二时钟的时间比对结果。
3.根据权利要求2所述的搬运钟时间比对系统,其特征在于,所述原子钟组包括:一台铯钟和两台驯服铷钟。
4.根据权利要求2所述的搬运钟时间比对系统,其特征在于,该系统还包括:用于为原子供电的供电电源。
5.根据权利要求2所述的搬运钟时间比对系统,其特征在于,该系统还包括:与数据处理单元连接的温湿度仪。
6.根据权利要求2所述的搬运钟时间比对系统,其特征在于,该系统设置在防震箱体内。
7.根据权利要求6所述的搬运钟时间比对系统,其特征在于,所述防震箱体底部设有多个耐磨轮。
8.根据权利要求2所述的搬运钟时间比对系统,其特征在于,该系统还包括:交换机,所述交换机分别与原子钟组、时间间隔计数器和数据处理单元,所述数据采集单元通过交换机采集各设备性能指标和时差数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353482.8A CN111162860B (zh) | 2019-12-25 | 2019-12-25 | 一种搬运钟时间比对方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353482.8A CN111162860B (zh) | 2019-12-25 | 2019-12-25 | 一种搬运钟时间比对方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111162860A CN111162860A (zh) | 2020-05-15 |
CN111162860B true CN111162860B (zh) | 2023-05-09 |
Family
ID=70558004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911353482.8A Active CN111162860B (zh) | 2019-12-25 | 2019-12-25 | 一种搬运钟时间比对方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111162860B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115134903B (zh) * | 2022-06-27 | 2023-11-10 | 国网青海省电力公司信息通信公司 | 时钟驯服方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679989A (zh) * | 2015-01-27 | 2015-06-03 | 北京工业大学 | 一种基于改进型bp神经网络的氢原子钟钟差预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104238352B (zh) * | 2014-09-24 | 2017-07-21 | 北京市计量检测科学研究院 | 一种国家基准驾驭的地方时间标准生成系统及方法 |
-
2019
- 2019-12-25 CN CN201911353482.8A patent/CN111162860B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679989A (zh) * | 2015-01-27 | 2015-06-03 | 北京工业大学 | 一种基于改进型bp神经网络的氢原子钟钟差预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111162860A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11887019B2 (en) | Geological formation permeability prediction system | |
CN106549772B (zh) | 资源预测方法、系统和容量管理装置 | |
Alamaniotis et al. | Evolutionary multiobjective optimization of kernel-based very-short-term load forecasting | |
US20220027738A1 (en) | Distributed synchronous training architecture using stale weights | |
US20170330085A1 (en) | Information processing device, information processing method, recording medium, and program | |
CN110633859B (zh) | 一种两阶段分解集成的水文序列预测方法 | |
CN109711617A (zh) | 一种基于blstm深度学习的中长期径流预测方法 | |
CN110349597A (zh) | 一种语音检测方法及装置 | |
Lee et al. | Dynamic BIM component recommendation method based on probabilistic matrix factorization and grey model | |
CN109637580A (zh) | 一种蛋白质氨基酸关联矩阵预测方法 | |
CN104598705B (zh) | 用于识别地下物质层的方法和装置 | |
CN111162860B (zh) | 一种搬运钟时间比对方法和系统 | |
CN111985631B (zh) | 信息处理设备、信息处理方法及计算机可读记录介质 | |
CN114860542A (zh) | 趋势预测模型的优化方法、优化装置、电子设备和介质 | |
CN109598052A (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN116107279A (zh) | 基于注意力深度神经网络的流程工业能耗多目标优化方法 | |
CN117043778A (zh) | 生成数字电路设计的经学习的表示 | |
KR20210065790A (ko) | 기술적 지표 및 감성 지표를 기반으로 하는 테마주 주가 예측 장치 및 방법 | |
CN117940931A (zh) | 用于对芯片进行布局的方法、设备、介质以及程序产品 | |
US11989656B2 (en) | Search space exploration for deep learning | |
Mendiburu et al. | Parallel EDAs to create multivariate calibration models for quantitative chemical applications | |
CN114969209B (zh) | 训练方法及装置、预测资源消耗量的方法及装置 | |
CN109785818A (zh) | 一种基于深度学习的音乐编曲方法和系统 | |
CN111738407B (zh) | 一种基于深度学习的钟差预测方法、装置、介质及终端 | |
Parveen et al. | G-EMME/2: Automatic calibration tool of the EMME/2 transit assignment using genetic algorithms |
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 |