CN111641471B - 一种原子钟信号组合控制中预测的权重设计方法 - Google Patents

一种原子钟信号组合控制中预测的权重设计方法 Download PDF

Info

Publication number
CN111641471B
CN111641471B CN202010467586.8A CN202010467586A CN111641471B CN 111641471 B CN111641471 B CN 111641471B CN 202010467586 A CN202010467586 A CN 202010467586A CN 111641471 B CN111641471 B CN 111641471B
Authority
CN
China
Prior art keywords
atomic
weight
output
matrix
clock
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
Application number
CN202010467586.8A
Other languages
English (en)
Other versions
CN111641471A (zh
Inventor
王玉琢
张爱敏
高源�
张越
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Institute of Metrology
Original Assignee
National Institute of Metrology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Institute of Metrology filed Critical National Institute of Metrology
Priority to CN202010467586.8A priority Critical patent/CN111641471B/zh
Publication of CN111641471A publication Critical patent/CN111641471A/zh
Application granted granted Critical
Publication of CN111641471B publication Critical patent/CN111641471B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04JMULTIPLEX COMMUNICATION
    • H04J3/00Time-division multiplex systems
    • H04J3/02Details
    • H04J3/06Synchronising arrangements
    • H04J3/0635Clock or time synchronisation in a network
    • H04J3/0638Clock or time synchronisation among nodes; Internode synchronisation
    • H04J3/0644External master-clock

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种原子钟信号组合控制中预测的权重设计策略,对于N台原子钟构成的钟组,采集测量得到(N‑1)组原子钟的输出L时间单位的输出序列;通过所述输出序列构建N台原子钟的协方差矩阵;通过所述协方差矩阵求解权重矩阵后利用拉格朗日数乘法对所述权重矩阵求解;通过所述权重值添加正则项约束定义预测值得到最优权重值代入原子钟组合输出信号。本发明通过提出了改进传统方法,并设计实验并传统方法进行比较,实验表明,该方法能有效地降低输出的Allan方差。

Description

一种原子钟信号组合控制中预测的权重设计方法
技术领域
本发明涉及时间频率、系统控制测领域,具体地说,是涉及一种原子钟信号组合控制中预测的权重设计方法。
背景技术
时间是国际上最基本物理量之一,是描绘物体行为的基本量。近些年来,时间准确度的要求达到了纳秒量级,频率的稳定度和准确度在以上。目前时间计量的精度己好于10-14,甚至达到10-14。时钟系综作为一种有效的方法被广泛应用于提高原子时的精度和稳定性。为了计算原子钟的权值,传统的方法假设每个原子钟的噪声时间是独立的,然后推断最优权值与每个原子钟的Allan方差成反比。通过对每个原子钟的Allan方差的倒数进行归一化,可以得到具体的权重值。然而,由于原子钟是由许多光电器件组成的,容易受到温度、湿度、磁场等环境因素的影响,因此输出的频率信号不可避免地存在噪声,具有一定的相关性。因此,急需设计一种原子钟信号组合控制中预测的权重设计方法来解决此类问题。
发明内容
本发明的目的在于提供一种原子钟信号组合控制中预测的权重设计方法,
为实现上述目的,本发明采用的技术方案如下:
本发明包括以下步骤:
A对于N台原子钟构成的钟组,采集测量得到(N-1)组原子钟的输出L时间单位的输出序列;
B通过所述输出序列构建N台原子钟的协方差矩阵;
C通过所述协方差矩阵求解权重矩阵后利用拉格朗日数乘法对所述权重矩阵求解;
D.通过所述权重值添加正则项约束定义预测值得到最优权重值进。
进一步地,在步骤A中将钟差数据进行预处理,检测和剔除原子钟流。
进一步地,通过N台原子钟的协方差矩阵求解权重值的计算公式为
Min σ2=ωT
s.t.ωTX=y
ωTp=1
令:
a=pTC-1p
b=pTC-1XfT
c=fXTC-1XfT
d=yfT
解得:
Figure GDA0003624798390000031
Figure GDA0003624798390000032
ω*=λ1 *C-1p+λ2 *C-1X
其中,σ2为原子钟组合的偏差,X为N*L的矩阵,表示N个原子钟观测时间与L天噪声相关的结果,ω为权重矩阵。
进一步地,所述正则项约束的计算公式为:
Figure GDA0003624798390000033
与现有技术相比,本发明具有以下有益效果:
本发明通过提出了改进传统方法,并设计实验并传统方法进行比较,实验表明,该方法能有效地降低输出的Allan方差。
附图说明
图1为原子钟信号组合控制中预测的权重设计方法示意图;
图2为原子钟信号组合控制中预测的权重设计方法的氢钟仿真对比结果示意图;
具体实施方式
下面结合附图说明和实施例对本发明作进一步说明,本发明的方式包括但不仅限于以下实施例。
如图1所示,本发明包括以下步骤:,实际条件下原子钟输出的信号易受到环境因素的影响,使得其噪声并非相互独立。为了充分检测并利用这种噪声相关性,我们使用原子钟的协方差矩阵来计算所需的权重值。
(1)协方差计算
每个原子钟的L时间单位的输出是一个序列。任何两个原子钟的相关性都可以用两个序列的协方差来表示。这种相关性不仅取决于原子钟本身的噪声特性,还取决于所用的时间长度。不同类型的原子钟在不同时间尺度上的性能是不同的。原子钟的相关性可以用它们之间的协方差矩阵来表示。组合优化模型的目标是约束原子钟组合输出的偏差和方差。偏差是指组合输出与参考时钟之间的相对误差,方差是指组合输出信号的Allan方差。原子钟长度L的序列表示如下:
c=(x1,x2,...xL) (1)
N台原子钟的协方差矩阵表示为:
Figure GDA0003624798390000051
(2)求解最优权重
记σ2为原子钟组合的偏差,X为N*L的矩阵,表示N个原子钟观测时间与L天噪声相关的结果,ω为权重矩阵。优化问题的数学表达式为:
Min σ2=ωTCω (3)
s.t.ωTX=y
ωTp=1
利用拉格朗日数乘法对上式求解可得:
Figure GDA0003624798390000052
最优解的一阶条件是:
Lω=Cω-λ1p-λ2XfT=0 (5)
Figure GDA0003624798390000053
Figure GDA0003624798390000054
令:
a=pTC-1p (8)
b=pTC-1XfT (9)
c=fXTC-1XfT (10)
d=yfT (11)
解得:
Figure GDA0003624798390000061
Figure GDA0003624798390000062
ω*=λ1 *C-1p+λ2 *C-1X (14)
添加正则项约束
由于优化目标的方差是非负的,优化结果在很大程度上取决于权向量的模。加入一个正则化项,并惩罚偏离零的权重向量中的值。
Figure GDA0003624798390000063
是权向量的2范数,I是单位数组,可以表示为:
Figure GDA0003624798390000064
化简为:
Figure GDA0003624798390000065
实验验证
在本实施例子中,使用5个计时氢钟进行实验验证。在这组时钟,clock5的波动率最小,初始Allan方差为1.17×10-15,clock2的波动率最大,为2.57×10-15。表1显示了五个原子钟的相关矩阵。从表中的数据可以看出,各时钟之间的相关性是不可忽略的。新方法与已有算法的比较如下。可见,本文提出的权重优化方法在考虑相关性的情况下,能有效地降低组合Allan偏差。
在本实施例子中,使用的5个计时氢钟对应的频率偏差稳定度(τ=86400s)曲线绘制如图2所示,同时绘制了传统的加权算法与本文提出的算法的组合结果曲线对比,体现了新方法的有效性。
表1为五个原子钟的相关矩阵
Figure GDA0003624798390000071
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。

Claims (2)

1.一种原子钟信号组合控制中预测的权重设计方法,其特征在于,包括以下步骤:
A对于N台原子钟构成的钟组,采集测量得到(N-1)组原子钟的输出L时间单位的输出序列;
B通过所述输出序列构建N台原子钟的协方差矩阵;
C通过所述协方差矩阵求解权重矩阵后利用拉格朗日数乘法对所述权重矩阵求解,通过N台原子钟的协方差矩阵求解权重值的计算公式为
Minσ2=ωT
s.t.ωTX=y
ωTp=1
令:
a=pTC-1p
b=pTC-1XfT
c=fXTC-1XfT
d=yfT
解得:
Figure FDA0003624798380000021
Figure FDA0003624798380000022
ω*=λ1 *C-1p+λ2 *C-1X
其中,λ1λ2为两项约束的待定系数,y为参考信号序列,为原子钟组合的偏差,X为N*L的矩阵,表示N个原子钟观测时间与L天噪声相关的结果,ω为权重矩阵;
D.通过所述权重值添加正则项约束定义预测值得到最优权重值代入原子钟组合输出信号,所述正则项约束的计算公式为:
Figure FDA0003624798380000023
2.根据权利要求1所述一种原子钟信号组合控制中预测的权重设计方法,其特征在于,在步骤A中将钟差数据进行预处理,检测和剔除原子钟流。
CN202010467586.8A 2020-05-28 2020-05-28 一种原子钟信号组合控制中预测的权重设计方法 Active CN111641471B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010467586.8A CN111641471B (zh) 2020-05-28 2020-05-28 一种原子钟信号组合控制中预测的权重设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010467586.8A CN111641471B (zh) 2020-05-28 2020-05-28 一种原子钟信号组合控制中预测的权重设计方法

Publications (2)

Publication Number Publication Date
CN111641471A CN111641471A (zh) 2020-09-08
CN111641471B true CN111641471B (zh) 2022-11-04

Family

ID=72331204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010467586.8A Active CN111641471B (zh) 2020-05-28 2020-05-28 一种原子钟信号组合控制中预测的权重设计方法

Country Status (1)

Country Link
CN (1) CN111641471B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112182864B (zh) * 2020-09-18 2024-04-05 中国科学院国家授时中心 一种基于氢原子钟漂移情况选择钟差预报的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508510A (zh) * 2018-12-20 2019-03-22 国网河南省电力公司焦作供电公司 一种基于改进的卡尔曼滤波的铷原子钟参数估计算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0593243B1 (en) * 1992-10-13 1998-07-08 Timing Solutions Corporation Improved time scale computation system

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508510A (zh) * 2018-12-20 2019-03-22 国网河南省电力公司焦作供电公司 一种基于改进的卡尔曼滤波的铷原子钟参数估计算法

Also Published As

Publication number Publication date
CN111641471A (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
Wang et al. Short-term PV power prediction based on optimized VMD and LSTM
US20180285729A1 (en) Reservoir computing system
Gupta et al. A hybrid partitioned deep learning methodology for moving interface and fluid–structure interaction
CN112414715B (zh) 基于混合特征与改进灰度共生算法的轴承故障诊断方法
CN111641471B (zh) 一种原子钟信号组合控制中预测的权重设计方法
CN111506868B (zh) 一种基于hht权值优化的超短期风速预测方法
Wang et al. The trend-fuzzy-granulation-based adaptive fuzzy cognitive map for long-term time series forecasting
CN114490065A (zh) 一种负载预测方法、装置及设备
CN115659254A (zh) 一种双模态特征融合的配电网电能质量扰动分析方法
Liu et al. An active method of online drift-calibration-sample formation for an electronic nose
US20220245451A1 (en) Deep Neural Network Learning With Controllable Rules
CN114611415A (zh) 一种基于SL-TrellisNets网络的超视距传播损耗预测方法
Basterrech et al. Evolutionary Echo State Network: A neuroevolutionary framework for time series prediction
Yang et al. A neural network learning algorithm of chemical process modeling based on the extended Kalman filter
Springer et al. Robust parameter estimation of chaotic systems
KR20200000660A (ko) 실시간 시계열 데이터를 위한 예측 모형 생성 시스템 및 방법
CN107704944A (zh) 一种基于信息论学习的股市波动区间预测方法
Renotte et al. Neural modeling and control of a heat exchanger based on SPSA techniques
Khan et al. Forecasting renewable energy for environmental resilience through computational intelligence
CN114614797B (zh) 基于广义最大非对称相关熵准则的自适应滤波方法和系统
CN116303786A (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
Wu et al. On maximum likelihood fuzzy neural networks
Cho et al. Identification of nonlinear dynamic systems using higher order diagonal recurrent neural network
KR20210020442A (ko) 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘
CN109116296B (zh) 存在阵列位置误差的多输出支持向量回归机参数估计方法

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
GR01 Patent grant
GR01 Patent grant