CN116567800B - 时间校准方法、调整模型训练方法及电子设备 - Google Patents
时间校准方法、调整模型训练方法及电子设备 Download PDFInfo
- Publication number
- CN116567800B CN116567800B CN202310793080.XA CN202310793080A CN116567800B CN 116567800 B CN116567800 B CN 116567800B CN 202310793080 A CN202310793080 A CN 202310793080A CN 116567800 B CN116567800 B CN 116567800B
- Authority
- CN
- China
- Prior art keywords
- training
- time
- environment information
- adjustment
- initial
- 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
- 238000012549 training Methods 0.000 title claims abstract description 417
- 238000000034 method Methods 0.000 title claims abstract description 122
- 238000012545 processing Methods 0.000 claims abstract description 68
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims description 125
- 238000002372 labelling Methods 0.000 claims description 92
- 238000004590 computer program Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 43
- 230000005540 biological transmission Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000001537 neural effect Effects 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008859 change Effects 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
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W56/00—Synchronisation arrangements
- H04W56/001—Synchronization between nodes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Electric Clocks (AREA)
Abstract
本申请适用于人工智能技术领域,提供了时间校准方法、调整模型训练方法及电子设备,时间校准方法包括:获取接收环境信息,接收环境信息用于表征接收初始授时时间的环境状况,初始授时时间是基于无线方式接收得到;利用调整模型,对初始授时时间和接收环境信息进行处理,以得到校准时间,调整模型是训练得到的机器学习模型。基于本申请的技术方法,能够提高授时结果得的准确度。
Description
技术领域
本申请属于人工智能技术领域,尤其涉及时间校准方法、调整模型训练方法及电子设备。
背景技术
授时是指传递时间信息,严格来说就是将某一标准时间信号传递给需要时间信息的设备,以使得整个系统的时间同步。在当前通信网络规模不断扩大的时代,通讯设备类型日益趋多,不同类型的通讯产品要求能在同一个网管平台上做到统一管理的需求不断增加。
随着技术的发展,无线电授时、网络授时和卫星授时逐渐走进我们的生活。但是,通过无线传输授时信息的授时方式容易受到气候及电磁环境变化等因素的影响,不可避免地导致误差偏大、时滞等问题,影响了授时结果的准确度。
发明内容
本申请实施例提供了时间校准方法及装置、调整模型训练方法及装置、电子设备、计算机可读存储介质,可以提高授时结果的可靠性和精度。
第一方面,本申请实施例提供了一种时间校准方法,包括:
获取接收环境信息,所述接收环境信息用于表征接收初始授时时间的环境状况,所述初始授时时间是基于无线方式接收得到;利用调整模型,对所述初始授时时间和所述接收环境信息进行处理,以得到校准时间,所述调整模型是训练得到的机器学习模型;所述调整模型基于训练数据对初始调整模型进行训练得到,所述训练数据包括训练样本和标注标签,所述训练包括:利用所述初始调整模型对将所述训练样本进行处理,以得到训练标签;根据所述训练标签与所述标注标签之间的训练差异,调整所述初始调整模型的参数,以最小化所述训练差异,所述调整模型是参数调整后的初始调整模型;所述训练样本包括训练环境信息和训练授时时间,所述标注标签为标注校准时间,所述训练环境信息用于表征接收所述训练授时时间的环境状况,所述训练授时时间是基于无线方式接收得到;或者,所述训练样本为训练环境信息,所述标注标签为标注调整参数,所述标注调整参数用于对所述训练授时时间进行调整以校准时间。
在第一方面的一种可能的实现方式中,在所述训练样本包括训练环境信息和训练授时时间,所述标注标签为标注校准时间的情况下,所述训练还包括:获取验证数据,所述验证数据包括验证环境信息、验证授时时间和验证校准时间,所述验证环境信息用于表征接收所述验证授时时间的环境状况,所述验证授时时间是基于无线方式接收得到;利用所述参数调整后的初始调整模型对所述验证环境信息和所述验证授时时间进行处理,以得到输出校准时间;在所述输出校准时间和所述验证校准时间之间的验证差异小于预设差异的情况下,将所述参数调整后的初始调整模型作为所述调整模型。
在第一方面的一种可能的实现方式中,在所述训练样本为训练环境信息,所述标注标签为标注调整参数的情况下,所述利用调整模型,对所述初始授时时间和所述接收环境信息进行处理,包括:利用所述调整模型处理所述接收环境信息,以得到调整参数;按照所述调整参数对所述初始授时时间进行调整,以得到所述校准时间。
在第一方面的一种可能的实现方式中,所述训练环境信息是历史数据。
在第一方面的一种可能的实现方式中,所述接收环境信息包括所述初始授时时间的信号质量参数。
在第一方面的一种可能的实现方式中,所述初始授时时间是从卫星接收得到。
第二方面,本申请实施例提供了一种调整模型训练方法,包括:获取训练数据,所述训练数据包括训练样本和标注标签;利用初始调整模型对将所述训练样本进行处理,以得到训练标签;根据所述训练标签与所述标注标签之间的训练差异,调整所述初始调整模型的参数,以最小化所述训练差异,得到调整模型;所述训练样本包括训练环境信息和训练授时时间,所述标注标签为标注校准时间,所述训练环境信息用于表征接收所述训练授时时间的环境状况,所述训练授时时间是基于无线方式接收得到;或者,所述训练样本为训练环境信息,所述标注标签为标注调整参数,所述标注调整参数用于对所述训练授时时间进行调整以校准时间;所述调整模型是参数调整后的初始调整模型,所述调整模型用于对初始授时时间和接收环境信息的处理,所述处理用于得到校准时间,所述接收环境信息用于表征接收所述初始授时时间的环境状况,所述初始授时时间是基于无线方式接收得到。
第三方面,本申请实施例提供了一种调整模型训练方法,包括:获取训练数据,所述训练数据包括训练环境信息、训练授时时间和标注校准时间,所述训练环境信息用于表征接收所述训练授时时间的环境状态,所述训练授时时间是基于无线方式接收得到;利用所述初始调整模型对将所述训练环境信息和所述训练授时时间进行处理,以得到训练校准时间;根据所述训练校准时间与所述标注校准时间之间的训练差异,调整所述初始调整模型的参数,以最小化所述训练差异,得到调整模型,所述调整模型是参数调整后的初始调整模型,所述调整模型用于对初始授时时间和接收环境信息进行处理,以得到校准时间,所述接收环境信息用于表征接收所述初始授时时间的环境状况,所述初始授时时间是基于无线方式接收得到。
第四方面,本申请实施例提供了一种调整模型训练方法,包括:获取训练数据,所述训练数据包括训练环境信息和标注调整参数,所述训练环境信息用于表征接收训练授时时间的环境状况,所述标注调整参数用于对所述训练授时时间进行调整以校准时间,所述训练授时时间是基于无线方式接收得到;利用所述初始调整模型对所述训练环境信息进行处理,以得到训练调整参数;根据所述训练调整参数与所述标注调整参数之间的训练差异,调整所述初始调整模型的参数,以最小化所述训练差异,所述调整模型是参数调整后的初始调整模型。
第五方面,本申请实施例提供了一种处理装置,包括用于执行第一方面至第四方面中的任一项可能的实现方式的方法中各个步骤的单元。
第六方面,本申请实施例提供了一种电子设备,包括:存储器和至少一个处理器,存储器中存储有计算机程序,所述处理器用于执行所述计算机程序以实现第一方面至第四方面中的任一项可能的实现方式的方法。
第七方面,本申请实施例提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现第一方面至第四方面中的任一项可能的实现方式的方法。
第八方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面至第四方面中的任一项可能的实现方式的方法。
本申请实施例与现有技术相比存在的有益效果是:利用训练得到的调整模型,对初始授时时间和接收环境信息进行处理,得到校准时间,接收环境信息表示接收初始授时信息时间的环境状况,在确定校准时间的过程中综合考虑了环境因素对初始授时信息传输的影响,使得时间校准结果及最终的授时结果更为准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1是本申请实施例提供的系统示意图;
图2是本申请实施例提供的一种时间校准方法的示意性流程图;
图3是本申请实施例提供的一种授时系统的示意性结构图;
图4是本身申请实施例提供的一种调整模型训练方法的示意性流程图;
图5是本身申请实施例提供的另一种调整模型训练方法的示意性流程图;
图6是本申请实施例提供的处理装置的结构示意图;
图7是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例提供的时间校准方法、调整模型训练方法可以应用于终端设备、服务器或其他电子设备。终端设备可以是手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personaldigital assistant,PDA)等。本申请实施例对终端设备的具体类型不作任何限制。
例如,所述终端设备还可以是WLAN中的站点(STAION,ST),可以是蜂窝电话、无绳电话、会话启动协议(Session InitiationProtocol,SIP)电话、无线本地环路(WirelessLocal Loop,WLL)站、个人数字处理(Personal Digital Assistant,PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、车联网终端、电脑、膝上型计算机、手持式通信设备、手持式计算设备、卫星无线设备、无线调制解调器卡、电视机顶盒(set top box,STB)、用户驻地设备(customer premise equipment,CPE)和/或用于在无线系统上进行通信的其它设备以及下一代通信系统,例如,5G网络中的移动终端或者未来演进的公共陆地移动网络(Public Land Mobile Network,PLMN)网络中的移动终端等。
授时是指传递时间信息,严格来说就是将某一标准时间信号传递给需要时间信息的设备,以使得整个系统的时间同步。在当前通信网络规模不断扩大的时代,通讯设备类型日益趋多,不同类型的通讯产品要求能在同一个网管平台上做到统一管理的需求不断增加。特别是在航天、电力、金融交易、战场调度、公共交通以及移动通信活动中,高精度授时非常重要。
随着技术的发展,无线电授时、网络授时和卫星授时逐渐走进我们的生活。卫星授时具有较高的精度,广泛应用于现代通信系统、导航系统和精密测量系统中。
请参阅图1,图1是本申请实施例提供的一种系统示意图。该系统包括:卫星110、终端设备121至123。卫星110发送授时信息,终端设备121至123根据接收的授时信息进行时间更新。终端设备121至123还可以将更新后的时间发送至其他设备。
但是,无线的授时方式容易受到气候及电磁环境变化等因素的影响,不可避免地导致误差偏大、时滞等问题,影响了授时结果的可靠性和精度。
为了解决上述问题,本申请实施例提供一种时间校准方法,能够无线授时方式的授时结果可靠性和精度。
图2是本申请实施例提供的一种时间校准方法的示意性流程图。其中,时间校准方法可以包括步骤S210至步骤S220,下面分别对这些步骤进行详细的描述。
步骤S210,获取接收环境信息,所述接收环境信息用于表征接收初始授时时间的环境状况,所述初始授时时间是基于无线方式接收得到。
初始授时时间可以是通过无线电授时或卫星授时的方式传输的。
无线电授时方式分为长波、短波和低频时码等。长波是频率在30千赫兹-300千赫兹、波长在1千米至10千米的无线电波,其可通过地波(大地传导)和天波(电离层反射)传播。短波是波长在10米至100米的无线电波,也可通过地波和天波传播,其传播距离可达几万公里。低频时码授时系统通常是指工作频率在30千赫兹-300千赫兹的一类特殊的长波授时系统,利用微电子技术,具有传输稳定、覆盖范围广泛的特性。
卫星授时是一种利用人造卫星发播标准时间信息的授时方式。也就是说,初始授时时间可以是卫星发送的,即可以是从卫星接收得到。
接收环境信息包括反映初始授时时间的接收环境对初始授时效果影响的至少一个参数。该至少一个参数可以包括温度、湿度、气压等表示气候的气候参数,也可以包括电场分布、磁场分布等表示电磁环境的电磁参数,还可以包括初始授时时间的信号质量参数。信号质量参数可以包括信号强度、信噪比、眼图、信号变化时间信息中的一个或多个信号参数。
气候参数和电磁参数能够反映初始授时时间在传输过程中气候及电磁环境的情况,反映气候环境和电磁环境对初始授时时间的传输的影响。而信号质量参数可以反映初始授时时间被气候环境和电磁环境的影响情况。
在后续步骤进行调整参数确定的过程中,考虑信号质量参数的影响因素,使得确定的调整参数更加准确。
步骤S220,利用调整模型,对所述初始授时时间和所述接收环境信息进行处理,以得到校准时间,所述调整模型是训练得到的机器学习模型。
所述调整模型基于训练数据对初始调整模型进行训练得到,所述训练数据包括训练样本和标注标签,所述训练包括:利用所述初始调整模型对将所述训练样本进行处理,以得到训练标签;根据所述训练标签与所述标注标签之间的训练差异,调整所述初始调整模型的参数,以最小化所述训练差异,所述调整模型是参数调整后的初始调整模型。
所述训练样本包括训练环境信息和训练授时时间,所述标注标签为标注校准时间,所述训练环境信息用于表征接收所述训练授时时间的环境状况,所述训练授时时间是基于无线方式接收得到;或者,所述训练样本为训练环境信息,所述标注标签为标注调整参数,所述标注调整参数用于对所述训练授时时间进行调整以校准时间。
机器学习专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
机器学习是人工智能的核心。人工智能(artificial intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
机器学习模型可以是支持向量机(support vector machine, SVM)、随机森林(random forest,RF)或神经网络(neural networks,NN)等。
支持向量机是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier)。SVM使用铰链损失函数(hingeloss)计算经验风险(empirical risk)并在求解系统中加入了正则化项以优化结构风险(structural risk),是一个具有稀疏性和稳健性的分类器。
随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。在决定类别时,随机森林可以评估变量的重要性。
神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。神经网络可以是由神经单元组成的,神经单元可以是指以xs和截距1为输入的运算单元,该运算单元的输出可以为:
其中,s=1、2、……n,n为大于1的自然数,Ws为xs的权重,b为神经单元的偏置。f为神经单元的激活函数(activation functions),用于将非线性特性引入神经网络中,来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络,即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连,来提取局部接受域的特征,局部接受域可以是由若干个神经单元组成的区域。
在一种实施例中,训练过程中使用的训练样本为训练环境信息,标注标签为标注调整参数。
对于在训练过程中使用训练样本为训练环境信息,标注标签为标注调整参数的情况下训练得到的调整模型,利用调整模型处理所述接收环境信息进行处理,可以得到调整参数。按照该调整参数对初始授时时间进行调整,以得到校准时间。
也就是说,该调整模型可以是利用训练数据对初始调整模型进行训练得到的。训练数据可以包括训练环境信息和标注调整参数。其中,训练环境信息指示接收训练授时时间的环境,标注调整参数用于对训练授时时间进行调整以校准时间。
训练数据可以从云端或其他装置处获取。训练环境信息也可以是历史数据,例如可以是执行图2所述方法的装置的历史数据。在历史数据确定训练环境信息,使得训练得到的调整模型对真实数据的处理结果更加可靠和准确。
在对初始调整模型进行训练的过程中,可以利用初始调整模型对将训练环境信息进行处理,以得到训练调整参数,并根据训练调整参数与标注调整参数之间的训练差异,调整初始调整模型的参数,以最小化该训练差异。从而,调整模型可以是参数调整后的初始调整模型。
训练数据包括训练环境信息和标注调整参数,标注调整参数用于对训练授时时间进行调整以校准时间,也就是说,标注调整参数能够反映环境对训练授时时间传输的影响程度。调整模型是根据训练数据训练得到的,从而利用调整模型对初始授时时间的接收环境信息进行处理得到调整参数,调整参数能够准确预测接收环境信息表示的环境情况对初始授时时间的影响程度。因此,按照调整参数对初始授时时间进行调整,使得根据调整后的初始授时时间进行的时间校准结果更加准确。
在训练数据中,训练环境信息的数量可以是多个。训练数据包括每个训练环境信息对应的标注调整参数。在训练差异逐渐收敛,或者训练差异小于预设阈值的情况下,可以停止训练。
在训练过程中,还可以获取验证数据。验证数据包括验证环境信息和验证调整参数。验证调整参数用于对验证授时时间进行调整以校准时间。验证授时时间是通过无线方式接收的。
验证环境数据也可以是历史数据。也就是说,在获取历史数据之后,可以将历史数据中的部分环境数据作为训练环境数据,另一部分环境数据作为验证环境数据,实现交叉验证。
利用所述参数调整后的初始调整模型对验证环境信息进行处理,可以得到输出调整参数。在输出调整参数和验证调整参数之间的验证差异小于预设差异的情况下,可以将参数调整后的初始调整模型作为调整模型。
而在输出调整参数和验证调整参数之间的验证差异大于或等于预设差异的情况下,可以对参数调整后的初始调整模型继续进行参数调整。例如,可以将参数调整后的初始调整模型作为初始调整模型,再次利用训练数据对初始调整模型进行参数的调整。
在另一种实施例中,训练过程中使用的训练样本包括训练环境信息和训练授时时间,标注标签为标注校准时间。
对于在训练过程中使用训练样本包括训练环境信息和训练授时时间,所述标注标签为标注校准时间的情况下训练得到的调整模型,利用调整模型处理所述接收环境信息和初始授时时间,可以得到校准时间。
也就是说,用于训练调整模型的训练数据可以包括训练环境信息、训练授时时间和标注校准时间,所述训练环境信息指示接收所述训练授时时间的环境。
在调整模型的训练过程中,可以利用初始调整模型对将训练环境信息和训练授时时间进行处理,以得到训练校准时间,并根据训练校准时间与标注校准时间之间的训练差异,调整初始调整模型的参数,以最小化所述训练差异。调整模型可以是参数调整后的初始调整模型。
在调整模型的训练过程中,还可以利用验证数据对参数调整后的初始调整模型进行验证。验证数据包括验证环境信息、验证授时时间和验证校准时间。验证环境信息指示验证授时时间的接收环境,验证授时时间是通过无线方式接收的。
在验证过程中,可以利用参数调整后的初始调整模型对验证环境信息和验证授时时间进行处理,以得到输出校准时间,并在输出校准时间和验证校准时间之间的验证差异小于预设差异的情况下,将参数调整后的初始调整模型作为调整模型。
而在输出校准时间和验证校准时间之间的验证差异大于或等于预设差异的情况下,可以继续对参数调整后的初始调整模型进行训练。例如,可以将参数调整后的初始调整模型作为初始调整模型,再次利用训练数据进行训练。
通过S210至S220,利用训练得到的调整模型,对初始授时信息的接收环境信息进行处理,得到调整参数,并根据调整参数对初始授时信息进行调整,从而进行时间校准,综合考虑了环境因素对初始授时信息传输的影响,使得时间校准结果更为准确。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本申请实施例提供的时间校准方法可以应用在授时系统中。下面结合图3对本申请实施例提供的授时系统进行说明。
图3是本申请实施例提供的一种授时系统的示意性结构图。该授时系统可以是授时终端。
授时系统可以包括环境感知模块310、授时处理模块320、智能控制模块330、存储模块340和学习模块350。
环境感知模块310包括天线和温湿度传感器。天线用于接收初始授时信息,并用于监测和感知周围的电磁环境。温湿度传感器用于检测周围的温度、湿度、气压等气候环境。另外,环境感知模块310还可以检测初始授时信息的强度、信噪比、眼图、信号变化时间信息等信号质量参数。
环境感知模块310用于向智能控制模块330发送接收环境信息,接收环境信息包括气候环境信息、电磁环境信息、信号质量参数等。
环境感知模块310用于向授时处理模块320发送初始授时信息。
授时处理模块320用于对初始授时信息进行去噪声、多径消除等预处理,并利用标准授时算法对处理后的初始授时信息进行计算,得到初始授时时间。
授时处理模块320还用于向智能控制模块330发送初始授时时间。
智能控制模块330用于向学习模块350发送接收环境信息和初始授时时间,并接收学习模块返回的校准时间。
智能控制模块330还用于,按照校准时间进行时钟校准和更新。
学习模块350用于,利用调整模型,对接收环境信息和初始授时时间进行处理,以得到校准时间。调整模型是训练得到的机器学习模型。
调整模型对接收环境信息进行处理的过程中,可以提取在接收环境信息中提取与授时精度相关的特征。
学习模块350还可以用于训练调整模型。
存储模块340中可以存储有历史数据。
历史数据可以包括多个历史环境信息,以及每个历史环境信息对应的历史授时时间、历史标注时间。历史标注时间可以是参考时钟指示的时间。
智能控制模块330用于在存储模块340读取历史数据和初始调整模型。
历史数据可以包括多个历史环境信息,以及每个历史环境信息对应的历史授时时间和历史标注时间。每个历史环境信息用于表示该历史环境信息对应的历史授时时间的接收环境。该多个历史环境信息对应的多个历史授时时间是通过相同的无线授时方式传输的。例如,该多个历史授时时间均是通过无线电授时的方式传输的,或者,均是通过卫星授时的方式传输的。
智能控制模块330用于向学习模块350发送历史数据和初始调整模型。
学习模块350可以对历史数据进行清洗和整合,以去除历史数据中异常值和噪声。学习模块350还可以对历史数据进行归一化处理,使得处理后的历史数据符合机器学习算法的输入要求。
处理后的历史数据中,历史环境信息、历史授时时间和历史标注时间的处理结果,可以分别作为训练环境信息、训练授时时间和标注授时时间。
学习模块350可以利用初始调整模型对将训练环境信息和训练授时时间进行处理,以得到训练校准时间。
学习模块350可以根据训练校准时间与标注校准时间之间的训练差异,调整初始调整模型的参数,以最小化训练差异。参数调整后的初始调整模型可以作为调整模型。
为了提高调整模型的处理准确度,可以学习模块350用于将环境信息对历史数据进行划分,得到训练数据和验证数据,从而进行交叉验证。
训练数据包括多个训练环境信息以及每个训练环境信息对应的训练授时时间和训练标注时间,验证数据包括多个验证环境信息以及每个验证环境信息对应的验证授时时间和验证标注时间。该多个训练环境信息和该多个验证环境信息可以是历史数据中不同的历史环境信息。训练授时时间和训练标注时间分别是历史数据中训练环境信息对应的历史授时时间和历史标注时间,验证授时时间和验证标注时间分别是历史数据中验证环境信息对应的历史授时时间和历史标注时间。
学习模块350可以利用参数调整后的初始调整模型对验证环境信息和验证授时时间进行处理,以得到输出校准时间。
在输出校准时间和验证校准时间之间的验证差异小于预设差异的情况下,参数调整后的初始调整模型可以作为调整模型。
而在输出校准时间和验证校准时间之间的验证差异大于或等于预设差异的情况下,参数调整后的初始调整模型可以作为初始调整模型,学习模块350可以再次对初始调整模型进行训练。再次对初始调整模型的训练也可以利用训练数据进行。
验证差异可以是准确率、均方误差等指标。
在训练调整模型的过程中,可以使用网格搜索、贝叶斯优化等方法调整初始调整模型的参数。
训练过程中,初始调整模型对接收环境信息进行处理的过程中,可以提取在训练环境信息中提取与授时精度相关的特征,并使用相关性分析、主成分分析等方法筛选最具代表性的特征,并根据最具代表性的特征,得到输出结果。
学习模块350可以将多种类型的机器学习模型分别作为初始调整模型,并对该多个初始调整模型分别进行训练。根据交叉验证的结果,学习模块350可以在训练得到的多个参数调整后的初始调整模型确定验证误差最小的模型为调整模型。从而,调整模型的模型类型是该多种类型的机器学习模型中最适合解决授时问题的模型类型。
该多个类型的机器学习模型可以包括支持向量机(support vector machine,SVM)、随机森林(random forest,RF)或神经网络(neural networks,NN)等。
从而,学习模块350可以将接收环境信息和初始授时时间输入调整模型。调整模型对接收环境信息和初始授时时间进行处理,输出校准时间。
在另一些实施例中,历史数据可以包括多个历史环境信息,以及每个历史环境信息对应的历史调整参数。
训练数据包括多个训练环境信息以及每个训练环境信息对应的训练调整参数,验证数据包括多个验证环境信息以及每个验证环境信息对应的验证调整参数。该多个训练环境信息和该多个验证环境信息可以是历史数据中不同的历史环境信息。训练调整参数是历史数据中训练环境信息对应的历史调整参数,验证调整参数是历史数据中验证环境信息对应的历史调整参数。
每个历史环境信息用于表示接收历史授时时间的环境,该历史环境信息对应的历史调整参数用于对历史授时时间进行调整以校准时间。也就是说,历史调整参数可以表示历史授时时间与准确的时间之间的差异,反映了历史环境信息表示的环境影响下历史授时信息的误差和时滞。该准确的时间可以是参考时钟指示的时间。
学习模块350可以利用初始调整模型对将训练环境信息进行处理,以得到训练调整参数。
学习模块350可以根据训练校准时间与标注校准时间之间的训练差异,调整初始调整模型的参数,以最小化训练差异。参数调整后的初始调整模型可以作为调整模型。
从而,学习模块350可以将接收环境信息输入调整模型。调整模型对接收环境信息进行处理,输出调整参数。学习模型可以按照调整参数调整初始授时时间,以得到校准时间。
学习模块350可以向智能控制模块330发送该标准时间。
智能控制模块330还可以将接收环境信息分作为历史环境信息,将初始授时时间和标准时间分别作为接收环境信息对应的历史授时时间和历史标准时间,发送至存储模块340,对存储模块340中存储的历史数据进行更新。历史数据可以用于对调整模型的重新训练或优化,以适应不断变化的环境和授时需求。
环境感知模块310不仅接收卫星授时信号,还能感知周边的环境信息,如气象和干扰等,为后续的准确授时提供更丰富的数据支持。
学习模块350通过对历史授时数据、环境信息和信号质量评估数据的学习和分析,能够自主优化时钟校准和更新策略,提高授时精度和稳定性。
本申请实施例提供的授时系统具有较好的灵活性和适应性,可根据应用环境对实时接收的初始授时时间进行动态调整,得到准确的校准时间。
学习模块350可以用于执行图4或图5所示的方法。
图4是本身申请实施例提供的一种调整模型训练方法的示意性流程图。通过图4训练得到的调整模型可以应用在图2所示的时间校准方法中。应当理解,图2所述的时间校准方法与图4所述的调整模型训练方法可以是由相同或不同的装置或设备执行的。示例性地,图4所述的方法可以由服务器执行,图2所示的方法可以由授时终端执行。服务器在训练得到调整模型后,可以向授时终端发送调整模型,以使得授时终端执行图2所示的时间校准方法。
图4所示的调整模型训练方法包括步骤S410至S430。下面对调整模型训练方法中的步骤进行说明。
步骤S410,获取训练数据,所述训练数据包括训练样本和标注标签。
步骤S420,利用初始调整模型对将所述训练样本进行处理,以得到训练标签。
步骤S430,根据所述训练标签与所述标注标签之间的训练差异,调整所述初始调整模型的参数,以最小化所述训练差异,得到调整模型。
所述训练样本包括训练环境信息和训练授时时间,所述标注标签为标注校准时间,所述训练环境信息用于表征接收所述训练授时时间的环境状况,所述训练授时时间是基于无线方式接收得到;或者,所述训练样本为训练环境信息,所述标注标签为标注调整参数,所述标注调整参数用于对所述训练授时时间进行调整以校准时间。
所述调整模型是参数调整后的初始调整模型,所述调整模型用于对初始授时时间和接收环境信息的处理,所述处理用于得到校准时间,所述接收环境信息用于表征接收所述初始授时时间的环境状况,所述初始授时时间是基于无线方式接收得到。
通过无线方式传输授时信息,由于气候及电磁环境变化等因素的影响,接收的授时信息可能存在误差和时滞。标注调整参数可以用于表示接受的训练授时时间与实际时间之间的差异。
在训练样本为训练环境信息,标注标签为标注调整参数的情况下,在S420可以利用所述初始调整模型对所述训练环境信息进行处理,以得到训练调整参数;在步骤S430可以根据所述训练调整参数与所述标注调整参数之间的训练差异,调整所述初始调整模型的参数,以最小化所述训练差异,以得调整模型,所述调整模型是参数调整后的初始调整模型。从而,调整模型用于对接收环境信息进行处理,以得到调整参数。
在训练数据中,训练样本的数量可以是多个。训练数据包括每个训练样本对应的标注标签。在S420,可以依次将多个训练样本输入初始调整模型,以得到多个训练标签。在训练差异逐渐收敛,或者训练差异小于预设阈值的情况下,可以停止训练,即停止利用初始调整模型对训练样本的处理。
在所述训练数据包括训练环境信息和标注调整参数,所述训练环境信息指示训练授时时间的接收环境,标注调整参数能够反映环境对训练授时时间传输的影响程度的情况下,通过S410至S430,利用训练数据训练得到的调整模型,能够根据初始授时时间的接收环境信息,准确预测传输环境对初始授时时间传输的影响,输出调整时间。从而,按照调整时间对初始授时时间进行调整,能够实现更高可靠性和精度的时间校准结果。
在S430调整初始调整模型的参数之后,可以利用获取验证数据进行验证。
验证数据包括验证样本和验证标签。
在验证过程中,可以利用参数调整后的初始调整模型对验证样本进行处理,以得到输出标签。在输出标签和验证标签之间的验证差异小于预设差异的情况下,可以将参数调整后的初始调整模型作为调整模型。
在训练样本为训练环境信息,标注标签为标注调整参数的情况下,验证数据包括作为验证样本的验证环境信息和作为验证标签的验证调整参数。验证调整参数用于对验证授时时间进行调整以校准时间。验证授时时间是通过无线方式接收的。
在验证过程中,可以利用参数调整后的初始调整模型对验证环境信息进行处理,以得到输出调整参数。在输出调整参数和验证调整参数之间的验证差异小于预设差异的情况下,可以将参数调整后的初始调整模型作为调整模型。
而在输出调整参数和验证调整参数之间的验证差异大于或等于预设差异的情况下,可以对参数调整后的初始调整模型继续进行参数调整。例如,可以将参数调整后的初始调整模型作为初始调整模型,再次利用训练数据对初始调整模型进行参数的调整。
训练环境信息可以是历史数据。在历史数据确定训练环境信息,使得训练得到的调整模型对真实数据的处理结果更加可靠和准确。
验证环境数据也可以是历史数据。也就是说,在获取历史数据之后,可以将历史数据中的部分环境数据作为训练环境数据,另一部分环境数据作为验证环境数据,实现交叉验证。
在训练样本包括训练环境信息和训练授时时间,标注标签为标注校准时间的情况下,对调整模型的训练可以参见图5的说明。
图5是本申请实施例提供的一种调整模型训练方法的示意性流程图。通过图5训练得到的调整模型也可以应用在图2所示的时间校准方法中。图2所述的时间校准方法与图5所述的调整模型训练方法可以是由相同或不同的装置或设备执行的。图5所示的调整模型训练方法包括步骤S510至S530。下面对调整模型训练方法中的步骤进行说明。
步骤S510,获取训练数据,所述训练数据包括训练环境信息、训练授时时间和标注校准时间,所述训练环境信息用于表征接收所述训练授时时间的环境状况,所述训练授时时间是基于无线方式接收得到。
通过无线方式传输授时信息,由于气候及电磁环境变化等因素的影响,接收的授时信息可能存在误差和时滞。标注校准时间可以理解为实际的时间。标注校准时间与训练授时时间可以存在差异。该差异反映了环境对授时信息接收的影响。
步骤S520,利用所述初始调整模型对将所述训练环境信息和所述训练授时时间进行处理,以得到训练校准时间。
步骤S530,根据所述训练校准时间与所述标注校准时间之间的训练差异,调整所述初始调整模型的参数,以最小化所述训练差异,得到调整模型,所述调整模型是参数调整后的初始调整模型,所述调整模型用于对初始授时时间和接收环境信息进行处理,以得到校准时间,所述接收环境信息用于表征接收所述初始授时时间的环境状况,所述初始授时时间是基于无线方式接收得到。
在训练数据中,训练环境信息的数量可以是多个。训练数据包括每个训练环境信息对应的训练授时时间和标注校准时间。在S520,可以将多个训练环境信息和该训练环境信息对应的训练授时时间依次输入初始调整模型,以得到多个训练校准时间。在训练差异逐渐收敛,或者训练差异小于预设阈值的情况下,可以停止训练,即停止利用初始调整模型对训练环境信息和训练授时时间的处理。
通过S510至S530,利用训练数据训练得到的调整模型,能够根据初始授时时间和初始授时时间的接收环境信息,综合考虑传输环境对初始授时时间传输的影响,输出校准时间,使得校准时间具有较高的可靠性和精度。
在S530调整初始调整模型的参数之后,可以利用获取验证数据进行验证。
验证数据中,验证样本包括验证环境信息和验证授时时间,验证标签为验证校准时间。验证环境信息指示验证授时时间的接收环境,验证授时时间是通过无线方式接收的。
在验证过程中,可以利用参数调整后的初始调整模型对验证环境信息和验证授时时间进行处理,得到输出校准时间。在输出校准时间和验证校准时间之间的验证差异小于预设差异的情况下,可以将参数调整后的初始调整模型作为调整模型。
而在该验证差异大于或等于预设差异的情况下,可以对参数调整后的初始调整模型继续进行参数调整。例如,可以将参数调整后的初始调整模型作为初始调整模型,再次利用训练数据对初始调整模型进行参数的调整。
训练环境信息可以是历史数据。验证环境数据也可以是历史数据。
上文结合图1至图5,详细描述了本申请实施例的时间校准方法、调整模块训练方法和授时系统,下面将结合图6和图7,详细描述本申请的装置实施例。应理解,本申请实施例中的装置可以执行前述本申请实施例的时间校准方法或调整模块训练方法,即以下各种产品的具体工作过程,可以参考前述方法实施例中的对应过程。
图6是本申请实施例提供的一种处理装置的示意性结构图。为了便于说明,仅示出了与本申请实施例相关的部分。
处理装置600包括获取单元610和处理单元620。
在一种实施例中,处理装置600可以是时间校准装置。
获取单元610用于,获取接收环境信息,所述接收环境信息用于表征接收初始授时时间的环境状况,所述初始授时时间是基于无线方式接收得到。
处理单元620用于,利用调整模型,对所述初始授时时间和所述接收环境信息进行处理,以得到校准时间,所述调整模型是训练得到的机器学习模型。
可选地,所述调整模型基于训练数据对初始调整模型进行训练得到,所述训练数据包括训练样本和标注标签,所述训练包括:利用所述初始调整模型对将所述训练样本进行处理,以得到训练标签;根据所述训练标签与所述标注标签之间的训练差异,调整所述初始调整模型的参数,以最小化所述训练差异,所述调整模型是参数调整后的初始调整模型。所述训练样本包括训练环境信息和训练授时时间,所述标注标签为标注校准时间,所述训练环境信息用于表征接收所述训练授时时间的环境状况,所述训练授时时间是基于无线方式接收得到;或者,所述训练样本为训练环境信息,所述标注标签为标注调整参数,所述标注调整参数用于对所述训练授时时间进行调整以校准时间。
可选地,在所述训练样本包括训练环境信息和训练授时时间,所述标注标签为标注校准时间的情况下,所述训练还包括:获取验证数据,所述验证数据包括验证环境信息、验证授时时间和验证校准时间,所述验证环境信息用于表征接收所述验证授时时间的环境状况,所述验证授时时间是基于无线方式接收得到;利用所述参数调整后的初始调整模型对所述验证环境信息和所述验证授时时间进行处理,以得到输出校准时间;在所述输出校准时间和所述验证校准时间之间的验证差异小于预设差异的情况下,将所述参数调整后的初始调整模型作为所述调整模型。
可选地,所述训练环境信息是历史数据。
可选地,在所述训练样本为训练环境信息,所述标注标签为标注调整参数的情况下,处理单元620具体用于,利用所述调整模型处理所述接收环境信息,以得到调整参数;按照所述调整参数对所述初始授时时间进行调整,以得到所述校准时间。
可选地,所述接收环境信息包括所述初始授时时间的信号质量参数。
可选地,所述初始授时时间是从卫星接收得到。
在另一些实施例中,处理装置600是调整模型训练装置。
获取单元610用于,获取训练数据,所述训练数据包括训练环境信息、训练授时时间和标注校准时间,所述训练环境信息用于表征接收所述训练授时时间的环境状态,所述训练授时时间是通过无线方式接收的。
处理单元620用于,利用所述初始调整模型对将所述训练环境信息和所述训练授时时间进行处理,以得到训练校准时间。
处理单元620还用于,根据所述训练校准时间与所述标注校准时间之间的训练差异,调整所述初始调整模型的参数,以最小化所述训练差异,得到调整模型,所述调整模型是参数调整后的初始调整模型,所述调整模型用于对初始授时时间和接收环境信息进行处理,以得到校准时间,所述接收环境信息用于表征接收所述初始授时时间的环境状况,所述初始授时时间是基于无线方式接收得到。
在又一些实施例中,处理装置600是调整模型训练装置。
获取单元610用于,获取训练数据,所述训练数据包括训练环境信息和标注调整参数,所述训练环境信息用于表征接收训练授时时间的环境状况,所述标注调整参数用于对所述训练授时时间进行调整以校准时间,所述训练授时时间是基于无线方式接收得到。
处理单元620用于,利用所述初始调整模型对所述训练环境信息进行处理,以得到训练调整参数。
处理单元620还用于,根据所述训练调整参数与所述标注调整参数之间的训练差异,调整所述初始调整模型的参数,以最小化所述训练差异,以得调整模型,所述调整模型是参数调整后的初始调整模型,所述调整模型用于对接收环境信息进行处理,以得到调整参数,所述接收环境信息用于表征接收初始授时时间的环境状况,所述调整参数用于对初始授时时间进行调整,以得到校准时间。
需要说明的是,上述媒体数据推荐装置1000以功能单元的形式体现。这里的术语“单元”可以通过软件和/或硬件形式实现,对此不作具体限定。
例如,“单元”可以是实现上述功能的软件程序、硬件电路或二者结合。所述硬件电路可能包括应用特有集成电路(application specific integrated circuit,ASIC)、电子电路、用于执行一个或多个软件或固件程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。
因此,在本申请的实施例中描述的各示例的单元,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
图7是本申请实施例提供的一种电子设备的结构示意图。如图7所示,该实施例的电子设备700包括:至少一个处理器701(图7中仅示出一个处理器)、存储器702以及存储在所述存储器702中并可在所述至少一个处理器701上运行的计算机程序703,所述处理器701执行所述计算机程序703时实现上述任意图2、图4或图5所示的方法中的步骤。
所述电子设备700可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备700可包括,但不仅限于,处理器701、存储器702。本领域技术人员可以理解,图7仅仅是电子设备700的举例,并不构成对电子设备700的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器701可以是中央处理单元(Central Processing Unit,CPU),该处理器701还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器702在一些实施例中可以是所述电子设备700的内部存储单元,例如电子设备700的硬盘或内存。所述存储器702在另一些实施例中也可以是所述电子设备700的外部存储设备,例如所述电子设备700上配备的插接式硬盘,智能存储卡(Smart MediaCard, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器702还可以既包括所述电子设备700的内部存储单元也包括外部存储设备。所述存储器702用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种网络设备,该网络设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种时间校准方法,其特征在于,包括:
获取接收环境信息,所述接收环境信息用于表征接收初始授时时间的环境状况,所述初始授时时间是基于无线方式接收得到;
利用调整模型,对所述初始授时时间和所述接收环境信息进行处理,以得到校准时间,所述调整模型是训练得到的机器学习模型;
所述调整模型基于训练数据对初始调整模型进行训练得到,所述训练数据包括训练样本和标注标签,所述训练包括:
利用所述初始调整模型对将所述训练样本进行处理,以得到训练标签;
根据所述训练标签与所述标注标签之间的训练差异,调整所述初始调整模型的参数,以最小化所述训练差异,所述调整模型是参数调整后的初始调整模型;
所述训练样本包括训练环境信息和训练授时时间,所述标注标签为标注校准时间,所述训练环境信息用于表征接收所述训练授时时间的环境状况,所述训练授时时间是基于无线方式接收得到;或者,所述训练样本为训练环境信息,所述标注标签为标注调整参数,所述标注调整参数用于对所述训练授时时间进行调整以校准时间。
2.根据权利要求1所述的方法,其特征在于,在所述训练样本包括训练环境信息和训练授时时间,所述标注标签为标注校准时间的情况下,所述训练还包括:
获取验证数据,所述验证数据包括验证环境信息、验证授时时间和验证校准时间,所述验证环境信息用于表征接收所述验证授时时间的环境状况,所述验证授时时间是基于无线方式接收得到;
利用所述参数调整后的初始调整模型对所述验证环境信息和所述验证授时时间进行处理,以得到输出校准时间;
在所述输出校准时间和所述验证校准时间之间的验证差异小于预设差异的情况下,将所述参数调整后的初始调整模型作为所述调整模型。
3.根据权利要求1所述的方法,其特征在于,在所述训练样本为训练环境信息,所述标注标签为标注调整参数的情况下,所述利用调整模型,对所述初始授时时间和所述接收环境信息进行处理,包括:
利用所述调整模型处理所述接收环境信息,以得到调整参数;
按照所述调整参数对所述初始授时时间进行调整,以得到所述校准时间。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述训练环境信息是历史数据。
5.根据权利要求1-3中任一项所述的方法,其特征在于,所述接收环境信息包括所述初始授时时间的信号质量参数。
6.根据权利要求1-3中任一项所述的方法,其特征在于,所述初始授时时间是从卫星接收得到。
7.一种调整模型训练方法,其特征在于,所述方法包括:
获取训练数据,所述训练数据包括训练样本和标注标签;
利用初始调整模型对将所述训练样本进行处理,以得到训练标签;
根据所述训练标签与所述标注标签之间的训练差异,调整所述初始调整模型的参数,以最小化所述训练差异,得到调整模型;
所述训练样本包括训练环境信息和训练授时时间,所述标注标签为标注校准时间,所述训练环境信息用于表征接收所述训练授时时间的环境状况,所述训练授时时间是基于无线方式接收得到;或者,所述训练样本为训练环境信息,所述标注标签为标注调整参数,所述标注调整参数用于对所述训练授时时间进行调整以校准时间;
所述调整模型是参数调整后的初始调整模型,所述调整模型用于对初始授时时间和接收环境信息的处理,所述处理用于得到校准时间,所述接收环境信息用于表征接收所述初始授时时间的环境状况,所述初始授时时间是基于无线方式接收得到。
8.一种时间校准装置,其特征在于,包括获取单元和处理单元;
所述获取单元用于,获取接收环境信息,所述接收环境信息用于表征接收初始授时时间的环境状况,所述初始授时时间是基于无线方式接收得到;
所述处理单元用于,利用调整模型,对所述初始授时时间和所述接收环境信息进行处理,以得到校准时间,所述调整模型是训练得到的机器学习模型;
所述调整模型基于训练数据对初始调整模型进行训练得到,所述训练数据包括训练样本和标注标签,所述训练包括:
利用所述初始调整模型对将所述训练样本进行处理,以得到训练标签;
根据所述训练标签与所述标注标签之间的训练差异,调整所述初始调整模型的参数,以最小化所述训练差异,所述调整模型是参数调整后的初始调整模型;
所述训练样本包括训练环境信息和训练授时时间,所述标注标签为标注校准时间,所述训练环境信息用于表征接收所述训练授时时间的环境状况,所述训练授时时间是基于无线方式接收得到;或者,所述训练样本为训练环境信息,所述标注标签为标注调整参数,所述标注调整参数用于对所述训练授时时间进行调整以校准时间。
9.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310793080.XA CN116567800B (zh) | 2023-06-30 | 2023-06-30 | 时间校准方法、调整模型训练方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310793080.XA CN116567800B (zh) | 2023-06-30 | 2023-06-30 | 时间校准方法、调整模型训练方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116567800A CN116567800A (zh) | 2023-08-08 |
CN116567800B true CN116567800B (zh) | 2023-09-08 |
Family
ID=87488247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310793080.XA Active CN116567800B (zh) | 2023-06-30 | 2023-06-30 | 时间校准方法、调整模型训练方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116567800B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1524532A1 (en) * | 2003-10-15 | 2005-04-20 | Lucent Technologies Inc. | Neural network based extension of GPS based timing |
CN109239654A (zh) * | 2018-08-21 | 2019-01-18 | 中国人民解放军战略支援部队信息工程大学 | 基于神经网络的时差定位结果纠偏方法 |
CN111985684A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种应用于远距离的长波地波传播时延时变特性预测方法 |
WO2023010499A1 (zh) * | 2021-08-06 | 2023-02-09 | 北京小米移动软件有限公司 | 一种无线资源管理测量方法及其装置 |
CN115996366A (zh) * | 2021-10-20 | 2023-04-21 | 北京万集科技股份有限公司 | 一种授时方法、设备、系统及计算机可读存储介质 |
CN116266945A (zh) * | 2021-12-16 | 2023-06-20 | 诺基亚通信公司 | 预测时钟漂移 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10817779B2 (en) * | 2017-08-30 | 2020-10-27 | International Business Machines Corporation | Bayesian network based hybrid machine learning |
EP3759654A4 (en) * | 2018-03-02 | 2021-09-08 | Deepsig Inc. | LEARNING COMMUNICATION SYSTEMS USING CHANNEL PROXIMITY |
US11563744B2 (en) * | 2021-02-22 | 2023-01-24 | Bank Of America Corporation | System for detection and classification of intrusion using machine learning techniques |
US20230111449A1 (en) * | 2021-10-11 | 2023-04-13 | Huawei Technologies Co., Ltd. | Time Calibration Method and Related Apparatus |
US20230205253A1 (en) * | 2021-12-23 | 2023-06-29 | The Johns Hopkins University | Neural network stabilized clock |
-
2023
- 2023-06-30 CN CN202310793080.XA patent/CN116567800B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1524532A1 (en) * | 2003-10-15 | 2005-04-20 | Lucent Technologies Inc. | Neural network based extension of GPS based timing |
CN109239654A (zh) * | 2018-08-21 | 2019-01-18 | 中国人民解放军战略支援部队信息工程大学 | 基于神经网络的时差定位结果纠偏方法 |
CN111985684A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种应用于远距离的长波地波传播时延时变特性预测方法 |
WO2023010499A1 (zh) * | 2021-08-06 | 2023-02-09 | 北京小米移动软件有限公司 | 一种无线资源管理测量方法及其装置 |
CN115996366A (zh) * | 2021-10-20 | 2023-04-21 | 北京万集科技股份有限公司 | 一种授时方法、设备、系统及计算机可读存储介质 |
CN116266945A (zh) * | 2021-12-16 | 2023-06-20 | 诺基亚通信公司 | 预测时钟漂移 |
Non-Patent Citations (1)
Title |
---|
一种基于神经网络的罗兰C ASF修正方法;王宇琦;李江;;现代导航(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116567800A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ibrahim et al. | CNN based indoor localization using RSS time-series | |
Janssen et al. | Outdoor fingerprinting localization using sigfox | |
CN104185270A (zh) | 室内定位方法、系统和定位平台 | |
Aranda et al. | Performance analysis of fingerprinting indoor positioning methods with BLE | |
CN116719062A (zh) | 卫星的信号质量评估方法及装置、设备、存储介质 | |
CN116643293A (zh) | Gnss定位方法及装置、设备、存储介质 | |
CN116305967A (zh) | 基于卷积神经网络和多模态特征融合的海面风速反演方法 | |
CN112348290A (zh) | 河流水质预测方法、装置、存储介质及设备 | |
CN116567800B (zh) | 时间校准方法、调整模型训练方法及电子设备 | |
CN114758364A (zh) | 基于深度学习的工业物联网场景融合定位方法及系统 | |
CN116068595B (zh) | 海面风速反演方法、装置、电子设备及介质 | |
CN114710831B (zh) | 一种基于深度学习的rfid标签定位系统 | |
KR102500534B1 (ko) | 순환신경망 기반 수자원 정보 생성 장치 및 방법 | |
CN115097549B (zh) | 一种基于深度学习的无线电链路降雨监测系统及方法 | |
CN113514796B (zh) | 一种无源定位方法、系统和介质 | |
WO2022212031A1 (en) | Controlling asynchronous fusion of spatio-temporal multimodal data | |
CN114595749A (zh) | 无线通讯信号远程干扰判别方法和装置、存储介质和终端 | |
US12052062B2 (en) | Transmission apparatus recognition apparatus, transmission apparatus recognition system, transmission apparatus recognition method, and computer readable medium | |
Yamanishi et al. | A study on outdoor localization method by recurrent deep learning based on time series of received signal strength from low power wireless tag | |
Wang et al. | Optimization of Radio Frequency Identification Reference Tag Location Algorithm Based on Back Propagation Neural Network | |
US11408964B2 (en) | Location estimating apparatus, location estimating method and program storing recording medium, and location estimating system | |
Guerra-Moreno et al. | On the application of a recurrent neural network for rainfall quantification based on the received signal from microwave links | |
Zheng et al. | GNSS NLOS detection method based on stacking ensemble learning and applications in smartphones | |
CN117829223B (zh) | 基于机器学习的gnss-r海面风速反演和矫正方法 | |
Yu et al. | ReCPos: Deep Learning Network for 5G NR High-precision Positioning |
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 |