CN116819932B - 原子钟驾驭参数确定方法、装置、终端设备及存储介质 - Google Patents
原子钟驾驭参数确定方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN116819932B CN116819932B CN202311108948.4A CN202311108948A CN116819932B CN 116819932 B CN116819932 B CN 116819932B CN 202311108948 A CN202311108948 A CN 202311108948A CN 116819932 B CN116819932 B CN 116819932B
- Authority
- CN
- China
- Prior art keywords
- clock
- target
- steering
- difference
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims description 78
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 description 9
- 238000013459 approach Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 229910052701 rubidium Inorganic materials 0.000 description 2
- IGLNJRXAVVLDKE-UHFFFAOYSA-N rubidium atom Chemical compound [Rb] IGLNJRXAVVLDKE-UHFFFAOYSA-N 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052792 caesium Inorganic materials 0.000 description 1
- TVFDJXOCXUVLDH-UHFFFAOYSA-N caesium atom Chemical compound [Cs] TVFDJXOCXUVLDH-UHFFFAOYSA-N 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- Electric Clocks (AREA)
- Feedback Control In General (AREA)
Abstract
本申请实施例适用于原子钟技术领域，提供了一种原子钟驾驭参数确定方法、装置、终端设备及存储介质，该方法包括：确定当前时刻下原子钟的输出时间与标准时间之间的目标钟差，以及当前时刻之前的多个历史目标钟差的变化趋势；将目标钟差输入至预设的驾驭模型中，得到第一预测驾驭参数；根据目标钟差和变化趋势确定驾驭参数调整量；基于驾驭参数调整量和第一预测驾驭参数得到目标驾驭参数。采用上述方法，可以提高原子钟的驾驭参数的确定精度。
Description
技术领域
本申请属于原子钟技术领域，尤其涉及一种原子钟驾驭参数确定方法、装置、终端设备及存储介质。
背景技术
时间已应用于人们生活的各个领域。例如，计时、通信、导航定位等领域均需要精密时间。其中，由于原子钟容易受到外部环境（例如，温度）与自身（例如，老化）的影响，使得原子钟的准确度和稳定度容易发生变化。基于此，需要对原子钟进行驾驭，以使原子钟的时间与参考钟时间或者标准时间同步，进而提升原子钟的稳定度和准确度。
目前，原子钟的驾驭方式通常为采用卡尔曼滤波模型对原子钟输出的频率信号的趋势进行预测，得到针对原子钟输出频率的驾驭参数。
然而，卡尔曼滤波模型需要预先设置噪声协方差矩阵和观测噪声协方差矩阵。若采用固定的方差矩阵进行预测，则会缺乏对实际情况（实际的外部和内部影响）的自适应能力，容易导致预报误差随时间的增加而不断增大，使得原子钟的频率驾驭效果不显著。即，采用现有技术所确定的原子钟的驾驭参数，其精度较低。
发明内容
本申请实施例提供了一种原子钟驾驭参数确定方法、装置、终端设备及存储介质，可以解决现有技术所确定的原子钟驾驭参数的精度较低的问题。
第一方面，本申请实施例提供了一种原子钟驾驭参数确定方法，该方法包括：
确定当前时刻下原子钟的输出时间与标准时间之间的目标钟差，以及当前时刻之前的多个历史目标钟差的变化趋势；
将目标钟差输入至预设的驾驭模型中，得到第一预测驾驭参数；
根据目标钟差和变化趋势确定驾驭参数调整量；
基于驾驭参数调整量和第一预测驾驭参数得到目标驾驭参数。
第二方面，本申请实施例提供了一种原子钟驾驭参数确定装置，该装置包括：
目标钟差确定模块，用于确定当前时刻下原子钟的输出时间与标准时间之间的目标钟差，以及当前时刻之前的多个历史目标钟差的变化趋势；
第一预测驾驭参数确定模块，用于将目标钟差输入至预设的驾驭模型中，得到第一预测驾驭参数；
驾驭参数调整量确定模块，用于根据目标钟差和变化趋势确定驾驭参数调整量；
目标驾驭参数确定模块，用于基于驾驭参数调整量和第一预测驾驭参数得到目标驾驭参数。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面的方法。
第五方面，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的方法。
本申请实施例与现有技术相比存在的有益效果是： 在确定当前时刻下原子钟的输出时间与标准时间之间的目标钟差，以及当前时刻之前的多个历史目标钟差的变化趋势后，可以先根据预设的驾驭模型对目标钟差进行处理，得到针对原子钟的频率进行初步调整的第一预测驾驭参数。之后，可以基于当前时刻之前的多个历史目标钟差的变化趋势以及目标钟差，确定驾驭参数调整量，以对初步确定的第一预测驾驭参数进行修正，得到精度更高的目标驾驭参数。由于原子钟的目标钟差以及变化趋势通常受到外部和内部影响，因此，通过结合原子钟受到影响时的目标钟差以及变化趋势精确地确定驾驭参数调整量，以对第一预测驾驭参数进行调整，能够使目标驾驭参数不局限于单一模型的限制，提高目标驾驭参数的确定精度，进而提高原子钟的频率驾驭效果。
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是本申请一实施例提供的一种原子钟驾驭参数确定方法的实现流程图；
图2是本申请一实施例提供的一种原子钟驾驭参数确定方法中驾驭模型的训练方式的一种实现方式示意图；
图3是本申请一实施例提供的一种原子钟驾驭参数确定装置的结构示意图；
图4是本申请一实施例提供的一种终端设备的结构示意图。
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。
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。
时间已应用于人们生活的各个领域。例如，计时、通信、导航定位等领域均需要精密时间。原子钟是一种计算及保持时间的准确的工具。原子钟需要具有准确度和稳定度。其中，原子钟的准确度能够用于判定原子钟在长时间工作时，在各个时间尺度内的输出频率与期望的输出频率之间的偏差程度。原子钟的稳定度能够用于判定原子钟在长时间工作时，在各个时间尺度内的输出频率是否稳定，其输出频率与期望的输出频率之间的偏差是否随时间变化以及变化程度。但是，由于原子钟容易受到外部环境（例如，温度或者磁场）与自身（例如，老化）的影响，使得原子钟的准确度和稳定度容易发生变化。基于此，需要对原子钟进行驾驭，以使原子钟的时间与参考钟时间或者标准时间同步，进而提升原子钟的输出频率的稳定度和准确度。
基于此，为了提高原子钟的输出频率的准确度和稳定度，需要对原子钟进行驾驭。即，调整原子钟的输出频率。
目前，原子钟的驾驭方式通常为采用卡尔曼滤波模型对原子钟输出的频率信号的趋势进行预测，得到针对原子钟输出频率的驾驭参数。
然而，卡尔曼滤波模型需要预先设置噪声协方差矩阵和观测噪声协方差矩阵，或者，采用预设的预测模型预测驾驭参数。但是，采用固定的方差矩阵和预测模型进行预测，其缺乏对实际情况（实际的外部和内部影响）的自适应能力，导致原子钟的时钟误差随时间的增加而不断增大。即，导致原子钟的频率驾驭效果不显著。
基于此，为了提高原子钟的频率驾驭效果，本申请实施例提供了一种原子钟驾驭参数确定方法可以应用于平板电脑、笔记本电脑、超级移动个人计算机(Ultra-MobilePersonal Computer，UMPC)、上网本等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
请参阅图1，图1示出了本申请实施例提供的一种原子钟驾驭参数确定方法的实现流程图，该方法包括如下步骤：
S101、确定当前时刻下原子钟的输出时间与标准时间之间的目标钟差，以及当前时刻之前的多个历史目标钟差的变化趋势。
在一实施例中，上述标准时间可以为目标原子钟的输出时间。其中，目标原子钟可以为准确度和稳定度均高于原子钟的准确度和稳定度的时钟。
示例性的，在原子钟为铷原子钟时，其目标原子钟可以为铯原子钟和氢原子钟。以及，标准时间还可以为世界协调时间（UTC），对此不作限定。
在一实施例中，目标钟差可以为外部标准1秒脉冲（PPS）信号（例如，国家授时中心或GNSS接收机输出的信号），与原子钟的1PPS信号之间的钟差。其中，可以每隔预设时长或实时获取上述目标钟差，对此不作限定。
需要说明的是，在获取外部标准1秒脉冲（PPS）信号与原子钟的1PPS信号时，其通常存在一定的延迟。也即，具有较差的实时性。
基于此，为了获取当前时刻下的目标钟差，且使获取到的目标钟差满足一定的精度，可以先获取起始时刻下原子钟的输出时间与标准时间之间的起始钟差，以及原子钟的输出频率与标准频率之间的频率偏差。而后，根据起始钟差、频率偏差以及当前时刻，确定目标钟差。
在一实施例中，上述起始时刻可以为执行此次原子钟驾驭参数确定方法的初始时刻。上述输出频率为原子钟输出时钟信号的频率，标准频率可以认为是上述期望的输出频率。频率偏差可以在一定程度表征原子钟的输出频率与标准频率之间的差异程度，便于后续确定驾驭参数以对原子钟的输出频率进行调整。
其中，上述起始钟差以及上述频率偏差均可以以预先由工作人员进行确定，对此不作详细说明。上述变化趋势包括多个历史目标钟差的绝对值逐渐接近第二预设值的趋势或多个历史目标钟差的绝对值逐渐远离第二预设值的趋势。
示例性的，上述第二预设值可以为0。也即，在多个历史目标钟差的绝对值逐渐接近于0时，可以认为原子钟在多个历史时刻下的输出时间逐渐接近标准时间。以及，在多个历史目标钟差的绝对值逐渐远离0时，可以认为原子钟在多个历史时刻下的输出时间逐渐远离标准时间。
在另一实施例中，上述变化趋势还可以为多个历史目标钟差的绝对值在目标值之间来回波动的趋势，且目标值与第二预设值（0）之间的差值大于预设差值。其中，目标值可以为多个历史目标钟差的绝对值的平均值。也即，多个历史目标钟差的绝对值没有趋近于0，也没有远离0。此时，可以认为上述变化趋势为平缓波动趋势。
以及，若目标值与第二预设值（0）之间的差值小于或等于预设差值，则可以认为多个历史目标钟差的绝对值在第二预设值（0）之间来回波动。因此，可以认为原子钟在多个历史时刻下的输出时间与标准时间近乎相等。基于此，可以认为无需对原子钟的输出频率进行驾驭。因此，在目标值与第二预设值（0）之间的差值小于或等于预设差值时，可以无需执行上述原子钟驾驭参数确定方法。
在一具体实施例中，可以将起始钟差、频率偏差以及当前时刻输入至预设钟差计算公式中，得到目标钟差。其中，目标钟差计算公式如下：
；
其中，目标钟差，/>为起始钟差，/>为频率偏差，/>为当前时刻，/>为预设的频率偏移量，/>为预设噪声。
需要说明的是，原子钟的输出频率发生变化通常是由原子钟内部的设备发生老化的原因引起，在频率上表现为线性的偏离标准频率，以及，在时间上呈二次方的趋势偏离标准时间。因此，在采用表征频率偏移量后，可以构建二次元表达式/>来表征随时间变化的原子钟的输出频率。
并且，原子钟的输出频率发生变化也容易受到外部环境（例如，温度）的影响。为了量化外部环境对原子钟的输出频率的影响，可以采用预设噪声进行表征。
基于此，目标钟差计算公式采用二次元表达式来表征输出频率随原子钟的内部影响的变化，以及采用预设噪声来表征输出频率随原子钟的外部影响的变化。以此，因同时考虑外部影响和内部影响，可以使得计算出的目标钟差接近于实际钟差。即，在需要获取当前时刻下的目标钟差时，可以采用上述方式直接进行计算，在满足实时性的基础上，还可以使获取到的目标钟差满足一定的精度。
需要特别说明的是，上述起始时刻可以每隔预设时长进行变换。示例性的，在起始时刻为t 0时，其可以在t 0时刻即可通过上述公式计算t 1、t 2、t 3等三个时刻下目标钟差。即，提前预报未来时刻下的目标钟差，以在未来时刻为当前时刻时，可以直接获取到目标钟差。之后，对于t 4、t 5以及t 6时刻下的目标钟差，可以在当前时刻为t 3时刻时，将t 3时刻确定为新的起始时刻，并对未来时刻（t 4、t 5以及t 6时刻）下目标钟差进行预报。以此，重复上述步骤获取各个当前时刻下分别对应的目标钟差。其中，预设时长可以根据实际情况进行设置，对此不作限定。
基于此，可以理解的是，因起始时刻可以每隔预设时长进行变换，因此，采用短期预报的方式，预测短时间内的各个未来时刻的目标钟差，可以使得预报的各个目标钟差的误差不会随时间的增加而不断增大，进一步地降低各个预报的目标钟差。
S102、将目标钟差输入至预设的驾驭模型中，得到第一预测驾驭参数。
在一实施例中，上述驾驭模型可以为反向传播（Back Propagation，BP）神经网络模型，也可以为前馈神经网络模型（Feedforward Neural Network，FNN），卷积神经网络模型，对此不作限定。
本实施例中，以BP神经网络模型为例进行解释。其中，BP神经网络模型为一种多层网络的“逆推”学习算法，学习过程由数据的正向传播与误差的反向传播两个过程组成。其中，正向传播是指数据由输入层，经过隐层计算，最后到达输出层的过程，正向传播是神经网络模型映射的过程。反向传播指神经网络模型预测的值与期望的值之间的误差，通过输出层，然后反映到隐藏层及输入层，最终计算出神经网络模型各层的模型参数对误差贡献大小的过程，反向传播用于计算模型参数的修正量。
具体的，驾驭模型可以通过如图2所示的S201-S206步骤进行训练得到，详述如下：
S201、获取训练数据集；训练数据集包括原子钟的历史钟差和历史驾驭参数。
在一实施例中，上述历史钟差和历史驾驭参数可以作为一组训练数据，训练数据集中可以由多组上述训练数据形成。
其中，因获取到的原始数据集中，原始数据本身可能存在一定范围的震荡，使得原始数据可能会降低神经网络模型的计算或观察。基于此，在获取到原始数据集后，还需对原始数据进行处理，得到上述训练数据集。
具体的，在获取到原始数据后，可以根据原始数据集对应的数据曲线对原始钟差进行拟合，生成原始钟差与时间的数据拟合曲线。而后，针对任一时间，计算时间在数据曲线中对应的原始钟差，与时间在数据拟合曲线中对应的拟合钟差的差值。之后，将每个时间分别对应的差值均确定为历史钟差，并获取每个时间分别对应的历史驾驭参数，以基于每组历史钟差和对应的历史驾驭参数生成上述训练数据集。
其中，上述原始数据集可以为原始钟差随时间变化形成的数据曲线。具体的，可以在获取到每个时间点对应的原始钟差后，建立横轴为时间，纵轴为原始钟差的二维坐标系。之后，将各个时间点对应的原始钟差在二维坐标系中进行描点，生成随时间变化的数据曲线。
其中，对数据曲线进行拟合得到数据拟合曲线的方式可以为采用最小二乘拟合算法或多项式拟合函数方法，对此不作限定。
需要说明的是，因在二维坐标系系中，数据拟合曲线也由各个时间点对应的数据拟合钟差进行描点生成。因此，可以直接计算出每个时间点下的原始钟差与对应的拟合钟差的差值。此时，该差值即为上述历史钟差。
可以理解的是，在获取各个历史时刻下的原始钟差时，可以根据历史时刻下执行的原子钟驾驭参数方法，确定各个历史时刻下分别对应的历史驾驭参数。即，获取每个时间分别对应的历史驾驭参数。
需要补充的是，因获取到所有原始钟差中可能存在误采集的情况。因此，在生成数据曲线时，还可以对原始钟差进行粗筛选，以初步剔除误采集的原始钟差。其中，粗筛选的方式可以为，计算相邻的预设数量的原始钟差的平均值。若预设数量的原始钟差中，任一原始钟差与平均值之间的差值大于预设差值，则可以认为该原始钟差为误采集。进而，可以删除该时间对应的原始钟差。
S202、将历史钟差输入至初始驾驭模型中进行正向传播训练，得到历史钟差对应的第二预测驾驭参数。
其中，在上述步骤S102中已对正向传播进行解释，在此不再进行说明。其中，第二预测驾驭参数为初始驾驭模型对历史钟差进行模型处理后的预测值。
S203、基于第二预测驾驭参数和历史驾驭参数计算历史钟差对应的训练损失。
在一实施例中，可以将第二预测驾驭参数和历史驾驭参数的差值的绝对值，或者平方差，或者均方差确定为上述训练损失，对此不作限定。
S204、根据训练损失进行反向传播训练，迭代更新初始驾驭模型中各个神经网络层的模型参数。
在一实施例中，上述步骤S102中已对反向传播进行解释，在此不再进行说明。需要说明的是，在迭代更新过程中，可以采用梯度下降法，或adagrad自适应学习方法更新模型参数，对此不作限定。
S205、若迭代更新过程中训练损失收敛，则将收敛时的初始驾驭模型确定为已训练的驾驭模型。
S206、若迭代更新过程中训练损失收敛未收敛，则基于迭代更新后的初始驾驭模型，执行目标步骤以及目标步骤之后的步骤，直至训练损失收敛；目标步骤为将训练数据集输入至初始驾驭模型中进行前向传播训练，得到历史钟差对应的第二预测驾驭参数。
在一实施例中，若模型参数迭代次数达到预设次数，或者，连续预设次数的训练损失均小于预设训练损失，则可以认为训练损失收敛。否则，确定训练损失未收敛，并基于此次迭代更新后的神经网络模型再次进行模型训练，直至确定训练损失收敛。
在另一实施例中，在进行模型训练的过程中，可以将训练数据集分为第一训练数据集和第二训练数据集。其中，第一训练数据集可以用于进行上述模型参数的迭代更新，第二训练数据集可以用于测试训练后的驾驭模型的预测性能。
示例性的，可以采用驾驭模型对第二训练数据集进行预测，并根据预测结果确定驾驭模型的预测准确率，以确定预测性能。其中，第一训练数据集中的数据与第二训练数据集中的数据的比值可以为8：2。
综上即为驾驭模型的训练方式，可以理解的是，在得到上述驾驭模型后，可以将目标钟差作为输入，经过上述驾驭模型处理，得到第一预测驾驭参数。
S103、根据目标钟差和变化趋势确定驾驭参数调整量。
可以理解的是，上述目标钟差为当前时刻下原子钟的输出时间与标准时间之间的钟差，而变化趋势可以用于表征原子钟的输出时间在历史时刻下受到外部和内部影响时，与标准时间之间的变化情况。基于此，通过结合原子钟受到影响时的目标钟差以及变化趋势，可以精确地确定驾驭参数调整量，提高后续所确定的目标驾驭参数的精度。
在一具体实施例中，可以先根据目标钟差和变化趋势，从预设的多个调整量计算公式中确定目标计算公式。而后，根据目标计算公式和目标钟差，计算驾驭参数调整量。
具体的，预设的多个调整量计算公式如下：
；
其中，为调整量计算公式，/>为目标钟差，/>为预设的衰减因子，X为预设的驾驭时间常数，/>为起始时刻下原子钟的输出频率与标准频率之间的频率偏差。
可以理解的是，因与/>均为预设的数值，因此，可以认为/>为固定的常数。
需要补充的是，采用衰减因子计算驾驭参数调整量，可以用于后续防止对原子钟输出频率的过度调整。
在一具体实施例中，根据目标钟差和变化趋势，从预设的多个调整量计算公式中确定目标计算公式，可以如下说明：
在目标钟差的绝对值大于第一预设值，且变化趋势为多个历史目标钟差的绝对值与第二预设值之间的差值逐渐减小（即，绝对值逐渐接近第二预设值）时，可以确定目标计算公式为；在目标钟差的绝对值小于或等于第一预设值时，可以确定目标计算公式为/>；以及，在目标钟差的绝对值大于第一预设值，且变化趋势为多个历史目标钟差的绝对值与第二预设值之间的差值逐渐增大（即，绝对值逐渐远离第二预设值）时，可以确定目标计算公式为/>。
在一实施例中，上述已对第二预设值，以及变化趋势进行解释，对此不再进行说明。
其中，上述第一预设值可以根据实际情况进行设置，对此不作限定。示例性的，上述第一预设值可以为1ns（纳秒）。
可以理解的是，在目标钟差的绝对值大于1ns时，可以认为原子钟的输出时间与标准时间已具有较大的时间误差。基于此，可以基于变化趋势选择合适的调整量计算公式确定驾驭参数调整量。
具体的，在目标钟差的绝对值大于1ns时，且变化趋势为多个历史目标钟差的绝对值逐渐接近第二预设值时，可以认为原子钟的输出时间将逐渐趋近标准时间。基于此，可以仅根据确定用于对第一预测驾驭参数进行微调的驾驭参数调整量即可。
以及，在目标钟差的绝对值小于或等于1ns时，可以认为原子钟的输出时间与标准时间接近。基于此，在实际调整过程中，可以仅将与/>的比值对应的常数确定驾驭参数调整量，以用于后续对第一预测驾驭参数进行微调即可。
然而，在目标钟差的绝对值大于1ns时，且变化趋势为多个历史目标钟差的绝对值逐渐接近第二预设值时，可以认为原子钟的输出时间将逐渐远离标准时间。基于此，不仅需要根据确定驾驭参数调整量，还需要与/>进行结合，确定最终的驾驭参数调整量，以对第一预测驾驭参数进行大幅度调整。
需要补充的是，为了进一步地使原子钟的输出频率在短时间内能够保持稳定，在目标钟差的绝对值小于或等于1ns时，还可以根据频率偏差的绝对值是否小于预设频率偏差进行确定。
具体的，在原子钟为铷原子钟时，在目标钟差的绝对值小于或等于1ns，且频率偏差的绝对值大于预设频率偏差/>（原子钟的输出频率与标准频率相差较大）时，可以将/>对应的常数作为驾驭参数调整量，以保证短时间内原子钟的输出频率的稳定性。
以及，在目标钟差的绝对值小于或等于1ns，且频率偏差的绝对值小于或等于（原子钟的输出频率与标准频率接近）时，因目标钟差小于等于1ns（即，原子钟的输出时间与标准时间也接近），因此，可以认为原子钟的时钟精度接近与标准的时钟精度。基于此，可以无需执行上述原子钟驾驭参数确定方法，进而，减少调整原子钟的输出频率的次数。
S104、基于驾驭参数调整量和预测驾驭参数得到目标驾驭参数。
在一实施例中，可以将第一预测驾驭参数与驾驭参数调整量之间的差值确定为目标驾驭参数，也可以在得到上述差值后，将差值与预设权重的乘积确定为目标驾驭参数，对此不作限定。
其中，因是对原子钟的输出频率进行调整，因此，上述目标驾驭参数可以认为是调整后的原子钟的输出频率。即，将当前时刻下的原子钟的输出频率，调整为目标驾驭参数对应的输出频率。
在本实施例中，在确定当前时刻下原子钟的输出时间与标准时间之间的目标钟差以及当前时刻之前的多个历史目标钟差的变化趋势后，可以先根据预设的驾驭模型对目标钟差进行处理，得到针对原子钟的频率进行初步调整的第一预测驾驭参数。之后，可以基于当前时刻之前的多个历史目标钟差的变化趋势以及目标钟差，确定驾驭参数调整量，以对初步确定的第一预测驾驭参数进行修正，得到精度更高的目标驾驭参数。基于此，因原子钟的目标钟差以及变化趋势通常受到外部和内部影响，因此，通过结合原子钟受到影响时的目标钟差以及变化趋势精确地确定驾驭参数调整量，以对第一预测驾驭参数进行调整，能够使目标驾驭参数不局限于单一模型的限制，提高目标驾驭参数的确定精度，进而提高原子钟的频率驾驭效果。
请参阅图3，图3是本申请实施例提供的一种原子钟驾驭参数确定装置的结构框图。本实施例中原子钟驾驭参数确定装置包括的各模块用于执行图1和图2对应的实施例中的各步骤。具体请参阅图1和图2以及图1和图2所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图3，原子钟驾驭参数确定装置300可以包括：目标钟差确定模块310、第一预测驾驭参数确定模块320、驾驭参数调整量确定模块330以及目标驾驭参数确定模块340，其中：
目标钟差确定模块310，用于确定当前时刻下原子钟的输出时间与标准时间之间的目标钟差，以及当前时刻之前的多个历史目标钟差的变化趋势。
第一预测驾驭参数确定模块320，用于将目标钟差输入至预设的驾驭模型中，得到第一预测驾驭参数。
驾驭参数调整量确定模块330，用于根据目标钟差和变化趋势确定驾驭参数调整量。
目标驾驭参数确定模块340，用于基于驾驭参数调整量和第一预测驾驭参数得到目标驾驭参数。
在一实施例中，目标钟差确定模块310还用于：
获取起始时刻下原子钟的输出时间与标准时间之间的起始钟差，以及原子钟的输出频率与标准频率之间的频率偏差；根据起始钟差、频率偏差以及当前时刻，确定目标钟差。
在一实施例中，目标钟差确定模块310还用于：
将起始钟差、频率偏差以及当前时刻输入至预设钟差计算公式中，得到目标钟差；目标钟差计算公式如下：
；
其中，目标钟差，/>为起始钟差，/>为频率偏差，/>为当前时刻，/>为预设的频率偏移量，/>为预设噪声。
在一实施例中，原子钟驾驭参数确定装置300还包括如下模块训练驾驭模型：
训练数据集获取模块，用于获取训练数据集；训练数据集包括原子钟的历史钟差和历史驾驭参数。
第二预测驾驭参数确定模块，用于将历史钟差输入至初始驾驭模型中进行正向传播训练，得到历史钟差对应的第二预测驾驭参数。
训练损失计算模块，用于基于第二预测驾驭参数和历史驾驭参数计算历史钟差对应的训练损失。
迭代模块，用于根据训练损失进行反向传播训练，迭代更新初始驾驭模型中各个神经网络层的模型参数。
收敛模块，用于若迭代更新过程中训练损失收敛，则将收敛时的初始驾驭模型确定为已训练的驾驭模型。
执行模块，用于若迭代更新过程中训练损失收敛未收敛，则基于迭代更新后的初始驾驭模型，执行目标步骤以及目标步骤之后的步骤，直至训练损失收敛；目标步骤为将训练数据集输入至初始驾驭模型中进行前向传播训练，得到历史钟差对应的第二预测驾驭参数。
在一实施例中，训练数据集获取模块还用于：
获取原始数据集；原始数据集为原始钟差随时间变化形成的数据曲线；对原始钟差进行拟合，生成原始钟差与时间的数据拟合曲线；针对任一时间，计算时间在数据曲线中对应的原始钟差，与时间在数据拟合曲线中对应的拟合钟差的差值；将每个时间分别对应的差值均确定为历史钟差，并获取每个时间分别对应的历史驾驭参数；根据所有历史钟差和历史驾驭参数生成训练数据集。
在一实施例中，驾驭参数调整量确定模块330还用于：
根据目标钟差和变化趋势，从预设的多个调整量计算公式中确定目标计算公式；根据目标计算公式和目标钟差，计算驾驭参数调整量。
在一实施例中，预设的多个调整量计算公式如下：
；
其中，为调整量计算公式，/>为目标钟差，/>为预设的衰减因子，X为预设的驾驭时间常数，/>为起始时刻下原子钟的输出频率与标准频率之间的频率偏差；
在一实施例中，驾驭参数调整量确定模块330还用于：
若目标钟差的绝对值大于第一预设值，且变化趋势为多个历史目标钟差的绝对值与第二预设值之间的差值逐渐减小，则确定目标计算公式为；若目标钟差的绝对值小于或等于第一预设值，则确定目标计算公式为/>；若目标钟差的绝对值大于第一预设值，且变化趋势为多个历史目标钟差的绝对值与第二预设值之间的差值逐渐增大，则确定目标计算公式为/>。
当理解的是，图3示出的原子钟驾驭参数确定装置的结构框图中，各模块用于执行图1和图2对应的实施例中的各步骤，而对于图1和图2对应的实施例中的各步骤已在上述实施例中进行详细解释，具体请参阅图1和图2以及图1和图2所对应的实施例中的相关描述，此处不再赘述。
图4是本申请一实施例提供的一种终端设备的结构框图。如图4所示，该实施例的终端设备400包括：处理器410、存储器420以及存储在存储器420中并可在处理器410运行的计算机程序430，例如原子钟驾驭参数确定方法的程序。处理器410执行计算机程序430时实现上述各个原子钟驾驭参数确定方法各实施例中的步骤，例如图1所示的S101至S104。或者，处理器410执行计算机程序430时实现上述图3对应的实施例中各模块的功能，例如，图3所示的模块510至540的功能，具体请参阅图3对应的实施例中的相关描述。
示例性的，计算机程序430可以被分割成一个或多个模块，一个或者多个模块被存储在存储器420中，并由处理器410执行，以实现本申请实施例提供的原子钟驾驭参数确定方法。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序430在终端设备400中的执行过程。例如，计算机程序430可以实现本申请实施例提供的原子钟驾驭参数确定方法。
终端设备400可包括，但不仅限于，处理器410、存储器420。本领域技术人员可以理解，图4仅仅是终端设备400的示例，并不构成对终端设备400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，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器410可以是中央处理单元，还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列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。
存储器420可以是终端设备400的内部存储单元，例如终端设备400的硬盘或内存。存储器420也可以是终端设备400的外部存储设备，例如终端设备400上配备的插接式硬盘，智能存储卡，闪存卡等。进一步地，存储器420还可以既包括终端设备400的内部存储单元也包括外部存储设备。
本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行上述各个实施例中的原子钟驾驭参数确定方法。
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各个实施例中的原子钟驾驭参数确定方法。
以上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 (9)
1.一种原子钟驾驭参数确定方法，其特征在于，所述方法包括：
确定当前时刻下原子钟的输出时间与标准时间之间的目标钟差，以及所述当前时刻之前的多个历史目标钟差的变化趋势；
将所述目标钟差输入至预设的驾驭模型中，得到第一预测驾驭参数；
根据所述目标钟差和所述变化趋势确定驾驭参数调整量；
基于所述驾驭参数调整量和所述第一预测驾驭参数得到目标驾驭参数；
所述驾驭模型通过如下步骤进行训练得到：
获取训练数据集；所述训练数据集包括所述原子钟的历史钟差和历史驾驭参数；
将所述历史钟差输入至初始驾驭模型中进行正向传播训练，得到所述历史钟差对应的第二预测驾驭参数；
基于所述第二预测驾驭参数和所述历史驾驭参数计算所述历史钟差对应的训练损失；
根据所述训练损失进行反向传播训练，迭代更新所述初始驾驭模型中各个神经网络层的模型参数；
若迭代更新过程中所述训练损失收敛，则将收敛时的所述初始驾驭模型确定为已训练的所述驾驭模型；
若迭代更新过程中所述训练损失收敛未收敛，则基于迭代更新后的所述初始驾驭模型，执行目标步骤以及所述目标步骤之后的步骤，直至所述训练损失收敛；所述目标步骤为将所述训练数据集输入至初始驾驭模型中进行前向传播训练，得到所述历史钟差对应的第二预测驾驭参数。
2.根据权利要求1所述的原子钟驾驭参数确定方法，其特征在于，所述确定当前时刻下原子钟的输出时间与标准时间之间的目标钟差，包括：
获取起始时刻下所述原子钟的输出时间与标准时间之间的起始钟差，以及所述原子钟的输出频率与标准频率之间的频率偏差；
根据所述起始钟差、所述频率偏差以及所述当前时刻，确定所述目标钟差。
3.根据权利要求2所述的方法，其特征在于，所述根据所述起始钟差、所述频率偏差以及所述当前时刻，确定所述目标钟差，包括：
将所述起始钟差、所述频率偏差以及所述当前时刻输入至预设钟差计算公式中，得到所述目标钟差；所述目标钟差计算公式如下：
；
其中，所述目标钟差，/>为所述起始钟差，/>为所述频率偏差，/>为所述当前时刻，/>为预设的频率偏移量，/>为预设噪声。
4.根据权利要求1所述的方法，其特征在于，所述获取训练数据集，包括：
获取原始数据集；所述原始数据集为原始钟差随时间变化形成的数据曲线；
对所述原始钟差进行拟合，生成所述原始钟差与时间的数据拟合曲线；
针对任一时间，计算所述时间在所述数据曲线中对应的原始钟差，与所述时间在所述数据拟合曲线中对应的拟合钟差的差值；
将每个所述时间分别对应的差值均确定为所述历史钟差，并获取每个所述时间分别对应的历史驾驭参数；
根据所有所述历史钟差和所述历史驾驭参数生成所述训练数据集。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述目标钟差和所述变化趋势确定驾驭参数调整量，包括：
根据所述目标钟差和所述变化趋势，从预设的多个调整量计算公式中确定目标计算公式；
根据所述目标计算公式和所述目标钟差，计算所述驾驭参数调整量。
6.根据权利要求5所述的方法，其特征在于，所述预设的多个调整量计算公式如下：
；
其中，为调整量计算公式，/>为所述目标钟差，/>为预设的衰减因子，X为预设的驾驭时间常数，/>为起始时刻下所述原子钟的输出频率与标准频率之间的频率偏差；
所述根据所述目标钟差和所述变化趋势，从预设的多个调整量计算公式中确定目标计算公式，包括：
若所述目标钟差的绝对值大于第一预设值，且所述变化趋势为多个所述历史目标钟差的绝对值与第二预设值之间的差值逐渐减小，则确定所述目标计算公式为；
若所述目标钟差的绝对值小于或等于第一预设值，则确定所述目标计算公式为；
若所述目标钟差的绝对值大于第一预设值，且所述变化趋势为多个所述历史目标钟差的绝对值与第二预设值之间的差值逐渐增大，则确定所述目标计算公式为。
7.一种原子钟驾驭参数确定装置，其特征在于，所述装置包括：
目标钟差确定模块，用于确定当前时刻下原子钟的输出时间与标准时间之间的目标钟差，以及所述当前时刻之前的多个历史目标钟差的变化趋势；
第一预测驾驭参数确定模块，用于将所述目标钟差输入至预设的驾驭模型中，得到第一预测驾驭参数；
驾驭参数调整量确定模块，用于根据所述目标钟差和所述变化趋势确定驾驭参数调整量；
目标驾驭参数确定模块，用于基于所述驾驭参数调整量和所述第一预测驾驭参数得到目标驾驭参数；
所述装置还包括如下模块训练所述驾驭模型：
训练数据集获取模块，用于获取训练数据集；所述训练数据集包括所述原子钟的历史钟差和历史驾驭参数；
第二预测驾驭参数确定模块，用于将所述历史钟差输入至初始驾驭模型中进行正向传播训练，得到所述历史钟差对应的第二预测驾驭参数；
训练损失计算模块，用于基于所述第二预测驾驭参数和所述历史驾驭参数计算所述历史钟差对应的训练损失；
迭代模块，用于根据所述训练损失进行反向传播训练，迭代更新所述初始驾驭模型中各个神经网络层的模型参数；
收敛模块，用于若迭代更新过程中所述训练损失收敛，则将收敛时的所述初始驾驭模型确定为已训练的所述驾驭模型；
执行模块，用于若迭代更新过程中所述训练损失收敛未收敛，则基于迭代更新后的所述初始驾驭模型，执行目标步骤以及所述目标步骤之后的步骤，直至所述训练损失收敛；所述目标步骤为将所述训练数据集输入至初始驾驭模型中进行前向传播训练，得到所述历史钟差对应的第二预测驾驭参数。
8.一种终端设备，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6任一项所述的方法。
9.一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，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6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311108948.4A CN116819932B (zh) | 2023-08-31 | 2023-08-31 | 原子钟驾驭参数确定方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311108948.4A CN116819932B (zh) | 2023-08-31 | 2023-08-31 | 原子钟驾驭参数确定方法、装置、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116819932A CN116819932A (zh) | 2023-09-29 |
| CN116819932B true CN116819932B (zh) | 2023-12-01 |
Family
ID=88118893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311108948.4A Active CN116819932B (zh) | 2023-08-31 | 2023-08-31 | 原子钟驾驭参数确定方法、装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819932B (zh) |
Citations (11)
| 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 |
| CN107505829A (zh) * | 2017-08-28 | 2017-12-22 | 北京工业大学 | 一种基于遗传算法优化小波神经网络的铯喷泉钟钟与氢钟频差预估方法 |
| 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 |
| CN113240076A (zh) * | 2021-04-27 | 2021-08-10 | 北京无线电计量测试研究所 | 一种基于聚类和神经网络算法的钟差异常数据检测方法 |
| CN113900367A (zh) * | 2021-09-24 | 2022-01-07 | 上海精密计量测试研究所 | 一种氢原子钟频率驾驭系统和方法 |
| 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 |
| CN114818247A (zh) * | 2021-12-31 | 2022-07-29 | 北京无线电计量测试研究所 | 一种基于氢原子钟漂移预测的原子时计算方法和装置 |
| CN114966766A (zh) * | 2022-05-20 | 2022-08-30 | 中国科学院微小卫星创新研究院 | 导航星座时间基准的构建方法、装置和系统 |
| CN115733489A (zh) * | 2022-11-25 | 2023-03-03 | 中科启迪光电子科技(广州)有限公司 | 一种芯片原子钟驯服方法、装置和系统 |
| CN115758071A (zh) * | 2022-11-23 | 2023-03-07 | 中国计量科学研究院 | 原子钟的钟差预测方法、装置、设备以及存储介质 |
| CN116245015A (zh) * | 2023-01-09 | 2023-06-09 | 四川通信科研规划设计有限责任公司 | 基于深度学习的数据变化趋势预测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6831522B2 (en) * | 2001-07-09 | 2004-12-14 | The United States Of America As Represented By The Secretary Of Commerce | Method of minimizing the short-term frequency instability of laser-pumped atomic clocks |
| CN112433236B (zh) * | 2021-01-27 | 2021-05-18 | 腾讯科技（深圳）有限公司 | 误差模型标定方法、装置、设备及计算机可读存储介质 |
-
2023
- 2023-08-31 CN CN202311108948.4A patent/CN116819932B/zh active Active
Patent Citations (11)
| 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 |
| CN107505829A (zh) * | 2017-08-28 | 2017-12-22 | 北京工业大学 | 一种基于遗传算法优化小波神经网络的铯喷泉钟钟与氢钟频差预估方法 |
| 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 |
| CN113240076A (zh) * | 2021-04-27 | 2021-08-10 | 北京无线电计量测试研究所 | 一种基于聚类和神经网络算法的钟差异常数据检测方法 |
| CN113900367A (zh) * | 2021-09-24 | 2022-01-07 | 上海精密计量测试研究所 | 一种氢原子钟频率驾驭系统和方法 |
| 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 |
| CN114818247A (zh) * | 2021-12-31 | 2022-07-29 | 北京无线电计量测试研究所 | 一种基于氢原子钟漂移预测的原子时计算方法和装置 |
| CN114966766A (zh) * | 2022-05-20 | 2022-08-30 | 中国科学院微小卫星创新研究院 | 导航星座时间基准的构建方法、装置和系统 |
| CN115758071A (zh) * | 2022-11-23 | 2023-03-07 | 中国计量科学研究院 | 原子钟的钟差预测方法、装置、设备以及存储介质 |
| CN115733489A (zh) * | 2022-11-25 | 2023-03-03 | 中科启迪光电子科技(广州)有限公司 | 一种芯片原子钟驯服方法、装置和系统 |
| CN116245015A (zh) * | 2023-01-09 | 2023-06-09 | 四川通信科研规划设计有限责任公司 | 基于深度学习的数据变化趋势预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| GNSS驯服芯片级原子钟方法研究;乔广欣，张慧君，李博;《导航定位与授时》;第9卷(第2期);第153-159页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116819932A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111143989B (zh) | 频率调整量计算方法、模块、系统、存储介质和设备 | |
| CN109447133B (zh) | 一种基于svr算法的位置信息野值的剔除方法 | |
| CN112433235B (zh) | 一种用于确定时间基准的方法、系统和介质 | |
| CN110855590A (zh) | 频偏补偿方法、系统、电子设备及计算机可读存储介质 | |
| Straka et al. | Gaussian sum unscented Kalman filter with adaptive scaling parameters | |
| GB2548367A (en) | Supporting an estimation of satellite locations | |
| CN107086901A (zh) | 一种bdt建立方法及utc(ntsc)建立方法 | |
| US8589852B1 (en) | Statistical corner extraction using worst-case distance | |
| CN116819932B (zh) | 原子钟驾驭参数确定方法、装置、终端设备及存储介质 | |
| CN104730542B (zh) | 用于补偿诸如振荡器的频率发生器的频率不精确度的方法和装置 | |
| US20160033961A1 (en) | Production Control Support Apparatus and Production Control Support Method | |
| CN115733489B (zh) | 一种芯片原子钟驯服方法、装置和系统 | |
| CN106153046B (zh) | 一种基于自适应Kalman滤波的陀螺随机噪声AR建模方法 | |
| CN109655081B (zh) | 星敏感器光学系统参数在轨自适应校正方法及系统 | |
| CN116861772A (zh) | 一种多参数精加工的参数优化方法及系统 | |
| CN106200619B (zh) | 附带控制器输出约束的pi控制回路性能评估方法 | |
| CN115758071A (zh) | 原子钟的钟差预测方法、装置、设备以及存储介质 | |
| KR102624834B1 (ko) | 파워 소모를 절약할 수 있는 글로벌 항법 위성 시스템 수신기를 포함하는 휴대 장치 및 그 동작 방법 | |
| CN111711446B (zh) | 一种利用gps信号驯服晶振频率的方法、系统及介质 | |
| CN108984982B (zh) | 可预设精度的螺旋锥齿轮加工参数反调修正计算方法 | |
| CN104020813A (zh) | 基于fir滤波器预测的mppt滞环控制算法 | |
| Tseng et al. | Introduction of GNSS Up-Sampled All-in-View Time Transfers | |
| JP6925562B2 (ja) | 情報処理装置および測位補強情報送信方法 | |
| JP6952944B2 (ja) | 平滑フィルタ装置および平滑化方法 | |
| Wei et al. | Adaptive Kalman Filtering method to the data processing of GPS deformation monitoring |
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 |