一種基于頻率駕馭的頻率偏移校正方法及系統的制作方法
【技術領域】
[0001] 本發明涉及頻率源控制領域。更具體地，涉及一種基于頻率駕馭的頻率偏移校正 方法及系統。
【背景技術】
[0002] 維持一個穩定可靠的時間基準系統，需要一個精準的頻率源。而自由運行的頻率 源在其自身速率的影響下，其產生的頻率信號或多或少存在著頻率偏移現象。頻率駕馭是 指將一個有著更高準確度和穩定度的信號作為參考信號，通過一定的算法獲得被控頻率信 號相對于參考信號的偏移補償量，以此干預被控頻率信號的自由走勢，在保證其短期穩定 度的前提下，提高其準確度和長期穩定度。
[0003] 頻率調整量的計算，其關鍵在于利用當前階段獲取的歷史時差數據合理建模，來 預測下一階段的時差。傳統的頻率駕馭方法中，通常采用最小二乘擬合模型和卡爾曼濾波 模型對頻率信號的走勢進行預測。最小二乘擬合模型需要采集大量樣本，事先確定樣本的 多項式次數，再利用歷史數據擬合確定各次項的系數，進而作外推預報估計下一時刻的時 差。卡爾曼濾波模型則需要事先確定模型噪聲協方差矩陣和觀測噪聲協方差矩陣，這兩個 矩陣的獲取并沒有固定的方法，只能采用經驗估計。這兩種預測方法除了需要很強的先驗 知識外，還需要預先知道模型的結構形式。但在實際預測問題中，樣本的數量都是有限的， 根據有限樣本事先確定的模型結構并不能很好的總結歸納實際情況；因此以上兩種預測模 型存在共同的弊端，固定結構的預測模型缺乏對實際情況的自適應能力，這將導致預報誤 差隨時間的增加而不斷增大。
[0004] 因此，需要提供一種基于頻率駕馭的頻率偏移校正方法及系統。
【發明內容】
[0005] 本發明的目的在于提供一種基于頻率駕馭的頻率偏移校正方法及系統，采用支持 向量機原理建立預測模型，解決傳統的頻率偏移校正中需事先確定預測模型結構，自適應 性差的問題。
[0006] 為達到上述目的，本發明采用下述技術方案：
[0007] 一種基于頻率駕馭的頻率偏移校正方法，該方法包括如下步驟：
[0008] S1、比對得出被控頻率信號與參考信號之間的歷史時差序列，并基于支持向量機 原理建立歷史時差序列模型，模型公式為：
[0010] 公式中，1為歷史時差序列的個數，yi為第i個時差值，Xi為第i個時差值對應的 時標，a,為拉格朗日乘子；K(x，Xi)為高斯徑向基核函數；b為常數項；
[0011] S2、利用歷史時差序列模型，預測下一階段被控頻率信號與參考信號之間的時差 序列；
[0012] S3、基于下一階段被控頻率信號與參考信號之間的時差序列，計算被控頻率信號 的調整量；
[0013] S4、基于被控頻率信號的調整量校正被控頻率信號。
[0014] 優選地，步驟S1中的參考信號包括內部參考信號和外部參考信號，內部參考信號 為綜合時間尺度源生成的綜合時間尺度；外部參考信號為國際時鐘源生成的國際時鐘信 號。
[0015] 優選地，步驟S2中下一階段被控頻率信號與參考信號之間的時差序列為：
[0016] {(x1+1，y1+1)，…，（x1+i，y1+i)}G(X，Y).S
[0017] 其中，第1+i個時差值對應的時標x1+i=Xl+iXt，i= 1，…，N-l，N為歷史時 差序列與下一階段時差序列的總個數，t為固定的采樣間隔；第1+i個時差值71+1，1 = 1，…，N_1通過將第1+i個時差值對應的時標x1+i代入歷史時差序列模型計算得到。
[0018] 優選地，步驟S3中計算被控頻率信號的調整量的方法為：
[0019] 對下一階段被控頻率信號與參考信號之間的時差序列做線性擬合，擬合曲線的一 次項系數％即為被控頻率信號相對于參考信號的預測速率：
[0020] f' (x) =a0^\+al
[0021] 公式中，a。為擬合曲線的一次項系數，a為擬合曲線的常數項；
[0022] 預測速率a。的相反數-a#卩為被控頻率的頻率調整量。
[0023] 一種實施上述方法的基于頻率駕馭的頻率偏移校正系統，該系統包括：
[0024] 被控頻率源、綜合時間尺度源、國際時鐘源、內部時間比對模塊、外部時間比對模 塊、頻率調整量計算模塊、頻率調整控制模塊；
[0025] 被控頻率源生成被控頻率信號；
[0026] 綜合時間尺度源生成綜合時間尺度，作為內部參考信號；國際時鐘源生成國際時 鐘信號，作為外部參考信號；
[0027] 內部時間比對模塊獲取被控頻率信號與內部參考信號之間比對的歷史時差；
[0028] 外部時間比對模塊獲取被控頻率信號與外部參考信號之間比對的歷史時差；
[0029] 頻率調整量計算模塊根據內部時間比對模塊和外部時間比對模塊獲取的歷史時 差數據，預測下一階段被控頻率信號與參考信號之間的時差序列，計算被控頻率信號的調 整量；
[0030] 頻率調整控制模塊根據調整量對被控頻率信號進行調整控制。
[0031] 本發明的有益效果如下：
[0032] 本發明所述技術方案中建立預測模型采用的支持向量機是建立在結構風險最小 化原理基礎上的結構化學習方法，它能利用核函數很好地解決有限數量樣本的高維建模問 題，實施簡單、推廣性能好、學習速度快、優化求解時具有唯一的極小點，而且所構造的模型 有很好的預測性能。此外，本發明所述技術方案中的參考信號是相較于被控頻率信號有著 更高準確度和更好穩定性的信號，該參考信號包括多臺原子鐘組合計算得出的綜合時間尺 度TA和協調世界時UTC。
【附圖說明】
[0033] 下面結合附圖對本發明的【具體實施方式】作進一步詳細的說明。
[0034] 圖1示出基于頻率駕馭的頻率偏移校正方法流程圖。
[0035] 圖2示出基于頻率駕馭的頻率偏移校正系統示意圖。
【具體實施方式】
[0036] 為了更清楚地說明本發明，下面結合優選實施例和附圖對本發明做進一步的說 明。附圖中相似的部件以相同的附圖標記進行表示。本領域技術人員應當理解，下面所具 體描述的內容是說明性的而非限制性的，不應以此限制本發明的保護范圍。
[0037] 本實施例提供的基于頻率駕馭的頻率偏移校正方法，包括如下步驟：
[0038] Stepl、比對得出被控頻率信號與參考信號之間的歷史時差序列，并基于支持向量 機原理建立歷史時差序列模型：
[0039] 被控頻率信號由被控頻率源生成，
[0040] 參考信號包括內部參考信號和外部參考信號兩種，內部參考信號為綜合時間尺度 源生成的綜合時間尺度，綜合時間尺度的生成過程為利用多臺原子鐘生成的信號之間的比 對數據進行基于ATI算法的計算得到；外部參考信號為國際時鐘源生成的國際時鐘信號， [0041] 進而歷史時差序列包括：被控頻率信號與綜合時間尺度之間的歷史時差序列、被 控頻率信號與國際時鐘信號之間的歷史時差序列。
[0042] 為保證模型對實際情況的適應性，至少需要積累一個月的數據。這些歷史數據稱 為訓練集T= {(Xl，yi)，…，（Xi，yi)}G(XJ)1，其中，1為歷史時差序列的個數，yiGR表 示第i個時差值，單位為ns，XieRn表示第i個時差值對應的時標，用約化儒略日表示。歷 史時差序列模型為利用實值函數f(x)來表達時差值y對時差值對應的時標x的依賴關系。
[0043] 在一維空間中，訓練集T中的（Xi，yi)是一種非線性關系，需要使用一個非線性映 射(?)將訓練集的Xi由輸入空間X映射到高維特征空間H，在特征空間H中構造線性支 持向量回歸模型，該模型對應一維輸入空間中的非線性回歸。這個映射由滿足Mercer條件 下構成的核函數K(Xi，Xj)=(巾〇〇 ? (i>(Xj))來實現。考慮到可能存在誤差，引入兩個松 弛變量：&<20./ = 1.2,…，/。求解最優實值函數f(x) =〈《 ?cHX)>+b，即最小化
[0045] 約束條件為
[0047] 公式（1)中，第一項使函數更為平坦，提高泛化能力；第二項為減小誤差，常數C為 懲罰參數，對兩者做折中。公式（2)中e為一正常數，f(Xi)與71的差別小于e時不計入 誤差，大于e時誤差計為|f(Xi)-yi|-e。采用拉格朗日乘子解決這個二次規劃問題，即
[0049] 函數L的極值應滿足條件：
[0051] 于是得到優化問題的對偶形式，最大化函數：
[0053] 約束條件為
[0055] 從而構造非線性回歸函數，即歷史時差數據模型，公式如下：
[0057] 公式中，ai為拉格朗日乘子；K(x，x)為高斯徑向基核函數：
〇 '為函數的寬度參數；b為模型的常數項；
[0058] Step2、利用歷史時差序列模型，預測下一階段被控頻率信號與參考信號之間的時 差序列：
[0059] 內部時間比對模塊和外部時間比對模塊存儲的時差序列T= {(Xl，yi)，… ，（Xi，yi)}e(XJ)1，時標\有唯一固定的采樣間隔t。步驟St印1得到了該序列的支持向 量機回歸模型，即時標\與時差值y間的依賴關系。根據訓練集T的最后一個采樣時刻 Xl和采樣間隔T，可以得到下一階段采樣點{(x1+1，y1+1)，…，（x1+i，y1+i)}e(X，Y)h的時標：
[0060] x1+i=xx+iXt,i= 1, ???,N-l (8)
[0061] 公式中，N為歷史時差序列與下一階段時差序列的總個數；
[0062]將公式⑶代入公式（7)，得到下一階段各采樣時刻對應的時差預測值：
[0063] y1+i，i= 1，…，N-1 ;
[0064] 從而預測出下一階段被控頻率信號與參考信號之間的時差序列{(11+1， 71+1)，~ ,(x1+i,y1+i)}G(X,Y)n-S
[0065] Step3、基于下一階段被控頻率信號與參考信號之間的時差序列，計算被控頻率信 號的調整量：
[0066] 利用步驟Step2得到下一階段被控頻率信號與參考信號之間的時差預測序列T= Kx1+1，y1+1)，…，（x1+i，y1+i)}e(X，Y)h。對預測序列做線性擬合