一种基于频率驾驭的频率偏移校正方法及系统的制作方法
【技术领域】
[0001] 本发明涉及频率源控制领域。更具体地，涉及一种基于频率驾驭的频率偏移校正 方法及系统。
【背景技术】
[0002] 维持一个稳定可靠的时间基准系统，需要一个精准的频率源。而自由运行的频率 源在其自身速率的影响下，其产生的频率信号或多或少存在着频率偏移现象。频率驾驭是 指将一个有着更高准确度和稳定度的信号作为参考信号，通过一定的算法获得被控频率信 号相对于参考信号的偏移补偿量，以此干预被控频率信号的自由走势，在保证其短期稳定 度的前提下，提高其准确度和长期稳定度。
[0003] 频率调整量的计算，其关键在于利用当前阶段获取的历史时差数据合理建模，来 预测下一阶段的时差。传统的频率驾驭方法中，通常采用最小二乘拟合模型和卡尔曼滤波 模型对频率信号的走势进行预测。最小二乘拟合模型需要采集大量样本，事先确定样本的 多项式次数，再利用历史数据拟合确定各次项的系数，进而作外推预报估计下一时刻的时 差。卡尔曼滤波模型则需要事先确定模型噪声协方差矩阵和观测噪声协方差矩阵，这两个 矩阵的获取并没有固定的方法，只能采用经验估计。这两种预测方法除了需要很强的先验 知识外，还需要预先知道模型的结构形式。但在实际预测问题中，样本的数量都是有限的， 根据有限样本事先确定的模型结构并不能很好的总结归纳实际情况；因此以上两种预测模 型存在共同的弊端，固定结构的预测模型缺乏对实际情况的自适应能力，这将导致预报误 差随时间的增加而不断增大。
[0004] 因此，需要提供一种基于频率驾驭的频率偏移校正方法及系统。
【发明内容】
[0005] 本发明的目的在于提供一种基于频率驾驭的频率偏移校正方法及系统，采用支持 向量机原理建立预测模型，解决传统的频率偏移校正中需事先确定预测模型结构，自适应 性差的问题。
[0006] 为达到上述目的，本发明采用下述技术方案：
[0007] 一种基于频率驾驭的频率偏移校正方法，该方法包括如下步骤：
[0008] S1、比对得出被控频率信号与参考信号之间的历史时差序列，并基于支持向量机 原理建立历史时差序列模型，模型公式为：
[0010] 公式中，1为历史时差序列的个数，yi为第i个时差值，Xi为第i个时差值对应的 时标，a,为拉格朗日乘子；K(x，Xi)为高斯径向基核函数；b为常数项；
[0011] S2、利用历史时差序列模型，预测下一阶段被控频率信号与参考信号之间的时差 序列；
[0012] S3、基于下一阶段被控频率信号与参考信号之间的时差序列，计算被控频率信号 的调整量；
[0013] S4、基于被控频率信号的调整量校正被控频率信号。
[0014] 优选地，步骤S1中的参考信号包括内部参考信号和外部参考信号，内部参考信号 为综合时间尺度源生成的综合时间尺度；外部参考信号为国际时钟源生成的国际时钟信 号。
[0015] 优选地，步骤S2中下一阶段被控频率信号与参考信号之间的时差序列为：
[0016] {(x1+1，y1+1)，…，（x1+i，y1+i)}G(X，Y).S
[0017] 其中，第1+i个时差值对应的时标x1+i=Xl+iXt，i= 1，…，N-l，N为历史时 差序列与下一阶段时差序列的总个数，t为固定的采样间隔；第1+i个时差值71+1，1 = 1，…，N_1通过将第1+i个时差值对应的时标x1+i代入历史时差序列模型计算得到。
[0018] 优选地，步骤S3中计算被控频率信号的调整量的方法为：
[0019] 对下一阶段被控频率信号与参考信号之间的时差序列做线性拟合，拟合曲线的一 次项系数％即为被控频率信号相对于参考信号的预测速率：
[0020] f' (x) =a0^\+al
[0021] 公式中，a。为拟合曲线的一次项系数，a为拟合曲线的常数项；
[0022] 预测速率a。的相反数-a#卩为被控频率的频率调整量。
[0023] 一种实施上述方法的基于频率驾驭的频率偏移校正系统，该系统包括：
[0024] 被控频率源、综合时间尺度源、国际时钟源、内部时间比对模块、外部时间比对模 块、频率调整量计算模块、频率调整控制模块；
[0025] 被控频率源生成被控频率信号；
[0026] 综合时间尺度源生成综合时间尺度，作为内部参考信号；国际时钟源生成国际时 钟信号，作为外部参考信号；
[0027] 内部时间比对模块获取被控频率信号与内部参考信号之间比对的历史时差；
[0028] 外部时间比对模块获取被控频率信号与外部参考信号之间比对的历史时差；
[0029] 频率调整量计算模块根据内部时间比对模块和外部时间比对模块获取的历史时 差数据，预测下一阶段被控频率信号与参考信号之间的时差序列，计算被控频率信号的调 整量；
[0030] 频率调整控制模块根据调整量对被控频率信号进行调整控制。
[0031] 本发明的有益效果如下：
[0032] 本发明所述技术方案中建立预测模型采用的支持向量机是建立在结构风险最小 化原理基础上的结构化学习方法，它能利用核函数很好地解决有限数量样本的高维建模问 题，实施简单、推广性能好、学习速度快、优化求解时具有唯一的极小点，而且所构造的模型 有很好的预测性能。此外，本发明所述技术方案中的参考信号是相较于被控频率信号有着 更高准确度和更好稳定性的信号，该参考信号包括多台原子钟组合计算得出的综合时间尺 度TA和协调世界时UTC。
【附图说明】
[0033] 下面结合附图对本发明的【具体实施方式】作进一步详细的说明。
[0034] 图1示出基于频率驾驭的频率偏移校正方法流程图。
[0035] 图2示出基于频率驾驭的频率偏移校正系统示意图。
【具体实施方式】
[0036] 为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说 明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具 体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
[0037] 本实施例提供的基于频率驾驭的频率偏移校正方法，包括如下步骤：
[0038] Stepl、比对得出被控频率信号与参考信号之间的历史时差序列，并基于支持向量 机原理建立历史时差序列模型：
[0039] 被控频率信号由被控频率源生成，
[0040] 参考信号包括内部参考信号和外部参考信号两种，内部参考信号为综合时间尺度 源生成的综合时间尺度，综合时间尺度的生成过程为利用多台原子钟生成的信号之间的比 对数据进行基于ATI算法的计算得到；外部参考信号为国际时钟源生成的国际时钟信号， [0041] 进而历史时差序列包括：被控频率信号与综合时间尺度之间的历史时差序列、被 控频率信号与国际时钟信号之间的历史时差序列。
[0042] 为保证模型对实际情况的适应性，至少需要积累一个月的数据。这些历史数据称 为训练集T= {(Xl，yi)，…，（Xi，yi)}G(XJ)1，其中，1为历史时差序列的个数，yiGR表 示第i个时差值，单位为ns，XieRn表示第i个时差值对应的时标，用约化儒略日表示。历 史时差序列模型为利用实值函数f(x)来表达时差值y对时差值对应的时标x的依赖关系。
[0043] 在一维空间中，训练集T中的（Xi，yi)是一种非线性关系，需要使用一个非线性映 射(?)将训练集的Xi由输入空间X映射到高维特征空间H，在特征空间H中构造线性支 持向量回归模型，该模型对应一维输入空间中的非线性回归。这个映射由满足Mercer条件 下构成的核函数K(Xi，Xj)=(巾〇〇 ? (i>(Xj))来实现。考虑到可能存在误差，引入两个松 弛变量：&<20./ = 1.2,…，/。求解最优实值函数f(x) =〈《 ?cHX)>+b，即最小化
[0045] 约束条件为
[0047] 公式（1)中，第一项使函数更为平坦，提高泛化能力；第二项为减小误差，常数C为 惩罚参数，对两者做折中。公式（2)中e为一正常数，f(Xi)与71的差别小于e时不计入 误差，大于e时误差计为|f(Xi)-yi|-e。采用拉格朗日乘子解决这个二次规划问题，即
[0049] 函数L的极值应满足条件：
[0051] 于是得到优化问题的对偶形式，最大化函数：
[0053] 约束条件为
[0055] 从而构造非线性回归函数，即历史时差数据模型，公式如下：
[0057] 公式中，ai为拉格朗日乘子；K(x，x)为高斯径向基核函数：
〇 '为函数的宽度参数；b为模型的常数项；
[0058] Step2、利用历史时差序列模型，预测下一阶段被控频率信号与参考信号之间的时 差序列：
[0059] 内部时间比对模块和外部时间比对模块存储的时差序列T= {(Xl，yi)，… ，（Xi，yi)}e(XJ)1，时标\有唯一固定的采样间隔t。步骤St印1得到了该序列的支持向 量机回归模型，即时标\与时差值y间的依赖关系。根据训练集T的最后一个采样时刻 Xl和采样间隔T，可以得到下一阶段采样点{(x1+1，y1+1)，…，（x1+i，y1+i)}e(X，Y)h的时标：
[0060] x1+i=xx+iXt,i= 1, ???,N-l (8)
[0061] 公式中，N为历史时差序列与下一阶段时差序列的总个数；
[0062]将公式⑶代入公式（7)，得到下一阶段各采样时刻对应的时差预测值：
[0063] y1+i，i= 1，…，N-1 ;
[0064] 从而预测出下一阶段被控频率信号与参考信号之间的时差序列{(11+1， 71+1)，~ ,(x1+i,y1+i)}G(X,Y)n-S
[0065] Step3、基于下一阶段被控频率信号与参考信号之间的时差序列，计算被控频率信 号的调整量：
[0066] 利用步骤Step2得到下一阶段被控频率信号与参考信号之间的时差预测序列T= Kx1+1，y1+1)，…，（x1+i，y1+i)}e(X，Y)h。对预测序列做线性拟合