[发明专利]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

摘要

本发明公开了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，属于原子时标的技术领域。本发明对铯原子喷泉钟和氢钟频差数据进行预处理，包括离群值检测和缺失数据拟补。根据频差数据的特征确定小波神经网络的输入层、隐含层、隐含层的个数及小波基的选取，为进一步提高喷泉钟数据预估的精度和预估稳定性，建立了基于遗传算法优化小波神经网络的喷泉钟数据预估模型。对喷泉钟驾驭氢钟组预估中，首次使用遗传小波神经网络进行预测，其预测精度与现行的线性预测相比大大提高，且数据更加平稳，从而提高了喷泉钟驾驭氢钟组的驾驭精度，为产生稳定度和准确度更高的TA(NIM)提供了更精确的依据。

主权项

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，其特征在于：该方法的具体内容如下，第一步，通过时间间隔计数器测得铯原子喷泉钟正常运行时与氢钟的频差值；第二步，对实验室测得的铯原子喷泉钟与氢钟频差数据进行数据预处理，即离群值检测和缺失数据处理；由于原子钟系统的维护、主氢钟跳频跳相、相位微跃器是否锁定、温度、湿度都会影响原子钟的运行状态，因此得到的数据并不一定是实际的频差数据，会有一些数据点有较大的误差；通过莱特准则，对频差数据进行筛选，得到剔除数据筛选后的铯原子喷泉钟与氢钟频差数据，对剔除数据用该剔除数据的前10天和后10数据进行最小二乘法线性拟合得出该点频差数据；从而补全频差数据；第三步，以原子钟系统为基础，建立频差数据的遗传小波神经网络模型，将铯原子喷泉钟与氢钟频差数据的历史值作为训练集，预测喷泉钟的停运时刻的频差值；第四步，评价预测方法的有效性，利用均方根误差公式：RMS=1nΣi=1n(Δti)2,Δti=ti-t^]]>式中，ti是频差值；为预报频差值；RMS表示预测值与真实值之间的偏离程度，RMS越小表明预测性能越好，n为钟差个数，Δt表示真实值与预测频差值的差；利用莱特准则进行离群值检测，检测的原子钟频差数据为{x1,x2,x3,···xN‑1,xN}，N表示频差值个数，xN第N个频差值；样本均值是标准偏差S为莱特准则是若测量值则该值为离群值，将其剔除，得到离群值检测之后的铯原子喷泉钟与氢钟频差数据。