[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

权利要求书

1.一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，t_i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,···x_N-1,x_N}，N表示频差值个数，x_N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。

2.根据权利要求1所述的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：小波神经网络经过对具体的数据分析实验得出最合适的输入层、隐含层和输出层个数，选取适合非线性时间序列预测的Morlet小波基函数。

3.根据权利要求1所述的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：用全局搜索性能强的遗传算法对小波神经网络的参数包括权值及伸缩和平移因子参数。

4.根据权利要求1所述的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：由于频差数据是一组非线性随机序列，其历史数据特性对预测效果有一定的影响，为进一步提高预测精度，对其历史数据即训练集点数对预测结果的影响做出了分析，分别采用60、80、100、120个不同的训练集点数作为网络训练集，实验得出训练集点数为80时预测效果最佳，均方根误差值最小，故最终选取点数为80的训练集对喷泉钟停运时的缺失值进行精准预测。