[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

说明书

技术领域

本发明属于时间频率的技术领域，主要是一种利用铯原子喷泉钟与氢钟频差值的历史数据通过遗传算法优化小波神经网络预估方法得到喷泉钟停运时的数据。

背景技术

时间频率是基础科学研究中的一个重要分支，在科研、定位系统、电力系统、军事和国家安全等方面处于举足轻重的地位。为此世界各国大都建有自己的守时实验室，产生本国的原子时标，并参与国际比对。

中国计量科学研究院守时实验室是国际上首次利用喷泉钟驾驭氢钟组产生地方原子时的守时实验室。自2007年开始，地方原子时以氢钟作为参考钟，通过算法产生TA(NIM)，它的频率由喷泉钟直接驾驭。由于喷泉钟运行是不连续的，中国计量科学研究院守时实验室用直线预估算法预估喷泉钟停运时的数据，使得喷泉钟可以连续的驾驭TA(NIM)。线性回归预测算法的思想是将频差数据看为一组线性序列，用最小二乘法获得一元线性的系数实现预测，方法简单，但只能预测出频差数据的变化趋势；真实数据并不是理想的直线，造成直线拟合的数据精度不够，与真实数据存在较大偏差。因此，本发明提出一种于遗传算法的小波神经网络预估算法，该方法将神经网络中的激活函数用小波函数来代替的神经网络，它既保持了BP神经网络的优点，同时又利用了小波变换具有能够通过放大信号来提取局部信息的优点，为了防止网络训练参数调整时陷入局部最小值，用全局性搜索能力强的遗传算法来对小波神经网络进行优化，以便选取了合适的网络隐含层数和训练集点数，通过两次优化训练得到精度更高的预测值。考虑到真实的相对频率是一组非线性随机序列，与现有的线性预测相比，本方法对频差数据进行非线性预测，旨在提高预估数据的精度，从而提高TA(NIM)的准确度和稳定度，喷泉钟驾驭氢钟系统框图如图1所示。

发明内容

本发明要解决的技术问题是，利用喷泉钟运行时的历史数据，采用遗传算法优化小波神经网络预估方法预测铯原子喷泉钟停运时与氢钟的频差的数据，以提供连续的喷泉钟数据用来驾驭氢钟组，可得到较高准确度和稳定度的TA(NIM)。

为解决上述问题，本发明采用如下的技术方案：

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，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：

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。

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。

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。

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。

本发明的特征如下：