【技术实现步骤摘要】
本专利技术属于时间同步系统中的双向比对钟差预测，具体涉及一种基于卡尔曼滤波(kf)结合长短时记忆(lstm)网络的钟差预测方法。
技术介绍
1、在现代科技领域中，时间同步扮演着至关重要的角色，而其中钟差预测是时间同步能够实现精确运行的关键技术之一。现有技术已在钟差预测领域进行了大量研究，并开发出了多种预测模型，如一次线性回归模型、多项式模型、灰色模型、最小二乘支持向量机以及kf算法模型等。其中，kf算法因其递推形式、数据存储量少以及适用于多维和非平稳随机过程的优点而被普遍采用。
2、传统的kf算法采用信号与噪声的状态空间模型，利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值，这对于数据的实时处理具有十分重大的意义。但是，kf的状态矩阵、状态噪声以及观测噪声等信息均来自于先验知识，受到人们先验知识的影响，因此kf的计算能力受到了较大限制。
3、可见，kf算法尽管在实践中取得了广泛应用，但其预测性能往往受限于先验知识的准确性和完整性。近年来，lstm网络因其出色的时间序列预测能力而备受关注，为解决kf算法的局限性提供了新的思路。lstm是一种特殊的循环神经网络(recurrent neuralnetwork，rnn)，旨在解决rnn中存在的长期依赖问题，即不能有效学习较长时间序列中的特征，而lstm则通过引入记忆细胞和三个控制信息传递的逻辑门(输入门、遗忘门和输出门)来实现这一目标，适合于处理和预测时间序列中间隔和延迟相对较长的事件。
4、对于lstm网络来说，t时刻
5、但是，现有技术中还没有将lstm网络与kf算法模型相结合进行钟差预测的应用。
技术实现思路
1、有鉴于此，本专利技术提出了一种基于卡尔曼滤波结合长短时记忆网络的钟差预测方法，有效地解决了kf算法依赖于先验知识的问题，提升了钟差预测精度与稳定度，进而加强了时间同步系统的性能。
2、本专利技术采用的技术方案为：
3、一种基于卡尔曼滤波结合长短时记忆网络的钟差预测方法，包括以下步骤：
4、步骤1，构建lstm网络，包括输入层、隐藏层和输出层；
5、步骤2，构建kf算法模型，其中，kf算法模型的第一个方程用于由t时刻的状态估计来推导t+1时刻的状态预测，kf算法模型的第二个方程用于对t+1时刻的预测值进行调整，得到t+1时刻的状态估计；
6、步骤3，获取实测钟差数据，从实测钟差数据截取一部分作为训练数据，将训练数据合并为一个1行n列的数据矩阵xt，n为训练数据长度，并进行归一化处理；
7、步骤4，使用归一化处理后的训练数据对lstm网络和kf算法模型进行联合训练；
8、步骤5，获取实际场景中的钟差数据，合并为一个1行m列的数据矩阵x't，m为钟差数据长度，并进行归一化处理；
9、步骤6，将步骤5处理后的数据输入训练好的lstm网络，将lstm网络的输出作为kf算法模型中的参量qt和rt，经过kf算法模型的运算，得到钟差预测结果。
10、进一步地，步骤1中，输入层包括1个节点，隐藏层包括4个节点，输出层包括2个节点，lstm网络各节点的变化关系如下所示：
11、ft＝s(wfh×ht-1+wfxxt+bf) (1)
12、it＝s(wihht-1+wixxt+bi) (2)
13、ot＝s(wohht-1+woxxt+bo) (3)
14、
15、其中，x表示当前节点的输入数据，σ表示sigmoid激活函数，tanh为一种激活函数，w为各个门的权重矩阵，w的下标表示两个相应参数，b为各个门的偏置项，表示按元素乘，f表示遗忘门参数，i表示输入门参数，o表示输出门参数，表示当前记忆单元状态，c表示当前记忆单元输出，h表示当前节点的输出值，下标t和t-1表示两个相邻时刻。
16、进一步地，kf算法模型的第一个方程为：
17、
18、其中，ft表示系统自身的运行规律，表示t时刻的状态估计，表示t+1时刻的状态预测；
19、kf算法模型的第二个方程为：
20、
21、其中，表示t+1时刻的状态估计，yt+1表示t+1时刻的数据观测值，ht+1表示观测矩阵，gt+1为卡尔曼增益，计算公式为：
22、
23、其中，rt+1表示观测噪声的方差值，pt+1/t表示由t时刻的数据预测t+1时刻数据的预测误差，其计算方法为：
24、pt+1/t＝ftpt/tftt+qt (10)
25、其中，qt表示状态噪声的方差值，pt/t表示由t时刻数据估计t时刻估计值的估计误差；
26、由t+1时刻数据估计t+1时刻估计值的估计误差为：
27、
28、进一步地，步骤4的具体方式为：
29、步骤401，将训练数据xt输入lstm网络，将lstm网络的输出结果作为kf算法模型的参量qt和rt；
30、步骤402，将qt和rt两个参量输入kf算法模型，根据式(7)～式(11)进行计算，得到卡尔曼估计值即式(7)的计算结果；
31、步骤403，根据式(12)计算lstm网络的误差项error：
32、
33、步骤404，将误差项error反馈给lstm网络，更新权重矩阵；
34、步骤405，进行多轮迭代，完成lstm网络和kf算法模型的联合训练。
35、进一步地，步骤6中，经过kf算法模型的运算，是指根据式(7)～式(11)进行计算，所得到的钟差预测结果即为式(7)的计算结果。
36、本专利技术具有以下有益效果：
37、1、本专利技术通过结合lstm网络的长期记忆能力和kf算法的实时更新特性，能够实现更精确的钟差预测，提升钟差预测的精度和稳定度。
38、2、本专利技术有助于提升时间同步系统的性能，并为相关领域的研究提供了新的方法和思路。
本文档来自技高网...【技术保护点】
1.一种基于卡尔曼滤波结合长短时记忆网络的钟差预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于卡尔曼滤波结合长短时记忆网络的钟差预测方法，其特征在于，步骤1中，输入层包括1个节点，隐藏层包括4个节点，输出层包括2个节点，LSTM网络各节点的变化关系如下所示：
3.根据权利要求2所述的一种基于卡尔曼滤波结合长短时记忆网络的钟差预测方法，其特征在于，KF算法模型的第一个方程为：
4.根据权利要求3所述的一种基于卡尔曼滤波结合长短时记忆网络的钟差预测方法，其特征在于，步骤4的具体方式为：
5.根据权利要求3所述的一种基于卡尔曼滤波结合长短时记忆网络的钟差预测方法，其特征在于，步骤6中，经过KF算法模型的运算，是指根据式(7)～式(11)进行计算，所得到的钟差预测结果即为式(7)的计算结果。
【技术特征摘要】
1.一种基于卡尔曼滤波结合长短时记忆网络的钟差预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于卡尔曼滤波结合长短时记忆网络的钟差预测方法，其特征在于，步骤1中，输入层包括1个节点，隐藏层包括4个节点，输出层包括2个节点，lstm网络各节点的变化关系如下所示：
3.根据权利要求2所述的一种基于卡尔曼滤波结合长短时记忆网络的钟差预测方法，...
【专利技术属性】
技术研发人员：王东杰，刘丽哲，张磊，胡雨晗，吕明阳，刘彦丹，马向，邢贯苏，梁宇，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。