一种基于深度学习的钟差预测方法、装置、介质及终端制造方法及图纸

本申请公开了一种基于深度学习的钟差预测方法、装置、介质及终端，该方法包括：获取目标时间序列，所述目标时间序列为待预测钟差数据的时间序列；将所述目标时间序列输入至预先训练得到的钟差预测模型；其中，所述钟差预测模型是以训练样本中的样本时间序列作为输入数据，并以样本钟差序列作为输出数据的监督数据，来进行训练得到的；将所述钟差预测模型输出的数据作为钟差预测结果。通过采用本方案，可以提高钟差数据预测的准确性。

【技术实现步骤摘要】
一种基于深度学习的钟差预测方法、装置、介质及终端
本申请涉及时间频率校准
，尤其涉及一种基于深度学习的钟差预测方法、装置、介质及终端。
技术介绍
随着科技水平的迅速发展，国内各地实验室内对于原子钟的使用也越来越广泛。原子钟频率的波动是多种噪声线性叠加的结果，这使得建立精准的钟差预测模型变得非常困难。而钟差预测已经成为了卫星导航定位领域和时频领域的一个难题。现有技术中虽然有采用线性模型和二次多项式模型对原子钟的钟差进行预测的手段，但是其很难预测其细致的变化规律，导致预报精度随着预报时间的增加而迅速变差。因此，如何能够对原子钟的钟差进行精准预测，已经成为业内人员亟待解决的技术难题。
技术实现思路
本申请实施例提供一种基于深度学习的钟差预测方法、装置、介质及终端。本方案可以提高钟差数据预测的准确性。本申请实施例提供一种基于深度学习的钟差预测方法，所述方法包括：获取目标时间序列，所述目标时间序列为待预测钟差数据的时间序列；将所述目标时间序列输入至预先训练得到的钟差预测模型；其中，所述钟差预测模型本文档来自技高网...

【技术保护点】
1.一种基于深度学习的钟差预测方法，其特征在于，所述方法包括：/n获取目标时间序列，所述目标时间序列为待预测钟差数据的时间序列；/n将所述目标时间序列输入至预先训练得到的钟差预测模型；其中，所述钟差预测模型是以训练样本中的样本时间序列作为输入数据，并以样本钟差序列作为输出数据的监督数据，来进行训练得到的；/n将所述钟差预测模型输出的数据作为钟差预测结果。/n

【技术特征摘要】
1.一种基于深度学习的钟差预测方法，其特征在于，所述方法包括：
获取目标时间序列，所述目标时间序列为待预测钟差数据的时间序列；
将所述目标时间序列输入至预先训练得到的钟差预测模型；其中，所述钟差预测模型是以训练样本中的样本时间序列作为输入数据，并以样本钟差序列作为输出数据的监督数据，来进行训练得到的；
将所述钟差预测模型输出的数据作为钟差预测结果。


2.根据权利要求1所述的方法，其特征在于，所述钟差预测模型的训练过程包括：
获取样本数据组，所述样本数据组为至少两组预设数量的连续时间序列和所述连续时间序列对应的钟差序列；
选择预先构建的基础神经网络模型，初始化所述基础神经网络模型的连接权重；
将所述预设数量的连续时间序列作为输入层数据，将所述钟差序列作为输出层数据的监督数据，对所述基础神经网络模型进行训练，得到钟差预测模型。


3.根据权利要求2所述的方法，其特征在于，所述待预测钟差数据的时间序列的数据数量与所述连续时间序列的预设数量是相同的。


4.根据权利要求2所述的方法，其特征在于，所述基础神经网络模型包括第一中间层和第二中间层；
所述输入层的各单元分别连接所述第一中间层的所有单元；所述第一中间层的单元总数与输入层的单元总数一致；
所述第一中间层的所有单元分别连接所述第二中间层的所有单元；所述第二中间层的单元总数与第一中间层的单元总数一致；
所述基础神经网络模型的激励函数为Sigmoid函数。


5.根据权利要求4所述的方法，其特征在于，在对所述基础神经网络模型进行训练的过程中，根据从输入层到输出层的计算结果，反向传播并采用BP算法对基础神经网络模型的第一中间层、第二连接处和输出层的连接权重进行修正。...

【专利技术属性】
技术研发人员：王淑伟，张升康，易航，宋才水，江涌，
申请(专利权)人：北京无线电计量测试研究所，
类型：发明
国别省市：北京;11