基于RBF神经网络的远程时间复现控制算法优化方法与流程

基于rbf神经网络的远程时间复现控制算法优化方法
技术领域
1.本文件涉及远程时间复现技术领域，尤其涉及一种基于rbf神经网络的远程时间复现控制算法优化方法、装置及设备。


背景技术：

2.时间是精度最高、应用最广的物理量。准确且统一的标准时间对社会、经济及国防具有重要的作用。随科技的进步，高精度高准确度的氢原子钟、光钟等应运而生，此类高性能钟被大量应用于高精密科研活动中。考虑氢原子钟、光钟造价及维护费用较高，科研院所与计量相关企业一般通过本地时钟与高等级的参考时间进行时间比对得到时差，并驯服控制本地时钟，实现本地时间与远程参考时间同步。
3.由于时间比对过程中存在比对链路、系统、及原子钟内部噪声，造成时钟的驯服控制期间会引入不确定因素，降低远程时间复现性能。采用优化系统组成，对时间比对钟差进行滤波，优化原子钟驯服控制算法等方法可在一定程度上提升系统性能，降低远程时间复现过程中噪声因素的影响。
4.远程时间比对包括gnss时间比对、光纤时间比对等。gnss时间比对是目前最主要的远程高性能时间比对手段，其原理是参考端与客户端gnss时频传递接收机连接外部时间频率参考通过卫星共视法得到两者钟差。gnss时间比对过程中，卫星信号在空间传播中受到的各种误差因素的影响，而过程中的链路噪声及其他误差因素会降低远程时间的复现性能。在局部范围内光纤时间比对相比gnss时间比对，其所受到的误差因素较少，具有更好的时间比对稳定性和精度，在高指标的远程时间比对过程中比对精度可以达到皮秒级别，在更高指标科学研究应用中，需要考虑本地时钟内部噪声及系统噪声对时间复现的影响。
5.原子钟能够输出固定频率的正弦型振荡信号，具有高准确度，通过获取原子钟与高等级参考时钟的钟差并进行实时有效驯服控制，可实现远程时间复现。原子钟的变化分为随机的和系统的。其中随机起伏来自于原子钟内的噪声，生成标准频率信号时，噪声会对信号进行随机调相或调频。而通过优化系统与控制算法，降低噪声调频的影响，可有效提升远程时间复现性能。
6.时钟驯服控制是利用有效的算法使待校准的时间频率源与高指标的参考时间频率源保持同步，包括频率以及时间同步。原子钟驯服控制效果与其应用的算法有关。原子钟在驯服过程中受到外部及内部噪声的影响，为提高驯服效果，保持系统稳定，一般可通过使用比例积分校频，kalman滤波和pid控制等算法来实现。目前主要的原子钟驯服算法是利用固定参数的pid控制器来实现，由于控制器参数固定其抗干扰能力有一定局限性，在一定程度上易受噪声影响而降低时间复现性能。
7.因此，亟需一种原子钟驯服控制方案，解决现有pid控制算法中由于固定控制器参数而导致的抗干扰能力受限、易受噪声影响、时间复现性能不佳的问题。


技术实现要素：

8.本说明书提供了一种基于rbf神经网络的远程时间复现控制算法优化方法、装置及设备，用以解决现有控制算法中由于固定控制器参数而导致的抗干扰能力受限、易受噪声影响、时间复现性能不佳的问题。
9.第一方面，本说明书提供了一种基于rbf神经网络的远程时间复现控制算法优化方法，包括：
10.客户端时钟输出本地时间与频率信号作为相位微跃器的参考输入；
11.通过预设的比对链路，将所述相位微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行时间比对得到时差，并将时差数据上传至网络数据库；
12.rbf神经网络自适应pid控制器基于所述时差数据进行pid控制参数自适应调整，同时确定频率控制量；
13.基于所述频率控制量，相位微跃器基于所述参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现所述相位微跃器输出时间信号与参考时钟实时同步。
14.可选的，所述rbf神经网络自适应pid控制器基于所述时差数据进行pid控制参数自适应调整，同时确定频率控制量，包括：
15.基于所述时差数据，配置rbf神经网络自适应pid控制器的各项参数及输入；
16.基于所述各项参数及输入，结合rbf神经网络，自适应调整pid控制参数，确定频率控制量。
17.可选的，所述基于所述时差数据，配置rbf神经网络自适应pid控制器的各项参数及输入，包括：
18.基于所述网络数据库的历史时差数据，当前控制周期确定当前控制周期的钟差输入，其中所述钟差输入指的是最新生成的三个相邻控制周期内的钟差均值；
19.基于所述当前控制周期的钟差输入、上一控制周期内的频率控制量增量，确定rbf神经网络输入向量；
20.基于所述当前控制周期的钟差输入，结合预设的控制器输入参数约束规则，确定pid控制器输入参数；
21.设置rbf神经网络动量因子，设置迭代层数；
22.利用jacobian阵得到输出信息相对于输入控制信息变化的灵敏度变化，确定神经网络输出向量。
23.可选的，所述控制器输入参数约束规则，包括：
24.xc1＝(e(k)-e(k-1))/t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
25.xc2＝e(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
26.xc3＝(e(k)-2e(k-1)+e(k-2))/t2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
27.其中，xc1,xc2,xc3表示为所述pid控制器输入参数，e(k),e(k-1),e(k-2)分别为所述最新生成的三个相邻采样周期内的钟差均值，t表示当前控制周期。
28.可选的，所述基于所述各项参数及输入，结合rbf神经网络，自适应调整pid控制参数，确定频率控制量，包括：
29.基于所述当前控制周期的钟差输入、所述上一控制周期的频率控制量增量，结合所述rbf神经网络，确定pid学习速率权重向量；
30.基于预设的控制误差，结合所述神经网络输出向量及所述pid学习速率权重向量，利用梯度下降法确定各pid控制参数的值；其中，所述pid控制参数包括：比例、积分、微分；
31.基于所述pid控制器输入参数及所述各pid控制参数，结合预设的周期频率控制增量约束规则，确定频率控制量增量；
32.基于所述频率控制量增量，结合上一控制周期的频率控制量，确定当前控制周期的频率控制量。
33.可选的，所述控制误差指的是所述当前控制周期的钟差输入的相对频率偏差。
34.可选的，所述周期频率控制增量约束规则，包括：
35.δu(k)＝k
p
xc1+kixc2+kdxc3
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
36.其中，δu(k)表示所述频率控制量增量，k
p
,ki,kd分别表示所述pid控制参数中的比例、积分、微分。
37.可选的，所述对比链路包括光纤比对链路、gnss比对链路。
38.第二方面，本说明书还提供了一种基于rbf神经网络的远程时间复现控制算法优化装置，包括：时间与频率参考模块、时间比对模块、控制器自适应调整模块、微跃器控制模块；其中：
39.所述时间与频率参考模块，用于客户端时钟输出本地时间与频率信号作为相位微跃器的参考输入；
40.所述时间对比模块，用于通过预设的比对链路，将所述相位微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行比对得到时差，并将时差数据上传至网络数据库；
41.所述控制器自适应调整模块，用于rbf神经网络自适应pid控制器基于所述时差数据进行pid控制参数自适应调整，同时确定频率控制量；
42.所述微跃器控制模块，用于基于所述频率控制量，相位微跃器基于所述参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现所述相位微跃器输出时间信号与参考时钟实时同步。
43.可选的，所述控制器自适应调整模块，包括参数配置模块，自适应调整模块；其中：
44.所述参数配置模块，用于基于所述时差数据，配置rbf神经网络自适应pid控制器的各项参数及输入；
45.所述自适应调整模块，用于基于所述各项参数及输入，结合rbf神经网络，自适应调整pid控制参数，确定频率控制量。
46.可选的，所述参数配置模块，具体用于：
47.基于所述网络数据库的历史时差数据，当前控制周期确定当前控制周期的钟差输入，其中所述钟差输入指的是最新生成的三个相邻控制周期内的钟差均值；
48.基于所述当前控制周期的钟差输入、上一控制周期内的频率控制量增量，确定rbf神经网络输入向量；
49.基于所述当前控制周期的钟差输入，结合预设的控制器输入参数约束规则，确定pid控制器输入参数；
50.设置rbf神经网络动量因子，设置迭代层数；
51.利用jacobian阵得到输出信息相对于输入控制信息变化的灵敏度变化，确定神经
网络输出向量。
52.可选的，所述控制器输入参数约束规则，包括：
53.xc1＝(e(k)-e(k-1))/t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
54.xc2＝e(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
55.xc3＝(e(k)-2e(k-1)+e(k-2))/t2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
56.其中，xc1,xc2,xc3表示为所述pid控制器输入参数，e(k),e(k-1),e(k-2)分别为所述最新生成的三个相邻控制周期内的钟差均值，t表示当前控制周期。
57.可选的，所述自适应调整模块，具体用于：
58.基于所述当前控制周期的钟差输入，结合所述rbf神经网络，确定pid学习速率权重向量；
59.基于预设的控制误差，结合所述神经网络输出向量及所述pid学习速率权重向量，利用梯度下降法确定各pid控制参数的值；其中，所述pid控制参数包括：比例、积分、微分；
60.基于所述pid控制器输入参数及所述各pid控制参数，结合预设的周期频率控制增量约束规则，确定频率控制量增量；
61.基于所述频率控制量增量，结合上一控制周期的频率控制量，确定当前控制周期的频率控制量。
62.可选的，所述控制误差指的是所述当前控制周期的钟差输入的相对频率偏差。
63.可选的，所述周期频率控制增量约束规则，包括：
64.δu(k)＝k
p
xc1+kixc2+kdxc3
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
65.其中，δu(k)表示所述频率控制量增量，k
p
,ki,kd分别表示所述pid控制参数中的比例、积分、微分。
66.可选的，所述对比链路包括光纤比对链路、gnss比对链路。
67.第三方面，本说明书还提供了一种网络设备，包括：通信接口、处理器和存储器；
68.所述处理器调用所述存储器中的程序指令，用以执行如下动作：
69.客户端时钟输出本地时间与频率信号作为相位微跃器的参考输入；
70.通过预设的比对链路，将所述相位微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行时间比对得到时差，并将时差数据上传至网络数据库；
71.rbf神经网络自适应pid控制器基于所述时差数据进行pid控制参数自适应调整，同时确定频率控制量；
72.基于所述频率控制量，相位微跃器基于所述参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现所述相位微跃器输出时间信号与参考时钟实时同步。
73.本发明有益效果
74.本说明书提供了一种基于rbf神经网络的远程时间复现控制算法优化方法、装置及设备，该方法包括：客户端时钟输出本地时间与频率信号作为参考输入；通过预设的比对链路，将相位微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行时间比对得到时差，并将时差数据上传至网络数据库；rbf神经网络自适应pid控制器基于时差数据进行pid控制参数自适应调整，同时确定频率控制量；基于频率控制量，相位微跃器基于参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现所述相位微跃器输出时间信号与参考时钟实时同步。该方法结合rbf径向基神经网络具有学习能力快，全局
逼近能力，任意精度逼近非线性函数，抗干扰能力强等特点，应用rbf径向基神经网络实现远程时间复现系统中时钟驯服的pid控制算法比例、积分、微分值随控制误差变化自适应调整，进而调整控制器输出的控制量。该应用在一定程度上达到钟差滤波效果，减小时间比对链路、系统及时钟内部噪声对远程时间复现影响，加强远程时间复现系统抗干扰能力及鲁棒性，提高远程时间复现的稳定度及准确度。
附图说明
75.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
76.图1为本说明书实施例提供的一种基于rbf神经网络的远程时间复现控制算法优化方法的示意图；
77.图2为本说明书实施例提供的一种远程时间复现系统的示意图；
78.图3为本说明书实施例提供的一种rbf神经网络自适应增量式pid控制器原理的示意图；
79.图4为本说明书实施例提供的一种rbf神经网络自适应增量式pid控制器算法流程示意图；
80.图5为本说明书实施例提供的一种基于rbf神经网络的远程时间复现控制算法优化装置的示意图；
81.图6为本说明书实施例提供的一种网络设备的结构示意图。
具体实施方式
82.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
83.以下结合附图，详细说明本技术各实施例提供的技术方案。
84.具体实施例一：
85.本实施例提供了一种基于rbf神经网络的远程时间复现控制算法优化方法，参见图1，包括：
86.步骤102、客户端时钟输出本地时间与频率信号作为相位微跃器的参考输入；
87.需要说明的是，所述参考输入可以是铯钟，氢钟，铷钟等时间频率源；该参考输入用于后续微跃器输出时间与频率信号与参考端时间频率信号同步时进行调频的参考信号。
88.步骤104、通过预设的比对链路，将所述相位微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行时间比对得到时差，并将时差数据上传至网络数据库；
89.需要说明的是，所述对比链路包括光纤比对链路、gnss比对链路；所述比对结果包括时差数据；
90.基于此，通过比对链路得到的比对结果，为后续pid控制器自适应调整提供钟差数据支持；
91.步骤106、rbf神经网络自适应pid控制器基于所述时差数据进行pid控制参数自适
应调整，同时确定频率控制量；
92.需要说明的是，径向基神经网络是一种三层前向神经网络，具有快速的学习能力，且其有着唯一最佳逼近效果，以任意精度逼近非线性函数，且有着全局逼近能力，其收敛速度快，有着良好的抗干扰能力。将径向基神经网络应用于控制参数的自适应调整，即根据在多变的环境因素影响下实施系统控制后所得到的系统控制误差及时调整控制参数，可提高系统的抗干扰能力及鲁棒性，降低外界不确定因素对系统影响。
93.rbf神经网络自适应增量式pid控制器的工作原理，参见图3，具体可为：
94.理想真值r(t)与被控对象输出y(t)差值为参考钟与本地时钟的钟差e(t)，经增量式pid控制器输出u(t)及rbf神经网络辨识输出ym(t)经过多次迭代学习，输出相应网络权值向量，配以pid学习速率权值向量，以e(t)2/2作为整定指标，采用梯度下降法计算pid控制参数k
p
,ki,kd，最终实现pid控制器控制参数的自适应调整。
95.具体地，步骤106的一种实现方式可以为：
96.s61、基于所述时差数据，配置rbf神经网络自适应pid控制器的各项参数及输入；
97.s62、基于所述各项参数及输入，结合rbf神经网络，自适应调整pid控制参数，确定频率控制量。
98.具体地，步骤s61的一种具体执行方式可以为：
99.基于所述网络数据库的历史时差数据，当前控制周期确定当前控制周期的钟差输入，其中所述钟差输入指的是最新生成的三个相邻控制周期内的钟差均值；也就是当前控制周期内的钟差均值、上一控制周期内的钟差均值以及上上一控制周期内的钟差均值；
100.基于所述当前控制周期的钟差输入、上一控制周期内的频率控制量增量，确定rbf神经网络输入向量；
101.基于所述当前控制周期的钟差输入，结合预设的控制器输入参数约束规则，确定pid控制器输入参数；
102.设置rbf神经网络动量因子，设置迭代层数；
103.利用jacobian阵得到输出信息相对于输入控制信息变化的灵敏度变化，确定神经网络输出向量。
104.其中，所述控制器输入参数约束规则，包括：
105.xc1＝(e(k)-e(k-1))/t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
106.xc2＝e(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
107.xc3＝(e(k)-2e(k-1)+e(k-2))/t2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
108.其中，xc1,xc2,xc3表示为所述pid控制器输入参数，e(k),e(k-1),e(k-2)分别为所述最新生成的三个相邻控制周期内的钟差均值，t表示当前控制周期。
109.具体地，步骤s62的一种具体执行方式可以为：
110.基于所述当前控制周期的钟差输入、所述上一控制周期的频率控制量增量，结合所述rbf神经网络，确定pid学习速率权重向量；
111.基于预设的控制误差，结合所述神经网络输出向量及所述pid学习速率权重向量，利用梯度下降法确定各pid控制参数的值；其中，所述pid控制参数包括：比例、积分、微分；
112.基于所述pid控制器输入参数及所述各pid控制参数，结合预设的周期频率控制增量约束规则，确定频率控制量增量；
113.基于所述频率控制量增量，结合上一控制周期的频率控制量，确定当前控制周期的频率控制量。
114.其中，所述控制误差指的是所述当前控制周期的钟差输入的相对频率偏差。
115.其中，所述周期频率控制增量约束规则，包括：
116.δu(k)＝k
p
xc1+kixc2+kdxc3
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
117.其中，δu(k)表示所述频率控制量增量，k
p
,ki,kd分别表示所述pid控制参数中的比例、积分、微分。
118.具体示例为：
119.首先获取基于本地时钟的微跃器输出时间与远程参考时钟基于gnss时间比对或光纤时间比对的最新生成3组以10分钟或者5分钟为采样间隔的钟差数据，对采样间隔内数据进行求均值得到，e(k),e(k-1),e(k-2)。
120.1.初始化参数，设置pid控制参数固定经验值k
p
0,ki0,kd0，设置网络动量因子α及学习速率η。
121.2.设置神经网络输入特征向量x，即当前钟差e(k)，上一时刻钟差e(k-1)及上一控制周期控制量量增量δu(k)。
122.x＝[e(k)，e(k-1)，δu(k)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0123]
3.rbf网络径向基向量为
[0124]
h＝[h1,h2,h3,h4,h5,h6]
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0125]
4.高斯基函数hj为
[0126][0127]
5.网络第j个节点的中心矢量为,初始设为0：
[0128]cj
＝[c
1j
,c
2j
,c
3j
...c
ij
]
t
,i＝1,2,3...6
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0129]
6.设网络的基宽向量为：
[0130]
b＝[b1,b2,b3...bj],j＝1,2,3...6
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0131]bj
为网络节点的基宽度参数，其值大于0，初始设为10。
[0132]
7.网络权向量w，初始设为0.1。
[0133]
w＝[w1,w2,w3...wm],m＝1,2,3...6
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0134]
8.k时刻网络输出为
[0135][0136]
9.引入网络优化性能指标函数：
[0137][0138]
其中y(k)为被控对象输出。
[0139]
10.进行迭代运算
[0140]
wj(k)＝wj(k-1)+η(y(k)-ym(k)hj+α(wj(k-1)-wj(k-2))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0141]
[0142]bj
(k)＝bj(k-1)+ηδbj+α(bj(k-1)-bj(k-2))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0143][0144]cji
(k)＝c
ji
(k-1)+ηδc
ji
+α(c
ji
(k-1)-c
ji
(k-2))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0145]
11.根据jacobian阵计算得到被控对象输出对控制输入的灵敏度信息。
[0146][0147]
其中x1＝δu(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0148]
δu(k)＝u(k)-u(k-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0149]
12.设置神经网络性能指标函数
[0150][0151]
13.采用梯度下降法，k
p
,ki,kd有，
[0152][0153][0154][0155]
其中xc1,xc2,xc3为控制周期内时差值转频差后所对应rbf神经网络训练的输入参数，也是增量式pid控制器的输入参数，参见公式(1)-(3)；
[0156]
14.有
[0157]kp
＝k
p
0+δk
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(25)
[0158]ki
＝ki0+δkiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(26)
[0159]
kd＝kd0+δkdꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(27)
[0160]
应用k
p
,ki,kd计算下一控制周期控制量，即微跃器下一控制周期的相对频率偏移，参见公式(4)；
[0161]
基于此，通过将径向基神经网络应用于远程时间复现的时间驯服控制环节，自适应调整pid控制器控制参数，在一定程度上起到钟差滤波作用，减小远程时间复现过程中噪声的影响，其控制性能优于传统固定参数pid控制器在远程时间复现中的控制性能。
[0162]
步骤108、基于所述频率控制量，相位微跃器基于所述参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现所述相位微跃器输出时间信号与参考时钟实时同步。
[0163]
基于此，微跃器获取上位机发送的相对频率偏移命令，实现微跃器相对于本地参考时钟的频率偏移，使微跃器输出时间信号与远程参考时间同步，实现远程时间复现。
[0164]
综上所述，本实施例通过客户端时钟输出本地时间与频率信号作为相位微跃器的参考输入；通过预设的比对链路，将相位微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行时间比对得到时差，并将时差数据上传至网络数据库；rbf神经网络
自适应pid控制器基于时差数据进行pid控制参数自适应调整，同时确定频率控制量；基于频率控制量，相位微跃器基于参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现所述相位微跃器输出时间信号与参考时钟实时同步。该方法结合rbf径向基神经网络具有学习能力快，全局逼近能力，任意精度逼近非线性函数，抗干扰能力强等特点，应用rbf径向基神经网络实现远程时间复现系统中时钟驯服的pid控制算法比例、积分、微分值随控制误差变化自适应调整，进而调整控制器输出的控制量。该应用在一定程度上达到钟差滤波效果，减小时间比对链路、系统及时钟内部噪声对远程时间复现影响，加强远程时间复现系统抗干扰能力及鲁棒性，提高远程时间复现的稳定度及准确度。
[0165]
具体实施例二：
[0166]
本实施例还提供了一种基于rbf神经网络的远程时间复现控制算法优化方法，包括：
[0167]
本实施例结合远程时间复现系统，参见图2，对远程时间复现控制算法优化方法进行详细说明；
[0168]
客户端时钟输出本地时间与频率信号至相位微跃器作为参考输入。通过光纤比对链路或者gnss比对链路将微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行比对，同时将比对结果上传至网络数据库。其中网络数据库中的时差数据经过rbf神经网络自适应pid控制器计算得到微跃器频率控制量，再由上位机发送频率控制信号至相位微跃器，微跃器基于参考输入进行调频控制，实现相位微跃器输出时间信号与参考时钟实时同步，实现本地复现远程参考时间。
[0169]
本实施例主要应用rbf神经网络于增量式pid控制器，该方法的rbf神经网络自适应增量式pid控制器原理图如图3所示；
[0170]
理想真值r(t)与被控对象输出y(t)差值为参考钟与本地时钟的钟差e(t)，经增量式pid控制器输出u(t)及rbf神经网络辨识输出ym(t)经过多次迭代学习，输出相应网络权值向量，配以pid学习速率权值向量，以e(t)2/2作为整定指标，采用梯度下降法计算pid控制参数k
p
,ki,kd，最终实现pid控制器控制参数的自适应调整。
[0171]
rbf神经网络增量式pid控制器算法流程，参见图4，包括如下步骤：
[0172]
首先进行神经网络结构及各项参数初始化。
[0173]
获取数据库中最新生成的三个相邻采样周期内的钟差均值e(k)，e(k-1)，e(k-2)。
[0174]
确定rbf神经网络输入向量为[e(k)，e(k-1)，δu(k)]
t
，经过辨识网络的输出为ym(k)，控制器实际输出为y(k)，根据三个相邻钟差均值确定pid输入分别为xc1，xc2，xc3。
[0175]
确定rbf神经网络动量因子α及学习速率η，设置迭代层数为6。
[0176]
利用jacobian阵计算得到被控对象输出相对于控制输入的灵敏度变化，得到神经网络输出向量。
[0177]
以最近三组控制周期内时差均值e(k)，e(k-1)，e(k-2)的相对频率偏差作为控制误差，神经网络输出向量及pid学习速率[η
p
，ηi，ηd]
t
向量为权重，利用梯度下降法计算pid控制参数k
p
，ki，kd值。
[0178]
根据pid控制器输入量及增量式pid控制参数计算输出控制量δu(k)，并进行叠加得到当前频率控制量u(k)，发送调频命令至微跃器，执行相对频率偏移，实现本地时钟与参考时钟同步。
[0179]
具体示例为：
[0180]
首先获取基于本地时钟的微跃器输出时间与远程参考时钟基于gnss时间比对或光纤时间比对的最新生成3组以10分钟或者5分钟为采样间隔的钟差数据，对采样间隔内数据进行求均值得到，e(k)，e(k-1)，e(k-2)。
[0181]
1.初始化参数，设置pid控制参数固定经验值k
p
0，ki0，kd0，设置网络动量因子α及学习速率η。
[0182]
2.设置神经网络输入特征向量x，即当前钟差e(k)，上一时刻钟差e(k-1)及上一控制周期控制量量增量δu(k)。
[0183]
x＝[e(k)，e(k-1)，δu(k)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0184]
3.rbf网络径向基向量为
[0185]
h＝[h1，h2，h3，h4，h5，h6]
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0186]
4.高斯基函数hi为
[0187][0188]
5.网络第j个节点的中心矢量为，初始设为0：
[0189]cj
＝[c
1j
,c
2j
,c
3j
...c
ij
]
t
,i＝1,2,3...6
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0190]
6.设网络的基宽向量为：
[0191]
b＝[b1,b2,b3...bj],j＝1,2,3...6
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0192]bj
为网络节点的基宽度参数，其值大于0，初始设为10。
[0193]
7.网络权向量w，初始设为0.1。
[0194]
w＝[w1,w2,w3...wm],m＝1,2,3...6
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0195]
8.k时刻网络输出为
[0196][0197]
9.引入网络优化性能指标函数：
[0198][0199]
其中y(k)为被控对象输出。
[0200]
10.进行迭代运算
[0201]
wj(k)＝wj(k-1)+η(y(k)-ym(k)hj+α(wj(k-1)-wj(k-2))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0202][0203]bj
(k)＝bj(k-1)+ηδbj+α(bj(k-1)-bj(k-2))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0204][0205]cji
(k)＝c
ji
(k-1)+ηδc
ji
+α(c
ji
(k-1)-c
ji
(k-2))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0206]
11.根据jacobian阵计算得到被控对象输出对控制输入的灵敏度信息。
[0207]
[0208]
其中
[0209]
x1＝δu(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0210]
δu(k)＝u(k)-u(k-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0211]
12.设置神经网络性能指标函数
[0212][0213]
13.采用梯度下降法，k
p
,ki,kd有，
[0214][0215][0216][0217]
其中xc1,xc2,xc3为控制周期内时差值转频差后所对应rbf神经网络训练的输入参数，也是增量式pid控制器的输入参数，参见公式(1)-(3)；
[0218]
14.有
[0219]kp
＝k
p
0+δk
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(25)
[0220]ki
＝ki0+δkiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(26)
[0221]
kd＝kd0+δkdꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(27)
[0222]
应用k
p
,ki,kd计算下一控制周期控制量，即微跃器下一控制周期的相对频率偏移，参见公式(4)；
[0223]
微跃器获取上位机发送的相对频率偏移命令，实现微跃器相对于本地参考时钟的频率偏移，使微跃器输出时间信号与远程参考时间同步，实现远程时间复现。
[0224]
综上所述，本实施例通过客户端时钟输出本地时间与频率信号作为相位微跃器的参考输入；通过预设的比对链路，将相位微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行时间比对得到时差，并将时差数据上传至网络数据库；rbf神经网络自适应pid控制器基于时差数据进行pid控制参数自适应调整，同时确定频率控制量；基于频率控制量，相位微跃器基于参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现所述相位微跃器输出时间信号与参考时钟实时同步。该方法结合rbf径向基神经网络具有学习能力快，全局逼近能力，任意精度逼近非线性函数，抗干扰能力强等特点，应用rbf径向基神经网络实现远程时间复现系统中时钟驯服的pid控制算法比例、积分、微分值随控制误差变化自适应调整，进而调整控制器输出的控制量。该应用在一定程度上达到钟差滤波效果，减小时间比对链路、系统及时钟内部噪声对远程时间复现影响，加强远程时间复现系统抗干扰能力及鲁棒性，提高远程时间复现的稳定度及准确度。
[0225]
具体实施例三：
[0226]
本实施例提供了一种基于rbf神经网络的远程时间复现控制算法优化装置，参见图5，包括：时间与频率参考模块501、时间对比模块502、控制器自适应调整模块503、微跃器控制模块504；其中：
[0227]
所述时间与频率参考模块501，用于客户端时钟输出本地时间与频率信号作为相
位微跃器的参考输入；
[0228]
所述时间对比模块502，用于通过预设的比对链路，将所述相位微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行比对得到时差，并将时差数据上传至网络数据库；
[0229]
所述控制器自适应调整模块503，用于rbf神经网络自适应pid控制器基于所述时差数据进行pid控制参数自适应调整，同时确定频率控制量；
[0230]
所述微跃器控制模块504，用于基于所述频率控制量，相位微跃器基于所述参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现所述相位微跃器输出时间信号与参考时钟实时同步。
[0231]
可选的，所述控制器自适应调整模块503，包括参数配置模块，自适应调整模块；其中：
[0232]
所述参数配置模块，用于基于所述时差数据，配置rbf神经网络自适应pid控制器的各项参数及输入；
[0233]
所述自适应调整模块，用于基于所述各项参数及输入，结合rbf神经网络，自适应调整pid控制参数，确定频率控制量。
[0234]
可选的，所述参数配置模块，具体用于：
[0235]
基于所述网络数据库的历史时差数据，当前控制周期确定当前控制周期的钟差输入，其中所述钟差输入指的是最新生成的三个相邻控制周期内的钟差均值；
[0236]
基于所述当前控制周期的钟差输入、上一控制周期内的频率控制量增量，确定rbf神经网络输入向量；
[0237]
基于所述当前控制周期的钟差输入，结合预设的控制器输入参数约束规则，确定pid控制器输入参数；
[0238]
设置rbf神经网络动量因子，设置迭代层数；
[0239]
利用jacobian阵得到输出信息相对于输入控制信息变化的灵敏度变化，确定神经网络输出向量。
[0240]
可选的，所述控制器输入参数约束规则，包括：
[0241]
xc1＝(e(k)-e(k-1))/t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0242]
xc2＝e(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0243]
xc3＝(e(k)-2e(k-1)+e(k-2))/t2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0244]
其中，xc1,xc2,xc3表示为所述pid控制器输入参数，e(k),e(k-1),e(k-2)分别为所述最新生成的三个相邻采样周期内的钟差均值，t表示当前控制周期。
[0245]
可选的，所述自适应调整模块，具体用于：
[0246]
基于所述当前控制周期的钟差输入、所述上一控制周期的频率控制量增量，，结合所述rbf神经网络，确定pid学习速率权重向量；
[0247]
基于预设的控制误差，结合所述神经网络输出向量及所述pid学习速率权重向量，利用梯度下降法确定各pid控制参数的值；其中，所述pid控制参数包括：比例、积分、微分；
[0248]
基于所述pid控制器输入参数及所述各pid控制参数，结合预设的周期频率控制增量约束规则，确定频率控制量增量；
[0249]
基于所述频率控制量增量，结合上一控制周期的频率控制量，确定当前控制周期
的频率控制量。
[0250]
可选的，所述控制误差指的是所述当前控制周期的钟差输入。
[0251]
可选的，所述周期频率控制增量约束规则，包括：
[0252]
δu(k)＝k
p
xc1+kixc2+kdxc3
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0253]
其中，δu(k)表示所述频率控制量增量，k
p
,ki,kd分别表示所述pid控制参数中的比例、积分、微分。
[0254]
可选的，所述对比链路包括光纤比对链路、gnss比对链路。
[0255]
综上所述，本实施例通过客户端时钟输出本地时间与频率信号作为相位微跃器的参考输入；通过预设的比对链路，将相位微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行时间比对得到时差，并将时差数据上传至网络数据库；rbf神经网络自适应pid控制器基于时差数据进行pid控制参数自适应调整，同时确定频率控制量；基于频率控制量，相位微跃器基于参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现所述相位微跃器输出时间信号与参考时钟实时同步。该方法结合rbf径向基神经网络具有学习能力快，全局逼近能力，任意精度逼近非线性函数，抗干扰能力强等特点，应用rbf径向基神经网络实现远程时间复现系统中时钟驯服的pid控制算法比例、积分、微分值随控制误差变化自适应调整，进而调整控制器输出的控制量。该应用在一定程度上达到钟差滤波效果，减小时间比对链路、系统及时钟内部噪声对远程时间复现影响，加强远程时间复现系统抗干扰能力及鲁棒性，提高远程时间复现的稳定度及准确度。具体实施例四：
[0256]
本实施例提供的一种网络设备的结构示意图，参见图6，所述网络设备能够实现上述实施例中智能路由方法的细节，并达到相同的效果。如图6所示，网络设备600包括：处理器601、收发机602、存储器603、用户接口604和总线接口，其中：
[0257]
在本发明实施例中，网络设备600还包括：存储在存储器上603并可在处理器601上运行的计算机程序，计算机程序被处理器601、执行时实现如下步骤：
[0258]
客户端时钟输出本地时间与频率信号作为相位微跃器的参考输入；
[0259]
通过预设的比对链路，将所述相位微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行时间比对得到时差，并将时差数据上传至网络数据库；
[0260]
rbf神经网络自适应pid控制器基于所述时差数据进行pid控制参数自适应调整，同时确定频率控制量；
[0261]
基于所述频率控制量，相位微跃器基于所述参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现所述相位微跃器输出时间信号与参考时钟实时同步。
[0262]
在图6中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器601代表的一个或多个处理器和存储器603代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机602可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。针对不同的用户设备，用户接口604还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
[0263]
处理器601负责管理总线架构和通常的处理，存储器603可以存储处理器601在执行操作时所使用的数据。
[0264]
本发明实施例中，通过配置路由器和网关间的动态路由分流方案，筛选出高价值的流量并分流至业务平台，并将绝大部分无效流量数通至公网，从而能够降低对传输带宽和业务平台的消耗。
[0265]
可选的，计算机程序被处理器603执行时还可实现如下步骤：
[0266]
可选的，所述rbf神经网络自适应pid控制器基于所述时差数据进行pid控制参数自适应调整，同时确定频率控制量，包括：
[0267]
基于所述时差数据，配置rbf神经网络自适应pid控制器的各项参数及输入；
[0268]
基于所述各项参数及输入，结合rbf神经网络，自适应调整pid控制参数，确定频率控制量。
[0269]
可选的，所述基于所述时差数据，配置rbf神经网络自适应pid控制器的各项参数及输入，包括：
[0270]
基于所述网络数据库的历史时差数据，当前控制周期确定当前控制周期的钟差输入，其中所述钟差输入指的是最新生成的三个相邻控制周期内的钟差均值；
[0271]
基于所述当前控制周期的钟差输入、上一控制周期内的频率控制量增量，确定rbf神经网络输入向量；
[0272]
基于所述当前控制周期的钟差输入，结合预设的控制器输入参数约束规则，确定pid控制器输入参数；
[0273]
设置rbf神经网络动量因子，设置迭代层数；
[0274]
利用jacobian阵得到输出信息相对于输入控制信息变化的灵敏度变化，确定神经网络输出向量。
[0275]
可选的，所述控制器输入参数约束规则，包括：
[0276]
xc1＝(e(k)-e(k-1))/t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0277]
xc2＝e(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0278]
xc3＝(e(k)-2e(k-1)+e(k-2))/t2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0279]
其中，xc1,xc2,xc3表示为所述pid控制器输入参数，e(k),e(k-1),e(k-2)分别为所述最新生成的三个相邻采样周期内的钟差均值，t表示当前控制周期。
[0280]
可选的，所述基于所述各项参数及输入，结合rbf神经网络，自适应调整pid控制参数，确定频率控制量，包括：
[0281]
基于所述当前控制周期的钟差输入、所述上一控制周期的频率控制量增量，结合所述rbf神经网络，确定pid学习速率权重向量；
[0282]
基于预设的控制误差，结合所述神经网络输出向量及所述pid学习速率权重向量，利用梯度下降法确定各pid控制参数的值；其中，所述pid控制参数包括：比例、积分、微分；
[0283]
基于所述pid控制器输入参数及所述各pid控制参数，结合预设的周期频率控制增量约束规则，确定频率控制量增量；
[0284]
基于所述频率控制量增量，结合上一控制周期的频率控制量，确定当前控制周期的频率控制量。
[0285]
可选的，所述控制误差指的是所述当前控制周期的钟差输入的相对频率偏差。
[0286]
可选的，所述周期频率控制增量约束规则，包括：
[0287]
δu(k)＝k
p
xc1+kixc2+kdxc3
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0288]
其中，δu(k)表示所述频率控制量增量，k
p
,ki,kd分别表示所述pid控制参数中的比例、积分、微分。
[0289]
可选的，所述对比链路包括光纤比对链路、gnss比对链路。
[0290]
综上所述，本实施例通过客户端时钟输出本地时间与频率信号作为相位微跃器的参考输入；通过预设的比对链路，将相位微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行时间比对得到时差，并将时差数据上传至网络数据库；rbf神经网络自适应pid控制器基于时差数据进行pid控制参数自适应调整，同时确定频率控制量；基于频率控制量，相位微跃器基于参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现所述相位微跃器输出时间信号与参考时钟实时同步。该方法结合rbf径向基神经网络具有学习能力快，全局逼近能力，任意精度逼近非线性函数，抗干扰能力强等特点，应用rbf径向基神经网络实现远程时间复现系统中时钟驯服的pid控制算法比例、积分、微分值随控制误差变化自适应调整，进而调整控制器输出的控制量。该应用在一定程度上达到钟差滤波效果，减小时间比对链路、系统及时钟内部噪声对远程时间复现影响，加强远程时间复现系统抗干扰能力及鲁棒性，提高远程时间复现的稳定度及准确度。
[0291]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0292]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0293]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0294]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0295]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0296]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动
态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0297]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0298]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0299]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种基于rbf神经网络的远程时间复现控制算法优化方法，其特征在于，客户端时钟输出本地时间与频率信号作为相位微跃器的参考输入；通过预设的比对链路，将所述相位微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行时间比对得到时差，并将时差数据上传至网络数据库；rbf神经网络自适应pid控制器基于所述时差数据进行pid控制参数自适应调整，同时确定频率控制量；基于所述频率控制量，相位微跃器基于所述参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现所述相位微跃器输出时间信号与参考时钟实时同步。2.根据权利要求1所述的方法，其特征在于，所述rbf神经网络自适应pid控制器基于所述时差数据进行pid控制参数自适应调整，同时确定频率控制量，包括：基于所述时差数据，配置rbf神经网络自适应pid控制器的各项参数及输入；基于所述各项参数及输入，结合rbf神经网络，自适应调整pid控制参数，确定频率控制量。3.根据权利要求2所述的方法，其特征在于，所述基于所述时差数据，配置rbf神经网络自适应pid控制器的各项参数及输入，包括：基于所述网络数据库的历史时差数据，确定当前控制周期的钟差输入，其中所述钟差输入指的是最新生成的三个相邻控制周期内的钟差均值；基于所述当前控制周期的钟差输入、上一控制周期内的频率控制量增量，确定rbf神经网络输入向量；基于所述当前控制周期的钟差输入，结合预设的控制器输入参数约束规则，确定pid控制器输入参数；设置rbf神经网络动量因子，设置迭代层数；利用jacobian阵得到输出信息相对于输入控制信息变化的灵敏度变化，确定神经网络输出向量。4.根据权利要求3所述的方法，其特征在于，所述控制器输入参数约束规则，包括：xc1＝(e(k)-e(k-1))/t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)xc2＝e(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)xc3＝(e(k)-2e(k-1)+e(k-2))/t2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，xc1,xc2,xc3表示为所述pid控制器输入参数，e(k),e(k-1),e(k-2)分别为所述最新生成的三个相邻控制周期内的钟差均值，t表示当前控制周期。5.根据权利要求2所述的方法，其特征在于，所述基于所述各项参数及输入，结合rbf神经网络，自适应调整pid控制参数，确定频率控制量，包括：基于所述当前控制周期的钟差输入、所述上一控制周期的频率控制量增量，结合所述rbf神经网络，确定pid学习速率权重向量；基于预设的控制误差，结合所述神经网络输出向量及所述pid学习速率权重向量，利用梯度下降法确定各pid控制参数的值；其中，所述pid控制参数包括：比例、积分、微分；基于所述pid控制器输入参数及所述各pid控制参数，结合预设的周期频率控制增量约束规则，确定频率控制量增量；基于所述频率控制量增量，结合所述上一控制周期的频率控制量，确定当前控制周期
的频率控制量。6.根据权利要求5所述的方法，其特征在于，所述控制误差指的是所述当前控制周期的钟差输入。7.根据权利要求5所述的方法，其特征在于，所述周期频率控制增量约束规则，包括：δu(k)＝k
p
xc1+k
i
xc2+k
d
xc3
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，δu(k)表示所述频率控制量增量，k
p
,k
i
,k
d
分别表示所述pid控制参数中的比例、积分、微分。8.根据权利要求1所述的方法，其特征在于，所述对比链路包括光纤比对链路、gnss比对链路。9.一种基于rbf神经网络的远程时间复现控制算法优化装置，其特征在于，包括：时间与频率参考模块；时间比对模块，控制器自适应调整模块、微跃器控制模块；其中：所述时间与频率参考模块，用于客户端时钟输出本地时间与频率信号作为相位微跃器的参考输入；所述时间对比模块，用于通过预设的比对链路，将所述相位微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行比对得到时差，并将时差数据上传至网络数据库；所述控制器自适应调整模块，用于rbf神经网络自适应pid控制器基于所述时差数据进行pid控制参数自适应调整，同时确定频率控制量；所述微跃器控制模块，用于基于所述频率控制量，相位微跃器基于所述参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现所述相位微跃器输出时间信号与参考时钟实时同步。10.一种网络设备，其特征在于，包括：通信接口、处理器和存储器；所述处理器调用所述存储器中的程序指令，用以执行如下动作：客户端时钟输出本地时间与频率信号作为相位微跃器的参考输入；通过预设的比对链路，将所述相位微跃器输出的时间与频率信号与参考端时钟输出的时间与频率信号进行时间比对得到时差，并将时差数据上传至网络数据库；rbf神经网络自适应pid控制器基于所述时差数据进行pid控制参数自适应调整，同时确定频率控制量；基于所述频率控制量，相位微跃器基于所述参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现所述相位微跃器输出时间信号与参考时钟实时同步。

技术总结
本说明书提供了一种基于RBF神经网络的远程时间复现控制算法优化方法及装置，涉及远程时间复现技术领域。方法包括：客户端时钟输出本地时间与频率信号作为相位微跃器的参考输入；通过比对链路，将相位微跃器输出时间与频率信号与参考端时钟输出的时间与频率信号进行时间比对得到时差，并将时差数据上传至网络数据库；RBF神经网络自适应PID控制器基于时差数据进行PID控制参数自适应调整，同时确定频率控制量；基于频率控制量，相位微跃器基于参考输入进行调频控制，执行输出时间频率信号的相对频率偏移，实现与参考时钟实时同步。解决了现有控制算法中由于固定控制器参数而导致的抗干扰能力受限、易受噪声影响、时间复现性能不佳的问题。能不佳的问题。能不佳的问题。


技术研发人员：陈德好 易航 王学运 李丹丹 李昂 申彤 杨慧君 王宏博 王海峰
受保护的技术使用者：北京无线电计量测试研究所
技术研发日：2022.12.30
技术公布日：2023/8/28