| 原子时的小波分解算法 |
其他题名 | An Atomic Time Scale Algorithm Using Wavelet Decomposition
|
| 李孝辉
|
学位类型 | 硕士
|
导师 | 柯熙政 焦李成
|
| 2000-12
|
学位授予单位 | 中国科学院陕西天文台
|
学位专业 | 天体测量与天体力学
|
关键词 | 原子钟
小波方差
时间尺度
原子时算法
小波变换
小波分解
人工神经网络
|
摘要 | 本文主要研究了新的原子时算法及原子钟信号的处理方法;在国际上首次把神经网络方法应用于原子钟信号预测和噪声分离。主要研究内容包括:(1)研究了原子钟频率稳定度的表征问题。分析了Allan方差及修正Allan方差在时域与频域转化过程中的“泄露”现象;提出用小波方差来表征原子钟的频率稳定度;它可以表征原子钟在不同频率范围内的稳定度。并推导出小波方差的实用形式。(2)讨论了现有原子时算法存在的问题。研究了经典算法的加权特点;发现它存在的若干缺陷:首先;经典算法只能对原子钟取单一权值;这样得到的时间尺度只能使某一种噪声达到最小;不可能使所有噪声都达到最小;再者;依据在某一种频率稳定度加权;使得此种稳定度低而其他稳定度高的原子钟得到很小权;造成了资源浪费;第三;仅仅根据原子钟的历史特性取权不能对原子钟信号变化作出准确估计和预测。有频率范围内的频率稳定度;计算得到的时间尺度稳定度比一般算法有明显改善。实验结果表明:用小波分解算法计算得到的时间尺度噪声比基于经典加权算法得到的时间尺度噪声小。(3)提出了一种新的原子时算法——小波分解算法。它考虑了原子钟在所(4)首次研究了突变干扰对原子钟信号预测结果的影响。发现了用AR模型和Kalman模型预测时;预测结果受突变点的干扰大并且这种干扰的影响持续时间长。提出了利用神经网络模型来预测原子钟信号。这种预测方法能大大抑制突变干扰。(5)分析了原子钟噪声的分离问题。原子钟的噪声是非平稳过程;使用传统方法很难将五种噪声完全分离。含有两个隐层的前向神经网络;具有良好的非线性分类能力;研究结果表明用神经网络方法建立非线性映射来分离原子钟噪声可以起到很好的效果。这种方法不需要事先设计滤波器;只需训练网络即可分离噪声;操作简便。该方法对噪声强度估计有重要意义。本文所涉及的算法均在MATLAB环境下实现;并给出了相应的应用软件。 |
部门归属 | 时间频率测量与控制研究室
|
页数 | 97
|
语种 | 中文
|
文献类型 | 学位论文
|
条目标识符 | http://210.72.145.45/handle/361003/4337
|
专题 | 时间频率测量与控制研究室
|
推荐引用方式 GB/T 7714 |
李孝辉. 原子时的小波分解算法[D]. 中国科学院陕西天文台,2000.
|
文件名:
|
李孝辉-原子时的小波分解算法.pdf
|
格式:
|
Adobe PDF
|
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论