1.一种卫星双向和GPS的不同时间频率传递链路的融合方法，其特征在于，包括以下步骤：
步骤1.数据预处理
每间隔30分钟采样卫星双向时间频率传递链路数据TWSTFT，得到链路数据集W，同时每间隔5分钟采样GPS精密单点定位链路数据GPS PPP，得到链路数据集G，分别将链路数据集W和链路数据集G中的数据换算成以纳秒为单位，然后对数据进行完整性、异常值检验；
步骤2.分别建立链路数据集W与链路数据集G的状态模型和测量模型所述链路数据集W的状态模型为：
式中， 为链路数据集W中k时刻数据的相位偏差，k为数据计算的时刻，a为常数， 为链路数据集W中k时刻数据的频率偏差， 为链路数据集W中状态模型k时刻的噪声向量，T为转置符号；
所述链路数据集W的测量模型为：
式中， 为链路数据集W的测量模型k时刻的观测值， 为链路数据集W的测量模型k时刻的观测误差；
所述链路数据集G的状态模型为：
式中， 为链路数据集G中k时刻数据的相位偏差，b为常数， 为链路数据集G中k时刻数据的频率偏差， 为链路数据集G中状态模型k时刻的噪声向量，T为转置符号；
所述链路数据集G的测量模型为：
式中， 为链路数据集G的测量模型k时刻的观测值， 为链路数据集G的测量模型k时刻的观测误差；
步骤3.利用小波分解法对链路数据集W的状态模型和测量模型与链路数据集G的状态模型和测量模型进行尺度分解，将链路数据集W与链路数据集G分解到相同的分辨率，得到低分辨率上的链路数据集W的状态模型和测量模型及低分辨率上的链路数据集G的状态模型和测量模型；
步骤4.在相同分辨率上对链路数据集W与链路数据集G按照下式进行卡尔曼滤波融合式中， 为k时刻的一步预测结果，Φk,k‑1为k时刻状态转移矩阵， 为k‑1时刻融合结果， 为k时刻融合结果，Pkk‑1为k时刻的一步预测协方差矩阵，Pk‑1为k‑1时刻的误差协方差矩阵，Qk‑1为k‑1时刻模型噪声协方差矩阵， 为链路数据集W的卡尔曼滤波增益矩阵，为链路数据集W的测量模型的观测值， 为链路数据集G的卡尔曼滤波增益矩阵， 为数据集G的测量模型的观测值，Pk为k时刻的误差协方差矩阵， 为链路数据集W的协方差矩阵， 为链路数据集G的协方差矩阵，I为单位矩阵；
步骤5.将步骤4得到的卡尔曼滤波融合结果利用小波分解系数重构方法得到原始数据融合后的结果即原始TWSTFT链路和GPS PPP链路数据的融合结果；
所述小波分解系数重构方法为：
式中，Xj(m)为第m个尺度系数，j为尺度，m为尺度系数的排序，R为正整数，t为小波系数的排序，h()为第一滤波器，g()为第二滤波器，Yj‑1(t)为第t个小波系数；
步骤6.按照下式得到TWSTFT链路和GPS PPP链路融合后的增益，用于判断融合后链路噪声的降低情况；
Q＝(σa‑σb)σa
式中，σa是原始TWSTFT链路和GPS PPP链路数据的标准偏差，σb是融合数据的标准偏差，a为常数，b为常数；
步骤7.按照下式得到TWSTFT链路和GPS PPP链路融合后的Allan方差，用于判断融合后链路的稳定度；
p2＝M+1‑2n
式中， 为Allan方差，y为常数，xk+2n为k+2n时刻钟差，xk+n为k+n时刻钟差，xk为k时刻钟差，M为测量值的个数，n为取样周期，τ0为基本采样间隔。
2.根据权里要求1所述卫星双向和GPS的不同时间频率传递链路的融合方法，其特征在于，所述步骤3中小波分解法为Daubechies 2小波分解法。
3.根据权里要求1所述卫星双向和GPS的不同时间频率传递链路的融合方法，其特征在于，所述数据完整性检验方法为：依据数据比对日期后项减去前项，判断有无跳变，有跳变则是数据有缺失，反之，没有缺失，对于缺失的数据运用最近邻差值法或线性插值法进行补充；
所述异常值检验方法为：采用莱特准则进行检验并依据最近邻差值法插值替换。