卫星信号校时同步系统 |
|||||||
申请号 | CN202310966519.4 | 申请日 | 2023-08-03 | 公开(公告)号 | CN116847452A | 公开(公告)日 | 2023-10-03 |
申请人 | 大有期货有限公司; | 发明人 | 董小兰; 戴小明; 彭凤; 汤锐; | ||||
摘要 | 本 发明 涉及通信技术领域,尤其为卫星 信号 校时同步系统,包括:数据 采样 模 块 :用于采样第一监测对象、第二监测对象与第三监测对象数据;模型搭建模块:用于基于晶振时钟分别搭建第二监测对象与第三监测对象观测第一监测对象的观测模型;钟差计算模块:用于基于搭建的观测模型计算钟差,并通过非线性卡尔曼滤波 算法 计算输出最优估计钟差;钟差修正模块:用于根据最优估计钟差修正第一监测对象的同步时间。本发明通过晶振对基准卫星及基站进行授时,再计算卫星间的钟差,以此搭建实时更新的钟差矩阵,基于非线性卡尔曼滤波算法获取最优估计钟差进行卫星时间同步,减少计算时间,提高了测量数据的精准度,方便各项技术的及时开展。 | ||||||
权利要求 | 1.卫星信号校时同步系统,其特征在于:包括: |
||||||
说明书全文 | 卫星信号校时同步系统技术领域背景技术[0002] 随着北斗系统授时产品开始在全国范围内广泛应用,高精度授时日益广泛和普及。虽然目前卫星授时技术能够满足工作和生活中的大多数需求,但某些精细作业领域要求微秒级甚至是纳秒级的时间精度。由于各卫星设备自身内部无实时时钟设计,没有实现自守时功能,导致卫星与基站的时间无法达到同步,使得测量数据具有较大的误差。现有技术通过晶振授时的方法对卫星及基站进行授时降低了时延,大大提高了测量数据的精准度,但是,随着航空航天技术的快速发展,各项数据越来越依赖卫星系统,各卫星间无法做到时间同步为各项技术的开展带来了极大的不便,且若对各卫星进行分别授时计算会耗费大量时间,不利于各项技术的开展。 发明内容[0004] 本发明采用的技术方案如下: [0005] 提供卫星信号校时同步系统,包括: [0007] 模型搭建模块:用于基于晶振时钟分别搭建第二监测对象与第三监测对象观测第一监测对象的观测模型; [0009] 钟差修正模块:用于根据最优估计钟差修正第一监测对象的同步时间。 [0010] 作为本发明的一种优选技术方案:所述数据采样模块每间隔预设时间采样第一监测对象数据、第二监测对象数据和第三监测对象数据。 [0011] 作为本发明的一种优选技术方案:所述模型搭建模块中,所述模型搭建模块基于晶振时钟对第一监测对象和第二监测对象进行授时,具体如下: [0012] 设晶振时钟对第一监测对象进行准确授时,且晶振时钟和国际标准时间进行时间同步的初始偏差和秒周期的初始偏差分别为a和b,每秒内的固定偏移误差为τ;第x秒第一监测对象与国际标准时间的偏差Δtx为: [0013] Δtx=b+τx [0014] 第一监测对象的第x秒与国际标准时间的累计偏差δ1(x)为: [0015] [0016] 第二监测对象时间误差服从正态分布μ~N(0,σ2),其中,μ为第二监测对象时间随机误差,N表示正态分布函数,σ为标准差; [0017] 则第二监测对象输出的第x秒时钟偏差为: [0018] δ2(x)=x‑μx [0019] 其中,μx表示第x秒的第二监测对象的时钟误差; [0020] 得到偏差模型δ(x): [0021] [0022] 基于回归模型进行偏差计算,获取卫星时钟与晶振时钟的偏差值; [0023] 由第二监测对象与第三监测对象同时观测第一监测对象的时钟信号,搭建观测模型如下: [0024] h1=L1+ct‑cT1+d1+d2 [0025] h2=L2+ct‑cT2+d1+d2 [0026] 其中,h1和h2分别为第二监测对象与第三监测对象的观测量,L1为第一监测对象至第二监测对象的伪距,L2为第一监测对象至第三监测对象的伪距,c为信号传播速度,t为第一监测对象钟差,T1和T2分别为第二监测对象和第三监测对象的钟差,d1和d2分别为对流层延迟和电离层延迟。 [0027] 作为本发明的一种优选技术方案:所述钟差计算模块基于模型搭建模块的观测模型作差,得到第二监测对象与第三监测对象的差分观测量Δh如下: [0028] Δh=ΔL‑cΔT [0029] 其中,ΔL为差分伪距; [0030] 得到: [0031] [0032] 其中,ΔT为差分钟差。 [0033] 作为本发明的一种优选技术方案:所述钟差计算模块还基于获取的钟差数据搭建钟差矩阵,并基于非线性卡尔曼滤波算法进行钟差滤波,输出最优估计钟差。 [0034] 作为本发明的一种优选技术方案:所述钟差矩阵根据采集计算的钟差数据进行实时更新。 [0035] 作为本发明的一种优选技术方案:所述非线性卡尔曼滤波算法中,将钟差矩阵作为状态变量Xk+1,具体如下: [0036] Xk+1=f(Xk)+Vk [0037] Zk+1=Hk+1Xk+1+Wk+1 [0038] 其中,f(Xk)为状态函数,Zk+1为测量向量,Hk+1为观测矩阵,Vk和Wk+1分别为系统噪声和测量噪声; [0039] 状态一步预测为: [0040] [0041] 状态一步预测均方误差为: [0042] [0043] 滤波增益为: [0044] [0045] 状态估计为: [0046] [0047] 状态估计均方误差为: [0048] Pk+1,k+1=(1‑Kk+1Hk+1)Pk+1,k [0049] 其中, 表示下一时刻的钟差预测值; 表示当前时刻的最优钟差估计值;Pk+1,k为下一时刻的预测均方误差矩阵;Pk,k表示当前时刻的估计均方误差矩阵;φk+1,k为状态转移矩阵;Jk+1,k为雅克比矩阵; 为雅克比矩阵的转置;Qk表示过程噪声协方差;Kk+1表示卡尔曼滤波增益; 为观测矩阵的转置;Rk+1为观测噪声协方差;Pk+1,k+1表示估计误差矩阵; 表示下一时刻的状态钟差最优估计值。 [0051] 作为本发明的一种优选技术方案:所述改进遗传算法具体如下: [0053] M条染色体的选择概率pm如下; [0054] [0055] 其中,fm为第m条染色体的适应度值的倒数。 [0056] 作为本发明的一种优选技术方案:所述改进遗传算法中,M条染色体上基因的交叉概率pa为: [0057] [0058] 其中,pa表示基因的交叉概率,pamax表示基因的最大交叉概率,pamin表示基因的最小交叉概率,fai表示基因的适应度,famin表示基因的适应度最小值, 分别表示基因的适应度平均值,e为数学常量; [0059] M条染色体上基因的变异概率为: [0060] [0061] 其中,pb表示基因的变异概率,pbmax表示基因的最大变异概率,pbmin表示基因的最小变异概率,fbi表示基因的适应度,fbmin表示基因的适应度最小值, 分别表示基因的适应度平均值,e为数学常量; [0062] n个基因序列中,第i个基因的适应度函数值为fi,当前基因的平均适应度函数值为 定义标准差ρ如下: [0063] [0064] 种群标准差阈值θ,最大迭代次数为R,标准差小于阈值的次数为C,当ρ≤θ时,C=C+1,当ρ>θ时,C重置为0,当算法迭代到 时,若算法有连续P次迭代都有ρ≤θ时,通过对当前种群数据进行高斯扰动并增大变异概率pb使当前变异概率pb变为2pb。 [0065] 本发明提供的卫星信号校时同步系统,与现有技术相比,其有益效果有: [0066] 本发明基于改进遗传算法寻优获取最佳基站位置,通过晶振对基准卫星及最佳基站进行授时,再计算卫星间的钟差,以此搭建实时更新的钟差矩阵,基于非线性卡尔曼滤波算法获取最优估计钟差进行卫星时间同步,减少计算时间,提高了测量数据的精准度,方便各项技术的及时开展。附图说明 [0068] 图中各个标记的意义为:100、数据采样模块;200、模型搭建模块;300、钟差计算模块;400、钟差修正模块。 具体实施方式[0069] 需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。 [0070] 参照图1,本发明优选实施例提供了卫星信号校时同步系统,包括: [0071] 数据采样模块100:用于采样第一监测对象、第二监测对象与第三监测对象数据; [0072] 模型搭建模块200:用于基于晶振时钟分别搭建第二监测对象与第三监测对象观测第一监测对象的观测模型; [0073] 钟差计算模块300:用于基于搭建的观测模型计算钟差,并通过非线性卡尔曼滤波算法计算输出最优估计钟差; [0074] 钟差修正模块400:用于根据最优估计钟差修正第一监测对象的同步时间。 [0075] 数据采样模块100每间隔预设时间采样第一监测对象数据、第二监测对象数据和第三监测对象数据。 [0076] 其中,晶振授时是一种通过使用晶体振荡器(晶振)作为时钟源,将准确的时钟信号传递给需要同步的设备或系统的过程。晶振是一种基于石英晶体的振荡器,具有稳定的振荡频率和高精度的时间基准。在晶振授时中,晶振被用作主要的时钟源,它产生的振荡信号被传递给目标设备或系统,用于同步其内部时钟。晶振的频率通常非常稳定,可以提供高精度的时间参考。晶振授时可以在电子设备、通信系统、计算机网络等各种应用中使用。 [0077] 所述模型搭建模块200基于晶振时钟对第一监测对象和第二监测对象进行授时,具体如下: [0078] 设晶振时钟对第一监测对象进行准确授时,且晶振时钟和国际标准时间进行时间同步的初始偏差和秒周期的初始偏差分别为a和b,每秒内的固定偏移误差为τ;第x秒第一监测对象与国际标准时间的偏差Δtx为: [0079] Δtx=b+τx [0080] 第一监测对象的第x秒与国际标准时间的累计偏差δ1(x)为: [0081] [0082] 第二监测对象时间误差服从正态分布μ~N(0,σ2),其中,μ为第二监测对象时间随机误差,N表示正态分布函数,σ为标准差; [0083] 则第二监测对象输出的第x秒时钟偏差为: [0084] δ2(x)=x‑μx [0085] 其中,μx表示第x秒的第二监测对象的时钟误差; [0086] 得到偏差模型δ(x): [0087] [0088] 基于回归模型进行偏差计算,获取卫星时钟与晶振时钟的偏差值; [0089] 由第二监测对象与第三监测对象同时观测第一监测对象的时钟信号,搭建观测模型如下: [0090] h1=L1+ct‑cT1+d1+d2 [0091] h2=L2+ct‑cT2+d1+d2 [0092] 其中,h1和h2分别为第二监测对象与第三监测对象的观测量,L1为第一监测对象至第二监测对象的伪距,L2为第一监测对象至第三监测对象的伪距,c为信号传播速度,t为第一监测对象钟差,T1和T2分别为第二监测对象和第三监测对象的钟差,d1和d2分别为对流层延迟和电离层延迟。 [0093] 所述钟差计算模块300基于模型搭建模块200的观测模型作差,得到第二监测对象与第三监测对象的差分观测量Δh如下: [0094] Δh=ΔL‑cΔT [0095] 其中,ΔL为差分伪距; [0096] 得到: [0097] [0098] 其中,ΔT为差分钟差。 [0099] 所述钟差计算模块300还基于获取的钟差数据搭建钟差矩阵,并基于非线性卡尔曼滤波算法进行钟差滤波,输出最优估计钟差。 [0100] 所述钟差矩阵根据采集计算的钟差数据进行实时更新。 [0101] 所述非线性卡尔曼滤波算法中,将钟差矩阵作为状态变量Xk+1,具体如下: [0102] Xk+1=f(Xk)+Vk [0103] Zk+1=Hk+1Xk+1+Wk+1 [0104] 其中,f(Xk)为状态函数,Zk+1为测量向量,Hk+1为观测矩阵,Vk和Wk+1分别为系统噪声和测量噪声; [0105] 状态一步预测为: [0106] [0107] 状态一步预测均方误差为: [0108] [0109] 滤波增益为: [0110] [0111] 状态估计为: [0112] [0113] 状态估计均方误差为: [0114] Pk+1,k+1=(1‑Kk+1Hk+1)Pk+1,k [0115] 其中, 表示下一时刻的钟差预测值; 表示当前时刻的最优钟差估计值;Pk+1,k为下一时刻的预测均方误差矩阵;Pk,k表示当前时刻的估计均方误差矩阵;φk+1,k为状态转移矩阵;Jk+1,k为雅克比矩阵; 为雅克比矩阵的转置;Qk表示过程噪声协方差;Kk+1表示卡尔曼滤波增益; 为观测矩阵的转置;Rk+1为观测噪声协方差;Pk+1,k+1表示估计误差矩阵; 表示下一时刻的状态钟差最优估计值。 [0116] 在本实施例中,由于考虑时钟偏差的非线性特性和噪声的非特定分布,发明人引入自适应性技术来动态调整滤波算法的参数。具体的,基于实时观测数据对卡尔曼滤波算法的噪声协方差矩阵进行自适应更新,以适应不同噪声分布和变化。 [0117] 对于每个时刻k; [0118] 1、进行观测更新: [0119] 获取测量向量Zk+1。 [0120] 计算观测噪声协方差矩阵Rk+1。 [0121] 计算卡尔曼滤波增益Kk+1: [0122] 计算中间变量 其中Hk+1是观测矩阵。 [0123] 计算卡尔曼滤波增益: [0124] 2、进行状态估计: [0125] 获取观测量Zk+1。 [0126] 计算观测量的预测值 [0127] 更新状态钟差估计值: [0128] 更新预测误差协方差矩阵:Pk+1,k+1=(I‑Kk+1Hk+1)Pk+1,k,其中I是单位矩阵。 [0129] 3、更新观测噪声协方差矩阵: [0130] 根据实时观测数据和当前状态钟差估计值,计算观测噪声协方差矩阵Rk+1。 [0131] 使用最小二乘估计,根据观测残差和测量噪声模型来估计新的观测噪声协方差矩阵,具体为: [0132] 定义观测残差: [0133] 在时间步k+1,根据观测量Zk+1和预测值 计算观测残差ek+1: [0134] [0135] 建立测量噪声模型: [0136] ·假设观测残差服从零均值的正态分布,并具有测量噪声协方差矩阵Rk+1: [0137] ek+1~N(0,Rk+1) [0138] 最小二乘估计: [0139] ·对于每个观测残差ek+1,计算其协方差矩阵Pe,k+1: [0140] Pe,k+1=cov(ek+1) [0141] 其中,cov代表协方差。 [0142] 更新观测噪声协方差矩阵: [0143] ·使用估计的观测残差协方差矩阵Pe,k+1来更新观测噪声协方差矩阵Rk+1: [0144] Rk+1=Pe,k+1 [0145] 重复步骤1‑3,直到所有观测数据被处理完毕。 [0146] 所述钟差计算模块300中,还基于改进遗传算法对第一监测对象的布局位置进行寻优获取。 [0147] 所述改进遗传算法具体如下: [0148] 种群为由M条染色体的组合而成,M条染色体上含有n个基因序列,由基因序列进行交叉和变异进行迭代,钟差误差函数为适应度函数值,适应度值越大则被选中的概率越大; [0149] M条染色体的选择概率pm如下; [0150] [0151] 其中,fm为第m条染色体的适应度值的倒数。 [0152] 所述改进遗传算法中,M条染色体上基因的交叉概率pa为: [0153] [0154] 其中,pa表示基因的交叉概率,pamax表示基因的最大交叉概率,pamin表示基因的最小交叉概率,fai表示基因的适应度,famin表示基因的适应度最小值, 分别表示基因的适应度平均值,e为数学常量; [0155] M条染色体上基因的变异概率为: [0156] [0157] 其中,pb表示基因的变异概率,pbmax表示基因的最大变异概率,pbmin表示基因的最小变异概率,fbi表示基因的适应度,fbmin表示基因的适应度最小值, 分别表示基因的适应度平均值,e为数学常量; [0158] n个基因序列中,第i个基因的适应度函数值为fi,当前基因的平均适应度函数值为 定义标准差ρ如下: [0159] [0160] 种群标准差阈值θ,最大迭代次数为R,标准差小于阈值的次数为C,当ρ≤θ时,C=C+1,当ρ>θ时,C重置为0,当算法迭代到 时,若算法有连续P次迭代都有ρ≤θ时,通过对当前种群数据进行高斯扰动并增大变异概率pb使当前变异概率pb变为2pb。 [0161] 本实施例中,数据采样模块100采样基站位置数据,基于改进遗传算法寻优获取最佳基站的布局位置:设种群为由6条染色体的组合而成,6条染色体上含有150个基因序列,由基因序列进行交叉和变异进行迭代,设定钟差误差函数为适应度函数值,适应度值越大则被选中的概率越大; [0162] 6条染色体的选择概率pm如下; [0163] [0164] 其中,fm为第m条染色体的适应度值的倒数; [0165] 6条染色体上基因的交叉概率pa为: [0166] [0167] 其中,pa表示基因的交叉概率,pamax表示基因的最大交叉概率,pamin表示基因的最小交叉概率,fai表示基因的适应度,famin表示基因的适应度最小值, 分别表示基因的适应度平均值,e为数学常量; [0168] 6条染色体上基因的变异概率为: [0169] [0170] 其中,pb表示基因的变异概率,pbmax表示基因的最大变异概率,pbmin表示基因的最小变异概率,fbi表示基因的适应度,fbmin表示基因的适应度最小值, 分别表示基因的适应度平均值,e为数学常量; [0171] 150个基因序列中,第i个基因的适应度函数值为fi,当前基因的平均适应度函数值为 定义标准差ρ如下: [0172] [0173] 种群标准差阈值θ,设定最大迭代次数为1000次,标准差小于阈值的次数为C,当ρ≤θ时,C=C+1,当ρ>θ时,C重置为0,当算法迭代到500次时,若算法有连续50次迭代都有ρ≤θ时,判定当前算法陷入局部最优解,则通过对当前种群数据进行高斯扰动并增大变异概率pb时当前变异概率pb变为2pb,能够使算法搜索跳出局部最优。 [0174] 数据采样模块100采样最佳布局位置的基站信号数据,以及卫星1和卫星2的信号数据,基于对基站和卫星1基于晶振时钟进行授时和修正,设晶振时钟对基站进行准确授时,且晶振时钟和国际标准时间进行时间同步的初始偏差和秒周期的初始偏差分别为a和b,每秒内的固定偏移误差为τ;计第x秒基站与国际标准时间的偏差Δtx为: [0175] Δtx=b+τx [0176] 基站的第x秒与国际标准时间的偏差δ1(x)为: [0177] [0178] 设卫星1时间误差服从正态分布μ~N(0,σ2),其中,μ为卫星1时间随机误差,N表示正态分布函数,σ为标准差; [0179] 则卫星1输出的第x秒时钟偏差为: [0180] δ2(x)=x‑μx [0181] 其中,μx表示第x秒的基准卫星的时钟误差; [0182] 得到偏差模型δ(x): [0183] [0184] 基于回归模型进行偏差计算,获取卫星1时钟与晶振时钟的偏差值。 [0185] 由卫星1和卫星2同时接收基站的信号,搭建观测模型如下: [0186] h1=L1+ct‑cT1+d1+d2 [0187] h2=L2+ct‑cT2+d1+d2 [0188] 其中,h1和h2分别为卫星1和卫星2的观测量,L1为基站至卫星1和卫星2的伪距,L2为基站至卫星2的伪距,c为信号传播速度,t为基站钟差,T1和T2分别为卫星1和卫星2的钟差,d1和d2分别为对流层延迟和电离层延迟; [0189] 得到卫星1和卫星2的差分观测量Δh如下: [0190] Δh=ΔL‑cΔT [0191] 其中,ΔL为差分伪距,ΔT为差分钟差; [0192] [0193] 可以最靠近基站的卫星为基准卫星,根据差分钟差,获取其余卫星的时间钟差。 [0194] 钟差计算模块300还基于获取多个时间段内的钟差数据搭建钟差矩阵,且钟差矩阵根据采集计算的钟差数据进行实时更新,并基于非线性卡尔曼滤波算法进行钟差滤波,将钟差矩阵作为状态变量Xk+1,输出最优估计钟差: [0195] Xk+1=f(Xk)+Vk [0196] Zk+1=Hk+1Xk+1+Wk+1 [0197] 其中,f(Xk)为状态函数,Zk+1为测量向量,Hk+1为观测矩阵,Vk和Wk+1分别为系统噪声和测量噪声; [0198] 状态一步预测为: [0199] [0200] 状态一步预测均方误差为: [0201] [0202] 滤波增益为: [0203] [0204] 状态估计为: [0205] [0206] 状态估计均方误差为: [0207] Pk+1,k+1=(1‑Kk+1Hk+1)Pk+1,k [0208] 其中, 表示下一时刻的钟差预测值; 表示当前时刻的最优钟差估计值;Pk+1,k为下一时刻的预测均方误差矩阵;Pk,k表示当前时刻的估计均方误差矩阵;φk+1,k为状态转移矩阵;Jk+1,k为雅克比矩阵; 为雅克比矩阵的转置;Qk表示过程噪声协方差;Kk+1表示卡尔曼滤波增益; 为观测矩阵的转置;Rk+1为观测噪声协方差;Pk+1,k+1表示估计误差矩阵; 表示下一时刻的状态钟差最优估计值。 [0209] 通过非线性卡尔曼滤波算法进行迭代,能够平衡测量误差和预测误差,并输出最优的钟差估计值。 [0210] 钟差修正模块400基于钟差计算模块300计算获取的最优修正值以及授时偏差对卫星2时间进行钟差修正。 [0211] 对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。 [0212] 此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。 |