买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆邮电大学申请的专利一种基于增广卡尔曼神经网络的精确时钟同步参数跟踪方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119254373B 。

龙图腾网通过国家知识产权局官网在2025-09-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411574790.4，技术领域涉及：H04J3/06；该发明授权一种基于增广卡尔曼神经网络的精确时钟同步参数跟踪方法是由王恒;朱熊;刘晓江设计研发完成，并于2024-11-06向国家知识产权局提交的专利申请。

本一种基于增广卡尔曼神经网络的精确时钟同步参数跟踪方法在说明书摘要公布了：本发明涉及一种基于增广卡尔曼神经网络的精确时钟同步参数跟踪方法，属于时间同步领域。该方法面向环境温度变化和链路传输时延非对称的多跳网络场景，考虑多跳网络中的累积非对称链路传输时延对时钟同步精度的影响，获得含有累积非对称链路延迟的多跳网络时钟观测方程，基于温度和时钟频率偏移的二次多项式模型建立时钟频率偏移与温度变化的递归型状态方程；将累积非对称延迟和未知温度系数的演化过程建模为一阶线性差分方程，并增广到时钟参数跟踪状态空间模型，利用增广卡尔曼神经网络算法实现从节点的时钟相偏和时钟频偏的联合跟踪。该方法采用数据与模型联合驱动的思想进行时钟相偏和频偏的联合跟踪，提高了时钟参数跟踪的准确性和鲁棒性。

本发明授权一种基于增广卡尔曼神经网络的精确时钟同步参数跟踪方法在权利要求书中公布了：1.一种基于增广卡尔曼神经网络的精确时钟同步参数跟踪方法，其特征在于：该方法具体包括以下步骤： S1：根据多跳网络中精确时钟协议按照点对点的模式发送同步报文，考虑累积非对称时延，目标节点根据所收到的同步报文建立时钟观测方程；考虑温度对时钟晶振的影响，建立节点时钟频率偏移与温度相关的递归模型，基于双态时钟模型，建立时钟状态方程； S2：结合时钟观测方程和时钟状态方程建立时钟状态空间模型，将未知温度系数和累积非对称时延建模为一阶线性差分方程，将未知温度系数和累积非对称时延增广到状态空间向量； S3：采用增广卡尔曼神经网络的方法对时钟参数跟踪；将时钟状态参数的观测值和真实值作为训练集，采用循环神经网络对时钟参数进行训练，得到预测模型；通过向预测模型输入前一个时刻的后验估计值和当前时刻的观测值得到预测模型输出的预测增益，该预测增益被用来权衡观测值和预测值的信任； 所述S1中，建立累积非对称时延和环境温度影响下多跳网络精确时钟同步观测方程和状态方程，具体步骤为： S11：中间节点i通过收到的时间戳，计算与主时钟的时钟相偏表示为： 其中，表示主时钟发送Sync消息的时间，表示下游透明时钟TCi接收Sync消息的时间，并表示从主时钟到中间透明时钟节点i的总路径延迟；表示为： 其中，表示透明时钟i与节点i‑1之间的链路延迟，表示同步消息在节点i‑1的驻留时间，表示从上一个节点i到主时钟的总延迟，初始值为零；节点i‑1的驻留时间被计算为： 其中εi‑1,i‑1是一个随机变量，假定为高斯白噪声，代表与不同时钟读数相关的时间戳贡献度； S12：在第k轮同步，设节点i和节点i‑1之间的时钟偏移为并设时钟相位偏移在足够短的时间间隔内保持恒定，则存在： 其中，和分别表示节点i和i‑1之间的上行和下行固定延迟，其关系为其中表示节点i和节点i‑1在第k轮同步周期时的固定延迟不对称度量； S13：假设平均链路延迟为则表示为： 表示TCi向上游时钟发送Pdelay_Req消息的发送时间；表示上游时钟收到该消息之后记录的接收时间；表示向TCi回复Pdelay_Res消息的时间；表示TCi收到该消息后记录的接收时间； S14：测量主时钟与透明时钟i之间时钟偏移的公式为： 其中，表示时钟偏移的测量值，和分别对应主时钟和透明时钟i之间同步信息的累积驻留时间和累积未知非对称延迟；表示整个观测噪声，被表示为： 其中表示第i个节点在第k轮同步下的测量误差；在多跳网络中，设为均值为零协方差未知的高斯噪声信号； S15：主时钟与透明时钟i之间的时钟频偏测量值通过时钟相偏测量值给出： S16：建立时钟频率偏移和温度变化相关的未知系数抛物线模型，并将干扰视为噪声输入，如果采样间隔足够小，时钟频率偏移的递推方程建模为： 其中，是中间节点i当前时钟频率偏移与温度变化之间的未知关系数； S17：对于具有未知抛物线系数的曲线，的变化与抛物线的中心轴有关，抛物线的中心轴为参考温度摄氏度，近似为： 其中，表示节点i在第k轮同步处的未知温度系数，是在小范围内波动的未知值； 则时钟相位偏移的递归形式为： S18：设计状态方程时，使用双态时钟模型来确定时钟相位偏移，以说明时钟在连续同步时间的行为；时钟递归状态方程如下所示： 其中τ表示采样间隔； 所述S2中，建立时钟状态空间模型，将未知温度系数和累积非对称时延建模为一阶线性差分方程，将未知温度系数和累积非对称时延增广到状态空间向量，具体步骤为： S21：结合中间节点i的时钟状态方程和时钟观测方程，时钟状态空间方程为： 其中B＝[1 0]T，S22：主时钟与透明时钟i之间的累积非对称延迟表示为： 其中，两个相邻透明时钟之间的不对称延迟建模为一阶差分方程： 表示零均值的高斯噪声； S23：累积非对称时延的递归形式得到： 由于多个零均值高斯噪声的累积，导致协方差难以准确获得； S24：同理，未知温度系数建模为一阶差分方程为： S25：将累积非对称时延和未知温度系数增广到状态空间向量，得到增广后的时钟状态空间模型为： 其中，所述S3中，采用增广卡尔曼神经网络的方法进行时钟参数跟踪，具体步骤为： S31：根据增广状态空间模型计算透明节点i的先验状态估计值计算公式为： 其中是节点i在上一时间的后验估计值； S32：使用在k时刻节点i的测量值和先验估计值残差被计算为： S33：基于增广卡尔曼神经网络的方法使用神经网络来学习卡尔曼增益通过学习的进行执行状态更新，表示为： S34：卡尔曼增益的计算方法是通过端到端训练优化参数Θ的均方误差损失函数；数据集由长度为m的N个序列组成，表示为其中是轨迹j的观测向量序列，是轨迹j的真值序列；将递归扩展到m个时间步长，得到一个序列到序列的监督训练方案；对于每个轨迹j，经验最小均方误差损失函数度量为： 其中，ΨΘ.是循环神经网络的输出，Θ是其可训练参数，α是正则化系数； S35：为优化参数Θ，采用自适应动量的随机优化方法，将二阶动量与随机梯度下降相结合，对于每批以r为索引的轨迹，随机选择LN训练索引，并计算批损失ξrΘ为：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。