一种基于机器学习的方法，用于通过遥测数据估计高精度时钟的频率稳定性

《IEEE Open Journal of Ultrasonics, Ferroelectrics, and Frequency Control》：A Machine Learning Approach for Telemetry-Based Frequency Stability Estimation of High Precision Clocks

　　

摘要：

频率稳定性测量需要比较稳定度相当的振荡器之间的配对对比。在隔离环境中，使用传统的相位测量技术无法评估单个振荡器的频率稳定性。为了满足在没有相位对比条件时频率和计时领域从业者的需求，我们提出了一种新技术，该技术利用振荡器的遥测数据和支持学习来估计其频率稳定性。通过一项涉及六台商用活性氢MASER（AHM）的研究，验证了该技术的有效性。考虑了两种建模方法：一种是针对特定振荡器的模型（OSM），即使用该振荡器的历史数据训练监督模型来估计其动态频率稳定性；另一种是不关注振荡器类型的模型（OAM），即使用来自多种类似振荡器的历史数据训练监督模型来估计任意振荡器的稳定性。表现最佳的OSM在独立测试集上对动态Allan偏差的估计中获得了5.6e-16的平均绝对误差（MAE），而表现最佳的OAM获得了6.5e-16的MAE。这些结果表明，在无法进行配对对比的隔离环境中，所提出的方法用于进行频率稳定性评估是可行的。? 2025。保留所有权利。