一种基于机器学习的芯片原子钟稳定性优化方法及系统与流程

本发明属于原子钟稳定性优化，更具体地，涉及一种基于机器学习的芯片原子钟稳定性优化方法及系统。

背景技术：

1、芯片原子钟的稳定性是衡量其在各种环境条件下保持准确时间的能力。其稳定性可以从短期稳定性（相位噪声）和长期稳定性（频率漂移）两个方面来考察。

2、影响芯片原子钟稳定性的因素：

3、温度变化：温度波动会影响振荡器的频率稳定性，精密的温控措施可以减小这种影响；

4、电源噪声：不稳定的电源会引入噪声，影响振荡器的频率；

5、机械振动和冲击：外部机械振动和冲击会导致振荡器频率的暂时性偏移；

6、老化效应：元器件的老化会引起频率漂移，这是长期稳定性的重要影响因素；

7、辐射环境：特别是在航天和军用领域，辐射环境会对芯片原子钟的稳定性造成影响；

8、但是现有技术中并没有一种技术方案能够综合考虑多种因素对芯片原子钟稳定性的影响情况，从而对芯片原子钟的研发提供有效帮助。

技术实现思路

1、为解决以上技术问题，本发明提出一种基于机器学习的芯片原子钟稳定性优化方法，包括：

2、获取芯片原子钟的数据信息，其中，所述数据信息包括：芯片原子钟的自身振动频率、标准频率、电导率、电磁干扰强度、环境振动频率、相位噪声的功率谱密度、温度、参考温度、环境湿度和大气压力；

3、设置芯片原子钟的频率稳定性度量模型、芯片原子钟的相位噪声度量模型、芯片原子钟的温度敏感性度量模型和芯片原子钟的老化效应度量模型，并根据所述数据信息，分别计算芯片原子钟的频率稳定性度量指数、相位噪声度量指数、温度敏感性度量指数和老化效应度量指数；

4、设置芯片原子钟的稳定性综合度量模型，并根据所述频率稳定性度量指数、所述相位噪声度量指数、所述温度敏感性度量指数和所述老化效应度量指数，计算稳定性综合度量指数，对所述芯片原子钟的稳定性综合度量模型进行拟合，使所述稳定性综合度量指数与预设的最佳稳定性指数最接近，从而完成芯片原子钟稳定性优化。

5、进一步的，所述芯片原子钟的频率稳定性度量模型包括：

6、，

7、其中，为时间的数量，为第个时间时芯片原子钟的自身振动频率，为第个时间加上时间间隔时芯片原子钟的自身振动频率，为芯片原子钟的标准频率，为电导率的第一调整因子，为第个时间时芯片原子钟的电导率，为电磁干扰强度的第一调整因子，为第个时间时芯片原子钟的电磁干扰强度，为环境振动频率的第一调整因子，为第个时间时芯片原子钟的环境振动频率，为频率稳定性度量指数的综合调整因子，为芯片原子钟的频率稳定性度量指数。

8、进一步的，所述芯片原子钟的相位噪声度量模型包括：

9、，

10、其中，为芯片原子钟的相位噪声度量指数，为芯片原子钟的自身振动频率为时的相位噪声的功率谱密度，为芯片原子钟的标准频率，为电磁干扰强度的第二调整因子，为芯片原子钟的自身振动频率为时的电磁干扰强度，为环境振动频率的第二调整因子，为芯片原子钟的自身振动频率为时的环境振动频率，为相位噪声度量指数的综合调整因子。

11、进一步的，所述芯片原子钟的温度敏感性度量模型包括：

12、，

13、其中，为芯片原子钟的温度敏感性度量指数，为温度的第一调整因子，为时间时芯片原子钟的温度，为参考温度，为温度的第二调整因子，为环境湿度的调整因子，为芯片原子钟的温度为时的环境湿度，为大气压力的调整因子，为芯片原子钟的温度为时的大气压力。

14、进一步的，所述芯片原子钟的老化效应度量模型包括：

15、，

16、其中，为芯片原子钟的老化效应度量指数，为老化效应度量指数的第一综合调整因子，为时间的调整因子，为电磁干扰强度的第三调整因子，为电导率的第二调整因子，为老化效应度量指数的第二综合调整因子。

17、进一步的，所述芯片原子钟的稳定性综合度量模型包括：

18、，

19、其中，为芯片原子钟的稳定性综合度量指数，为频率稳定性度量指数的权重，为相位噪声度量指数的权重，为温度敏感性度量指数的权重，为老化效应度量指数的权重。

20、进一步的，通过梯度下降法或蚁群算法对所有调整因子和权重进行拟合。

21、本发明还提出一种基于机器学习的芯片原子钟稳定性优化系统，包括：

22、获取数据模块，用于获取芯片原子钟的数据信息，其中，所述数据信息包括：芯片原子钟的自身振动频率、标准频率、电导率、电磁干扰强度、环境振动频率、相位噪声的功率谱密度、温度、参考温度、环境湿度和大气压力；

23、设置模型模块，用于设置芯片原子钟的频率稳定性度量模型、芯片原子钟的相位噪声度量模型、芯片原子钟的温度敏感性度量模型和芯片原子钟的老化效应度量模型，并根据所述数据信息，分别计算芯片原子钟的频率稳定性度量指数、相位噪声度量指数、温度敏感性度量指数和老化效应度量指数；

24、优化模块，用于设置芯片原子钟的稳定性综合度量模型，并根据所述频率稳定性度量指数、所述相位噪声度量指数、所述温度敏感性度量指数和所述老化效应度量指数，计算稳定性综合度量指数，对所述芯片原子钟的稳定性综合度量模型进行拟合，使所述稳定性综合度量指数与预设的最佳稳定性指数最接近，从而完成芯片原子钟稳定性优化。

25、进一步的，所述芯片原子钟的频率稳定性度量模型包括：

26、，

27、其中，为时间的数量，为第个时间时芯片原子钟的自身振动频率，为第个时间加上时间间隔时芯片原子钟的自身振动频率，为芯片原子钟的标准频率，为电导率的第一调整因子，为第个时间时芯片原子钟的电导率，为电磁干扰强度的第一调整因子，为第个时间时芯片原子钟的电磁干扰强度，为环境振动频率的第一调整因子，为第个时间时芯片原子钟的环境振动频率，为频率稳定性度量指数的综合调整因子，为芯片原子钟的频率稳定性度量指数。

28、进一步的，本发明还提出一种电子设备，包括处理器和与所述处理器连接的存储介质，所述存储介质存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行包含如一种基于机器学习的芯片原子钟稳定性优化方法的代码。

29、总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

30、本发明通过设置芯片原子钟的频率稳定性度量模型、芯片原子钟的相位噪声度量模型、芯片原子钟的温度敏感性度量模型和芯片原子钟的老化效应度量模型，能够从多个维度对芯片原子钟的稳定性进行优化，从而提高了芯片原子钟的设计研发效率。

技术特征：

1.一种基于机器学习的芯片原子钟稳定性优化方法，其特征在于，包括：

2.如权利要求1所述的一种基于机器学习的芯片原子钟稳定性优化方法，其特征在于，所述芯片原子钟的频率稳定性度量模型包括：

3.如权利要求2所述的一种基于机器学习的芯片原子钟稳定性优化方法，其特征在于，所述芯片原子钟的相位噪声度量模型包括：

4.如权利要求3所述的一种基于机器学习的芯片原子钟稳定性优化方法，其特征在于，所述芯片原子钟的温度敏感性度量模型包括：

5.如权利要求4所述的一种基于机器学习的芯片原子钟稳定性优化方法，其特征在于，所述芯片原子钟的老化效应度量模型包括：

6.如权利要求5所述的一种基于机器学习的芯片原子钟稳定性优化方法，其特征在于，所述芯片原子钟的稳定性综合度量模型包括：

7.如权利要求6所述的一种基于机器学习的芯片原子钟稳定性优化方法，其特征在于，通过梯度下降法或蚁群算法对所有调整因子和权重进行拟合。

8.一种基于机器学习的芯片原子钟稳定性优化系统，其特征在于，包括：

9.如权利要求8所述的一种基于机器学习的芯片原子钟稳定性优化系统，其特征在于，所述芯片原子钟的频率稳定性度量模型包括：

10.一种电子设备，其特征在于，包括处理器和与所述处理器连接的存储介质，所述存储介质存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行包含如权利要求1-7任一项的方法的代码。

技术总结本发明公开一种基于机器学习的芯片原子钟稳定性优化方法及系统，该方法包括：获取芯片原子钟的数据信息；设置芯片原子钟的频率稳定性度量模型、芯片原子钟的相位噪声度量模型、芯片原子钟的温度敏感性度量模型和芯片原子钟的老化效应度量模型，并根据数据信息，分别计算芯片原子钟的频率稳定性度量指数、相位噪声度量指数、温度敏感性度量指数和老化效应度量指数；设置芯片原子钟的稳定性综合度量模型，根据频率稳定性度量指数、相位噪声度量指数、温度敏感性度量指数和老化效应度量指数，计算稳定性综合度量指数，对芯片原子钟的稳定性综合度量模型进行拟合，使稳定性综合度量指数与预设的最佳稳定性指数最接近，从而完成芯片原子钟稳定性优化。技术研发人员：李超,罗翔,叶露,袁剑峰,姚伟华,罗鹏受保护的技术使用者：武汉非秒迅连科技有限公司技术研发日：技术公布日：2024/10/17