Jakość prognozowania skali czasu nadzorowanej przez pierwotny wzorzec częstotliwości z zastosowaniem sieci neuronowej typu GMDH na przykładzie skali czasu UTC(NPL)

• Autorzy: Sobolewski, Łukasz

Warianty tytułu

EN

Quality of predicting time scale supervised by the primary frequency standard by means of GMDH type neural network on the example of UTC(NPL) timescale

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono wyniki badań prognozowania wartości różnic dla skali UTC(NPL) oraz dla danych przygotowanych w postaci szeregu TS1 i TS2. Uzyskano bardzo dobrą jakość prognozowania skali czasu UTC(NPL). Otrzymane wartości prognoz różnią się od różnic publikowanych przez BIPM na ten sam dzień prognozy o maksymalnie ±4,8 ns, zarówno dla szeregu TS1, jak i dla TS2.

EN

The article presents research results on predicting the differences for UTC(NPL) timescale for data prepared in the form of time series TS1 and TS2. Very good quality of prediction has been obtained for UTC(NPL) timescale. Obtained values of predictions differ from the differences published by the BIPM at the same day of prediction by max ±4.8 ns for time series TS1 and TS2.

Słowa kluczowe

PL

prognozowanie różnic UTC–UTC(k); skala czasu UTC(NPL); skala UTC i UTC; korekcja skali czasu; sieć neuronowa

EN

predicting UTC–UTC(k) differences; UTC(NPL) timescale; UTC & UTC Rapid scales; timescale correction; neural network

• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 11
• Strony: 131--134
• Opis fizyczny: Bibliogr. 25 poz., rys., tab.

Twórcy

autor

Sobolewski, Łukasz

• Uniwersytet Zielonogórski, Instytut Metrologii, Elektroniki i Informatyki, ul. prof. Z. Szafrana 2 65-516 Zielona Góra,

Bibliografia

• [1] BIPM Annual Report on Time Activities, Bureau International des Poids et Mesures, 13 (2018), Sevres, France
• [2] Panfilo G., Arias E. F., The Coordinated Universal Time (UTC), Metrologia, 56 (2019), nr 4
• [3] Arias E. F., Lewandowski W., Modern Application of Timescales, Metrologia, 48 (2011), nr 4
• [4] Arias E. F., Panfilo G., Petit G., Timescales at the BIPM,Metrologia, 48 (2011), nr 4, 145-153
• [5] BIPM Time Department Data Base, źródło: https://webtai.bipm.org/database/clock.html, dostęp: 12.07.2022
• [6] Petit G., Arias e. F., Harmegnies A., Panfilo G., Tisserand L., UTCr: a rapid realization of UTC, Metrologia, 51 (2014), nr 1, 33-39
• [7] Czubla A., Konopka J., Nawrocki J., Realization of atomic SI second definition in context UTC(PL) and TA(PL), Metrol. Meas. Syst., 12 (2006), nr 2, 49-159
• [8] Bernier L. G., Use of the Allan deviation and linear prediction for the determination of the uncertainty on time calibrations against predicted timescales, IEEE Trans. Instrum. Meas., 52 (2003), nr 2, 483-486
• [9] Davis J. A., Shemar S. L., Whibberley P. B., A Kalman filter UTC(k) prediction and steering algorithm, in Proc. Joint IEEE (FCS EFTF), Maj 2011, 779-784
• [10] Panfilo G., Tavella P., Atomic clock prediction based on stochastic differential equations, Metrologia, 45 (2008), nr 6, 108-116
• [11] Rovera G. D., Bize S., Chupin B., Guena J., Laurent P., Rosenbusch P., Uhrich P., Abgrall M., UTC(OP) based on LNE-SYRTE atomic fountain primary frequency standards, Metrologia, 53 (2016), nr 3, 81-88
• [12] Performance of UTC(NIST) and UTC(NIST) Adjustments, źródło: https://www.nist.gov/pml/time-and-frequency-division/time-services/utcnist-time-scale/performance-utcnist-and-utcnist, dostęp: 12.07.2022
• [13] Nelles O., Nonlinear system identification, From Classical Approaches to Neural Networks and Fuzzy Models, London, U.K.: Springer-Verlag, 2001
• [14] Miczulski W., Sobolewski Ł., Application of the GMDH neural networks in prediction of corrections of the national time scale, Electronics: Constructions, Technologies, Applications, 6 (2011), 45-47
• [15] Kaczmarek J., Miczulski W., Kozioł M., Czubla A., Integrated system for monitoring and control of the national time and frequency standard, IEEE Trans. Instrum. Meas., 62 (2013), nr 10, 2828-2838
• [16] Miczulski W., Sobolewski Ł., Influence of the GMDH neuralnetwork data preparation method on UTC(PL) correction prediction results, Metrol. Meas. Syst., 19 (2012), nr 1, 123-132
• [17] Sobolewski Ł., Comparison of linear regression method andGMDH neural network in predicting the UTC(PL) national timescale, Przegląd Elektrotechniczny, 11 (2018)
• [18] Iwachnienko A. G., Iwachnienko G. A., Savchenko E. A., Wunsch D., Problems of Further Development of the GMDH Algorithms: Part 2, Pattern Recognition and Image Analysis, 12 (2002), nr 1, 6-18
• [19] Miczulski W., Sobolewski Ł., Algorithm for predicting [UTC - UTC(k)] by means of neural networks, IEEE Trans. Instrum. Meas., 66 (2017), nr 8, 2136-2142
• [20] Sobolewski Ł., Application of GMDH type neural network for predicting UTC(k) timescales realized on the basis of hydrogen masers, in Proc. Joint IEEE (FCS EFTF), Lipiec 2017, 42-46
• [21] Sobolewski Ł., Predicting the Lithuanian Timescale UTC(LT) by means of GMDH neural network, Bulletin of the Military University of Technology, 66 (2017), 31-41
• [22] Sobolewski Ł., Comparison of quality of UTC(PL) and UTC(NPL) scales prediction by means of GMDH neural network, Measurement Systems in theory and in practice, Zielona Gora,229-242, 2020
• [23] Tanebe T., Ye J., Suzuyama T., Kobayashi T., Yamaguchi Y., Yasuda M., Potential for improving the local realization of coordinated universal time with a convolutional neural network,Review of Scientific Instruments, 90 (2019), nr 12
• [24] Sobolewski L., Miczulski W., Czubla A., Experimental Verification of the Neural Network Predicting Procedure Appliedfor UTC(PL), IEEE Trans. Instrum. Meas., 70 (2021), 1-9
• [25] Caldwell R. B., Performance metrics for neural network-based trading system development, NeuroVest Journal, 3 (1995), 22-26

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).

Identyfikatory

DOI

10.15199/48.2022.11.25