梯度下降算法在时间同步中的优化

规模化无线传感网各节点时间同步的关键因素是提高节点间的同步精度和收敛速度。该文提出一种基于梯度下降法的多跳时间同步(GDTS)算法,采用梯度下降算法对误差函数的步长进行迭代更新,调整接收节点的逻辑时钟频率和偏移值,得到使误差函数最小化的逻辑时钟频率和偏移比值的最优估计值。数值分析和仿真结果表明,与FBTS和PISync两种算法对比,GDTS算法具有良好的可扩展性,收敛速度及同步精度性能上均有优化。     

基于时延不对称网络的最小排队转发时延估计

针对精密时间协议(PTP)报文的不确定排队转发时延恶化PTP同步性能的问题,提出最小排队转发时延估计算法.通过对链路时延堆栈式比较,基于筛选出的未受阻塞的幸运报文进行时钟偏移估计,提高了时延不对称网络中的PTP同步性能.算法的边界条件由搜寻幸运报文的平均时间间隔决定,推导了该边界条件公式.测试验证结果表明:在主从链路时延不对称的环境下,相比于无优化情况,链路时延估计精度提高了约25ns,其稳定度提高了近2个数量级;PTP系统同步精度提高了1倍以上,其稳定度提高了近4倍.     

基于时钟同步的单向延时测量方法

针对传统测量单向延时的方法在非对称网络环境下误差较大的情况,提出了一种互联网端到端单向时延测量方法(eliminate queuing delay algorithm,EQD).首先通过基于频率补偿的方法求解排队延时,然后采用消除排队延时的策略提高计算时钟偏差的准确性,从而提高了端到端单向延时的测量精度.在两条不同的链路环境下验证EQD算法,并与GPS测量结果进行对比.实验结果表明,该算法能有效消除网络不对称和网络拥塞的影响,极限误差小于往返链路真实单向延时差值的20%,相对于传统的基于时钟偏差测量单向延时的方法在测量精度上提高了30%.     

An Improvement of Time Synchronization Protocol Based on FTSP in Wireless Sensor Networks

精确的时钟同步对于很多无线传感器网络的应用来说是非常重要的.虽然每个传感器节点都配备了一个硬件时钟,但是这些硬件时钟会产生不同程度的漂移.现有的泛洪时间同步协议使用线性回归算法对节点的时钟进行漂移补偿,鉴于线性回归算法容易受到异常数据的影响,从而会影响到协议的同步精度.因此提出了一种精度更高、同步误差更小的改进协议,并且采用NS2仿真工具对改进的协议进行了仿真,仿真结果表明改进后的协议能够有效提高同步精度.     

无线传感器网络中一种基于FTSP的时间同步协议的改进设计

精确的时钟同步对于很多无线传感器网络的应用来说是非常重要的.虽然每个传感器节点都配备了一个硬件时钟,但是这些硬件时钟会产生不同程度的漂移.现有的泛洪时间同步协议使用线性回归算法对节点的时钟进行漂移补偿,鉴于线性回归算法容易受到异常数据的影响,从而会影响到协议的同步精度.因此提出了一种精度更高、同步误差更小的改进协议,并且采用NS2仿真工具对改进的协议进行了仿真,仿真结果表明改进后的协议能够有效提高同步精度.     

结合Chirp信号的单向广播机制水下无线传感器网络时间同步算法

水下无线传感器网络(underwater wireless sensor networks, UWSNs)的时间同步主要面临两大挑战,分别是水声传播时延较长和节点的移动性.针对水下无线传感器网络时间同步问题,提出了一种结合Chirp信号的单向广播机制的跨层时间同步(Chirp-based broadcasting time synchronization, CB-Sync)算法. CB-Sync算法在物理层利用Chirp扩频信号的时钟频偏与相偏来减少因节点移动性带来的误差.此外, CB-Sync算法采用周期性的单向广播机制来同步邻居节点,邻居节点根据收到的广播信息,通过两次线性回归得到时钟的初始频偏与相偏,最后利用最小梯度下降算法来减少多普勒频移带来的误差,以提高最终的时间同步精度.仿真实验结果表明, CB-Sync算法具有更为高效的能量利用效率和时间同步精度.     

利用训练序列的OFDM时频同步算法

针对正交频分复用(OFDM,Orthogonal Frequency-Division Multiplexing)系统中频偏和定时误差对系统性能影响很大,基于对称结构的特殊导频序列和已有的频率同步方法,此文提出了一种改进的时频联合同步算法。该算法利用一个OFDM导频符号可同时实现符号同步和频率同步,因此能提高无线传输的数据传输效率。仿真分析表明,由于时频联合同步算法采用了具有很好相关特性的对称结构的特殊导频序列来实现精确的定时同步,相对S&C算法提高了频偏估计精度。     

用于并行调试环境的改进的物理时钟算法

为满足并行调试需要,时钟模型必须既能保证事件之间的逻辑顺序,又能为性能调试提供时间戳。现有的基于事件的物理时钟同步算法在时间戳上可能存在较大误差,为了降低误差,对现有算法进行改进。改进的算法依次对时钟偏移误差最大的局部时钟进行调整,调整的依据是两个节点之间消息的发送和接收具有对等性,调整的时候考虑了该进程和其它所有进程之间的通信传输。模拟结果表明:该算法以较小的时间代价,减少了90%左右的误差。该算法可以解决并行调试环境中的时钟同步问题。     

一种基于人工智能-深度学习的无线时钟同步算法

基于传统TPSN协议基础上,提出一种结合人工智能-深度学习的无线时钟同步算法,首先利用深度学习不断重复学习的特性,减少误差,抵消时钟漂移的影响和抑制各种随机时延的不确定性,然后通过在Hainan EVK RTLS 3. 0硬件平台上测试,最后实验结果证明本文所提算法比传统TPSN协议获得了更高的时钟同步精度,时钟同步性能得到大幅提升.     

基于WLAN信标的连续时钟同步算法

IEEE 802.11无线局域网自有的时钟同步协议的定时同步功能（timing synchronization function,TSF）采用偏移量补偿的方式.基于这种TSF满足不了实时应用对同步精度的要求,提出一种基于WLAN信标的主从结构式连续时钟同步算法.该算法具有同步精度高、时钟连续变化、抗信标延迟和丢失能力强等优点.