基于长短时记忆神经网络(LSTM)的钟差预报算法

原子钟钟差预报在原子时计算和原子钟频率驾驭中发挥着重要的作用。长短时记忆神经网络（LSTM）预报算法能够处理多参数长期依赖关系的时间序列预报，以氢钟和铯钟实测数据为样本，通过构建LSTM钟差预报模型，降低了长期原子钟内部噪声以及原子钟漂移对钟差预报的影响，并以72h，240h和720h为预报时长，分别与线性多项式模型、灰色模型和Kalman模型原子钟钟差预报模型进行预报误差对比。研究表明，在240h以上的预报时长中，LSTM建模长期依赖关系的优势得以体现，相较于其他3类模型可以获得更高的预报精度。     

飞秒光学频率梳在计量领域的应用

飞秒光学频率梳是超快激光光学领域的重要研究方向，通过将锁模激光器重复频率（f_r）及载波包络相移频率（f_o）锁定至微波频率基准，在时域上呈现出飞秒量级的周期性超短脉冲序列，在频域上呈现出一系列离散等间隔排列的纵模分量，广泛应用于时间频率传递，空间尺度测量和精密光谱测量等诸多计量科学研究领域。根据飞秒光频梳的基本原理，着重介绍了其在计量领域的应用研究，分析了在计量领域的重要作用及研究的重要意义。