• 천문학회보
• /
• 제32권1호
• /
• pp.105.2-105.2
• /
• 2007

• 항공우주산업기술동향
• /
• 제7권1호
• /
• pp.119-127
• /
• 2009

1970년대 이후로 지금까지 450여개의 원자 주파수 표준기 (또는 원자시계)가 통신이나 과학 실험의 목적으로 우주로 발사되었다. GPS 위성의 경우 루비듐 주파수 표준기와 세슘 주파수 표준기가 탑재되어 사용자들에게 정밀한 위치와 시각을 제공하고 있다. 원자 주파수 표준기 개발 기술이 향상됨에 따라 성능이 뛰어난 주파수 표준 기들이 우주에서 동작하고 있고, 이는 위성의 수명이나 신뢰도를 높일 수 있다. 본 논문에서는 원자 주파수 표준기의 기본 원리 및 특성에 대해 기술하고, 위성에 탑재되어 있는 우주용 원자 주파수 표준기 종류에 대해서 소개한다. 또한 GPS 항법위성의 기준이 되고 있는 GPS 시간척도와 이를 활용한 응용분야에 대해서 기술한다.

• 한국측량학회:학술대회논문집
• /
• 한국측량학회 2010년 춘계학술발표회 논문집
• /
• pp.201-206
• /
• 2010

한국 측지 VLBI 시스템 건설 프로젝트는 2008년 11월에 공식적으로 시작되었으며, 2011년 말까지 완료하는 것을 목표로 하고 있다. 프로젝트의 공식 명칭은 한국 측지 VLBI 시스템(Korea VLBI system for Geodesy)이며 주목적은 한국측지 기준점을 유지 관리하는 것이다. KVG의 경우 수소 메이저 주파수 표준이 위치한 관측실은 안테나와 수십 m 떨어진 분리된 건물에 있다. 따라서 KVG는 위상 변동 효과가 축소된 기준신호를 안테나로 전달하는 라운드 trip 시스템을 갖출 것이다. KVG의 라운드 trip 시스템은 metal이나 광케이블을 모두 사용할 수 있을 뿐만 아니라 K5/VSSP32 샘플러를 이용하여 위상 변동을 직접적으로 측정하는 것도 가능하도록 설계되었다. 여기서는 라운드 trip 시스템의 기본원리와 KVG를 위한 새로운 타입의 라운드 trip 시스템을 소개할 것이다.

• Journal of Positioning, Navigation, and Timing
• /
• 제13권1호
• /
• pp.111-115
• /
• 2024

This study builds a machine learning model optimized for clocks among various techniques in the field of artificial intelligence and applies it to clock stabilization or synchronization technology based on atomic clock noise characteristics. In addition, the possibility of providing stable source clock data is confirmed through the characteristics of machine learning predicted values during holdover of atomic clocks. The proposed machine learning model is evaluated by comparing its performance with the AutoRegressive Integrated Moving Average (ARIMA) model, an existing statistical clock prediction model. From the results of the analysis, the prediction model proposed in this study (MSE: 9.47476) has a lower MSE value than the ARIMA model (MSE: 221.2622), which means that it provides more accurate predictions. The prediction accuracy is based on understanding the complex nature of data that changes over time and how well the model reflects this. The application of a machine learning prediction model can be seen as a way to overcome the limitations of the statistical-based ARIMA model in time series prediction and achieve improved prediction performance.