[发明专利]一种嵌入式软件系统运行中让日历时钟数据可靠稳定运行的方法

说明书

本发明公开了一种嵌入式软件系统运行中让日历时钟数据可靠稳定运行的方法，在系统模型准确的情况下，利用Kalman滤波程序准确地估计出下一秒的系统观测值，从理论上证明用一定量的日历时钟数据预测下一秒的日历及时钟，从而可以修正实际运行中时钟崩溃的现象，具体步骤如下：S1、设置Kalman滤波的基本概念，S2、采用Kalman滤波中的预测方法；本发明成本低，只需在MCPU内开辟一块3K的RAM区域、2K ROM编程，就可以确保嵌入式产品的日历时钟长期运行在正确的时间内，只要数据库内日历时钟秒值在600个以上，则用当前用卡尔曼预测的秒值计算出日历时钟来刷新微处理器RAM内当前的日历时钟数据，同时更新时钟芯片或MCPU内部的RTC内的日历时钟。

技术领域

本发明属于数据处理技术领域，具体为一种嵌入式软件系统运行中让日历时钟数据可靠稳定运行的方法。

背景技术

现有的嵌入式产品很多自身带有日历时钟，在无电的情况下，可以再次加电设置日历时钟让校对正常运行。但是，在产品完全供电的情况下，如何监控日历时钟是正常的，这是很多产品忽视的，往往通过人工检测发现，这可能就对有些场合就来不及了，可能会造成损失。

发明内容

基于此，有必要提供一种嵌入式软件系统运行中让日历时钟数据可靠稳定运行的方法。

一种嵌入式软件系统运行中让日历时钟数据可靠稳定运行的方法，在系统模型准确的情况下，利用Kalman滤波程序准确地估计出下一秒的系统观测值，从理论上证明用一定量的日历时钟数据预测下一秒的日历及时钟，从而可以修正实际运行中时钟崩溃的现象，具体步骤如下：

S1、设置Kalman滤波的基本概念：

Kalman估计就是根据测量得出的与状态X(t)有关的数据Z(t)＝h[X(t)]+V(t)解算出X(t)的计算值其中随机向量为测量误差，称为X的估计，Z称为X的量测；因为是根据Z(t)确定的，所以是Z(t)的函数；若是Z的线性函数，则称作X的线性估计；

设在[t0，t1]时间段内的量测为Z，相应的估计为则

当t＝t1时，称为X(t)的估计；

当tt1时，称为X(t)的预测；

当tt1时，称为X(t)的平滑；

最优估计是指某一指标函数达到最值时的估计；

S2、采用Kalman滤波中的预测方法；其中，离散系统Kalman最优预测方程如下：

假若系统方程与观测方程分别如下：

X(k+1)＝Φ(k+1,k)X(k)+Γ(k+1,k)W(k)    (4.1)

Z(k)＝H(k)X(k)+V(k)                   (4.2)

式中W(k)与V(k)都是均值为零的白噪声序列，W(k)与V(k)互相独立；若Q(k)为系统噪声误差方差阵，R(k)为观测噪声误差方差阵，给定初始时刻的X(0),P(0)：

则最优预测估计方程为：

最优增益矩阵方程如下：

K(k)＝Φ(k+1,k)P(k|k-1)H^T(k)[H(k)P(k|k-1)H^T(k)+R(k)]^-1   (4.4)

估计误差方差阵的递推方程如下：

P(k+1|k)＝Φ(k+1,k)P(k|k-1)Φ^T(k+1,k)-Φ(k+1,k)P(k|k-1)H^T(k)