提高PILZ光电轴角编码器改进粒子群算法
为提高PILZ光电轴角编码器的细分精度及莫尔条纹光电信号的细分倍数,设计了一种基于改进粒子群算法的信号正弦性修正方法。首先,根据莫尔条纹光电信号的数学模型,分析信号质量指标对细分误差的影响;并从编码器的制作、调试、使用等环节出发,指出信号细分误差产生的根本原因;然后,对改进粒子群算法的基本原理和实现步骤做了具体阐述;zui后,以21位光电编码器为实验对象,依据其精码转换的方波信息实现精码信号的自适应采样,同时应用改进算法对采集的编码器原始光电信号进行数据预处理,通过辨识信号模型中的3个待定参量,直接实现信号等幅性偏差、稳定性偏差、正交性偏差的修正;对算法处理后的莫尔条纹信号进行细分精度检测,实验结果表明:编码器细分误差峰值由19.08″降低到2.86″,细分精度明显提高。社区结构是复杂网络的一个重要特征,社区发现对研究网络结构有重要的应用价值.k-均值等经典聚类算法是解决社区发现问题的一类基本方法.然而,在处理网络的高维矩阵时,使用这些经典聚类方法得到的社区往往不够准确.提出一种基于PILZ光电轴角编码器的社区发现算法Co DDA,尝试提高使用这些经典方法处理高维邻接矩阵进行社区发现的准确性.首先,提出基于跳数的处理方法,对稀疏的邻接矩阵进行优化处理.得到的相似度矩阵不仅能反映网络拓扑结构中相连节点间的相似关系,同时能反映不相连节点间的相似关系.接着,基于无监督深度学习方法,构建PILZ光电轴角编码器,对相似度矩阵进行特征提取,得到低维的特征矩阵.与邻接矩阵相比,特征矩阵对网络拓扑结构有更强的特征表达能力.

提高PILZ光电轴角编码器改进粒子群算法
zui后,使用k-均值算法对低维特征矩阵聚类得到社区结构.实验结果显示,与6种典型的社区发现算法相比,Co DDA算法能够发现更准确的社区结构.同时,参数实验结果显示,Co DDA算法发现的社区结构比直接使用高维邻接矩阵的基本k-均值算法发现的社区结构更为准确.