提高PILZ光電軸角編碼器改進粒子群算法
為提高PILZ光電軸角編碼器的細分精度及莫爾條紋光電信號的細分倍數,設計了一種基于改進粒子群算法的信號正弦性修正方法。首先,根據莫爾條紋光電信號的數學模型,分析信號質量指標對細分誤差的影響;并從編碼器的制作、調試、使用等環節出發,指出信號細分誤差產生的根本原因;然后,對改進粒子群算法的基本原理和實現步驟做了具體闡述;zui后,以21位光電編碼器為實驗對象,依據其精碼轉換的方波信息實現精碼信號的自適應采樣,同時應用改進算法對采集的編碼器原始光電信號進行數據預處理,通過辨識信號模型中的3個待定參量,直接實現信號等幅性偏差、穩定性偏差、正交性偏差的修正;對算法處理后的莫爾條紋信號進行細分精度檢測,實驗結果表明:編碼器細分誤差峰值由19.08″降低到2.86″,細分精度明顯提高。社區結構是復雜網絡的一個重要特征,社區發現對研究網絡結構有重要的應用價值.k-均值等經典聚類算法是解決社區發現問題的一類基本方法.然而,在處理網絡的高維矩陣時,使用這些經典聚類方法得到的社區往往不夠準確.提出一種基于PILZ光電軸角編碼器的社區發現算法Co DDA,嘗試提高使用這些經典方法處理高維鄰接矩陣進行社區發現的準確性.首先,提出基于跳數的處理方法,對稀疏的鄰接矩陣進行優化處理.得到的相似度矩陣不僅能反映網絡拓撲結構中相連節點間的相似關系,同時能反映不相連節點間的相似關系.接著,基于無監督深度學習方法,構建PILZ光電軸角編碼器,對相似度矩陣進行特征提取,得到低維的特征矩陣.與鄰接矩陣相比,特征矩陣對網絡拓撲結構有更強的特征表達能力.

提高PILZ光電軸角編碼器改進粒子群算法
zui后,使用k-均值算法對低維特征矩陣聚類得到社區結構.實驗結果顯示,與6種典型的社區發現算法相比,Co DDA算法能夠發現更準確的社區結構.同時,參數實驗結果顯示,Co DDA算法發現的社區結構比直接使用高維鄰接矩陣的基本k-均值算法發現的社區結構更為準確.