返回首頁
加入收藏
聯(lián)系我們提高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(shù),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(jù)莫爾條紋光電信號的數(shù)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(huán)節(jié)出發(fā),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(xiàn)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(jù)其精碼轉換的方波信息實現(xiàn)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(shù)據(jù)預處理,通過辨識信號模型中的3個待定參量,直接實現(xiàn)信號等幅性偏差、穩(wěn)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(qū)結構是復雜網絡的一個重要特征,社區(qū)發(fā)現(xiàn)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(qū)發(fā)現(xiàn)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(qū)往往不夠準確.提出一種基于PILZ光電軸角編碼器的社區(qū)發(fā)現(xiàn)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(qū)發(fā)現(xiàn)的準確性.首先,提出基于跳數(shù)的處理方法,對稀疏的鄰接矩陣進行優(yōu)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(jié)點間的相似關系,同時能反映不相連節(jié)點間的相似關系.接著,基于無監(jiān)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(qū)結構.實驗結果顯示,與6種典型的社區(qū)發(fā)現(xiàn)算法相比,Co DDA算法能夠發(fā)現(xiàn)更準確的社區(qū)結構.同時,參數(shù)實驗結果顯示,Co DDA算法發(fā)現(xiàn)的社區(qū)結構比直接使用高維鄰接矩陣的基本k-均值算法發(fā)現(xiàn)的社區(qū)結構更為準確.
