引 言
在传感器非线性校对范畴，国内外许多学者提出多种办法，并得到广泛使用，传统办法归纳起来可分两类：一类是公式法，即以试验数据为根底，用最小二乘等体系辨识办法求取拟合曲线参数，树立校对曲线的解析表达式;另一类是表格法，以查表为手法，经过分段线性化来迫临传感器的非线性特性曲线。
近些年来，跟着神经网络的开展，又有不少学者使用神经网络的非线性回归才能，拟合传感器输出与输入的非线性联系，树立传感器传输特性的逆模型，从而使传感器亦即神经网络构成的体系线性化。可是，该办法也存在必定的局限性，首要表现在：1）神经网络存在部分极小和过学习问题，易影响网络的泛化才能，因而，对样本的数量和质量依靠强;2）网络练习成果与网络初值、样本次第等有关，所建逆模型不具备唯一性;3）一般不能给出非线性校对环节（逆模型）的数学解析表达式。
本文在前人研讨的根底上，将现代办法与传统办法相结合，提出一种使用最小二乘支撑向量机（least squares support vector machine，LS-SVM）的回归算法/辨识传感器非线性逆模型的新办法，最终，经过铂铑30-铂铑6热电偶（B型）非线性校对实例，验证了上述定论。
1、传感器非线性校对原理
大多数传感体系都可用y=f（x），x∈（ξa，ξb）标明，其间，y标明传感体系的输出，x标明传感体系的输入，ξa，ξb为输入信号的规模。y信号可经过电子设备进行丈量，但通常是依据测得的y信号求得不知道的变量x，即标明为x=f-1（y）。但在实践使用过程中，绝大多数传感器传递函数为非线性函数。
为了消除或补偿传感体系的非线性特性，可使其输出y，经过一个补偿环节，如图1所示。该模型的特性函数为u=g（y），其间，u为非线性补偿后的输出，它与输入信号x呈线性联系，并使得补偿后的传感器具有抱负特性。很显着，函数g（·）也是一个非线性函数，若其输入-输出联系刚好为传感器传输特性的逆映射，那么，就可以使补偿成果u在数值上与被测物理量共同。
实践上，热电偶在整个丈量规模的非线性联系可用分度表标明，可是，在实践进行非线性校对时，构建补偿环节需求的是温度对热电动势的分度函数联系t（E），即需求依据热电动势来反求相应的温度值。可用一个幂级数多项式来拟合温度对热电动势的非线性联系，并作为传感器非线性补偿器的数学模型，这样，不光便于核算，一起，也具有通用性。很显着，多项式的次数越高，拟合的精度也就越高，非线性校对的作用也越抱负;当然，进行线性化校对时的核算量也随之上升，因而，在实践使用时应权衡考虑。
无妨设补偿器分度函数具有如下方式
从上述剖析来看，对传感器非线性进行校对的关键在于：构建如式（2）或式（3）所示的补偿器模型，对其进行辨识，并求取参数ω与6。因而，可采用体系辨识办法结构温度传感器非线性补偿环节（逆模型），具体步骤如下：
2、 LS-SVM体系辨识原理
3 、实践传感器校对试验
铂铑30-铂铑6热电偶（B型）在0～1 820℃规模内的输入-输出特性如图3所示，在低温段有较严峻的非线性，直接影响丈量精度，有必要添加非线性补偿环节进行校对使其线性化。
将该数学模型串联在铂铑30-铂铑6热电偶（B型）的输出端，可构成具有非线性自校对功用的传感器体系，经过该校对模型之后，使热电偶体系的线性度由校对之前的0.2123降为0.0353，体系的输入-输出特性如图4所示。
值得注意的是，铂铑30-铂铑6热电偶（B型）在整个测验规模中的传输特性曲线并不是单调递加的。因为在0～100℃段，传感器的分度函数出现U型散布，例如：与输出热电动势E=0 mV对应的测验温度可能是0℃，也可能是40℃。所以，在低温段，该传感器传递函数的反函数是不存在的，影响了该部分非线性校对的作用;但在中高温段（400～1800℃）传感器输出的具有显着的单调特性，因而，在该温度段用逆模型进行校对取得了适当抱负作用。图4所示的实践校对成果也标明：除低温段外，传感器体系的校对值与实在值十分挨近。
4、 结束语
经过构建传递函数的逆模型可完成传感器的非线性校对，进步传感器的丈量精度。本文针对实践问题，树立幂级数多项式补偿模型，并使用LS-SVM的回归算法辨识模型参数，完成传感器的非线性校对。
本文办法是现代技能（人工智能）和传统办法（最小二乘法）的一种结合，与神经网络为代表的人工智能办法不同，本文办法并没有使用非线性学习才能迫临模型的输入-输出特性;而是使用LS-SVM线性回归算法进行模型参数辨识，因而，可给出补偿器模型的解析方式数学表达式。最终，实践铂铑30-铂铑6热电偶（B型）非线性校对实例验证了本文办法的可行性。
责任编辑：gt
