引 言

　　在傳感器非線性校正領域，國內外許多學者提出多種方法，并得到廣泛應用，傳統方法歸納起來可分兩類：一類是公式法，即以實驗數據為基礎，用最小二乘等系統辨識方法求取擬合曲線參數，建立校正曲線的解析表達式;另一類是表格法，以查表為手段，通過分段線性化來逼近傳感器的非線性特性曲線。

　　近些年來，隨著神經網絡的發展，又有不少學者利用神經網絡的非線性回歸能力，擬合傳感器輸出與輸入的非線性關系，建立傳感器傳輸特性的逆模型，從而使傳感器亦即神經網絡構成的系統線性化。但是，該方法也存在一定的局限性，主要表現在：1)神經網絡存在局部極小和過學習問題，易影響網絡的泛化能力，因此，對樣本的數量和質量依賴強;2)網絡訓練結果與網絡初值、樣本次序等有關，所建逆模型不具備唯一性;3)一般不能給出非線性校正環節(逆模型)的數學解析表達式。

　　本文在前人研究的基礎上，將現代方法與傳統方法相結合，提出一種利用最小二乘支持向量機(least squares support vector machine，LS-SVM)的回歸算法/辨識傳感器非線性逆模型的新方法，最后，通過鉑銠30-鉑銠6熱電偶(B型)非線性校正實例，驗證了上述結論。

　　1 傳感器非線性校正原理

　　大多數傳感系統都可用y=f(x)，x∈(ξa，ξb)表示，其中，y表示傳感系統的輸出，x表示傳感系統的輸入，ξa，ξb為輸入信號的范圍。y信號可經過電子設備進行測量，但通常是根據測得的y信號求得未知的變量x，即表示為x=f-1(y)。但在實際應用過程中，絕大多數傳感器傳遞函數為非線性函數。

　　為了消除或補償傳感系統的非線性特性，可使其輸出y，通過一個補償環節，如圖1所示。該模型的特性函數為u=g(y)，其中，u為非線性補償后的輸出，它與輸入信號x呈線性關系，并使得補償后的傳感器具有理想特性。很明顯，函數g(