APP下载
登录
引 言
在传感器
非线性校正领域，国内外许多学者提出多种方法，并得到广泛应用，传统方法归纳起来可分两类：一类是公式法，即以实验数据为基础，用最小二乘等系统辨识方法求取拟合曲线参数，建立校正曲线的解析表达式;另一类是表格法，以查表为手段，通过分段线性化来逼近传感器
的非线性特性曲线。
近些年来，随着神经网络的发展，又有不少学者利用神经网络的非线性回归能力，拟合传感器
输出与输入的非线性关系，建立传感器
传输特性的逆模型，从而使传感器
亦即神经网络构成的系统线性化。但是，该方法也存在一定的局限性，主要表现在：1)神经网络存在局部极小和过学习问题，易影响网络的泛化能力，因此，对样本的数量和质量依赖强;2)网络训练结果与网络初值、样本次序等有关，所建逆模型不具备唯一性;3)一般不能给出非线性校正环节(逆模型)的数学解析表达式。
本文在前人研究的基础上，将现代方法与传统方法相结合，提出一种利用最小二乘支持向量机(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方法，最后，通过铂铑30-铂铑6热电偶(B型)非线性校正实例，验证了上述结论。
1 传感器非线性校正原理
大多数传感系统都可用y=f(x)，x∈(ξa，ξb)表示，其中，y表示传感系统的输出，x表示传感系统的输入，ξa，ξb为输入信号的范围。y信号可经过电子设备进行测量，但通常是根据测得的y信号求得未知的变量x，即表示为x=f-1(y)。但在实际应用过程中，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系统的非线性特性，可使其输出y，通过一个补偿环节，如图1所示。该模型的特性函数为u=g(y)，其中，u为非线性补偿后的输出，它与输入信号x呈线性关系，并使得补偿后的传感器具有理想特性。
热门文章
