值得注意的是，铂铑30-铂铑6热电偶（B型）在整个测试范围中的传输特性曲线并不是单调递增的。由于在0～100℃段，传感器的分度函数呈现U型分布，例如：与输出热电动势E=0 mV对应的测试温度可能是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正的效果;但在中高温段（400～1800℃）传感器输出的具有明显的单调特性，因此，在该温度段用逆模型进行校正取得了相当理想效果。图4所示的实际校正结果也表明：除低温段外，传感器系统的校正值与真实值非常接近。
4、 结束语
通过构建传递函数的逆模型可实现传感器的非线性校正，提高传感器的测量精度。本文针对实际问题，建立幂级数多项式补偿模型，并利用LS-SVM的回归算法辨识模型参数，实现传感器的非线性校正。
本文方法是现代技术（人工智能）和传统方法（最小二乘法）的一种结合，与神经网络为代表的人工智能方法不同，本文方法并没有利用非线性学习能力逼近模型的输入-输出特性;而是利用LS-SVM线性回归算法进行模型参数辨识，因此，可给出补偿器模型的解析形式数学表达式。最后，实际铂铑30-铂铑6热电偶（B型）非线性校正实例验证了本文方法的可行性。
责任编辑：gt
关于MEMS,传感技术就介绍完了，您有什么想法可以联系小编。
