理想的传感器的输入-输出特性呈线性关系，传感器的线性度越高，则其精度越高。但实际上大多数传感器因其不同环节存在的非线性特性而都存在非线性误差。为提高传感器的测量准确度，必须对传感器系统进行线性化处理（非线性校正）。
智能传感器可以借助软件对基本传感器进行非线性自动校正，因此它对位于系统前端的传感器及其调理电路至A/D转换器的输入-输出特性的非线性程度并不十分在意，仅要求其具有重复性。
目前，实现非线性自校正的方法主要有查表法、曲线拟合法和神经网络法。
（一）查表法
查表法是一种按照准确度要求，对反非线性曲线进行分段的线性插值方法，使用中通常需要用若干条折线尽量逼近曲线，将插入点坐标存入数据表，在进行测量时，先确定各个被测量xi对应的各个输出量的位置，再根据线性插值法插值求出输出值yi=xi。线性插值表达式为：
式中，k为折点的序数，折线条数为n-1。
线性插值法精度较低，为改善精度，可采用二次抛物线插值法。
（二）曲线拟合法
曲线拟合法常采用n次多项式逼近曲线，然后采用最小二乘法确定各个多项式的系数。现将其步骤归纳如下。
（1）对传感器及其调理电路进行静态实验标定，从而得到校准曲线假设标定点的数据输入为xi，即x1，x2，x3，…，xN，输出为ui，即u1，u2，u3，…，uN。其中，N为标定点个数，i=1，2，3，…，N。
（2）设反非线性曲线拟合多项式方程为
(www.xing528.com)
式中：n的值按准确度要求确定；a0，a1，a2，…，an为待定常数。
（3）根据最小二乘法求待定系数a0，a1，a2，…，an。
曲线拟合法的不足之处：在有噪声的情况下，采用最小二乘法求解多项式系数时可能会遇到方程无法求解的情况。
（三）神经网络法
神经网络法是一种基于学习和遗传，模仿人工神经网络，对非线性函数的未知系数进行求解的方法，由于其具备独特的优点，函数链神经网络方法常被用在传感器中。图6-1为函数结构图，图中1，ui，ui2，…，uin为神经网络链中整数的输入，ui为静态标定试验获得的标定点输出值，Wj（j=0，1，2，…，n）为网络的连接权值（对应反非线性拟合多项式uif项的系数aj），zi为函数链神经网络的输出估计值，其第k步输出估计为：
与标定点输入xi比较的估计误差是：
神经网络算法调节网络连接权的调节式为
式中，Wj（k）为第k步第j个连接权值，η为学习因子。神经网络算法就是通过不断学习，进而调整连接权值，直至估计值的均方差低于设定的误差上限值。此时结束学习过程，得到最终的连接权值W0，W1，W2，…，Wn。此时的权值为多项式的待定系数，即a0=W0，a1=W1，a2=W2，…，an=Wn。
图6-1 函数链神经网络结构图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
