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，建立温度传感器传输特性的逆模型，从而使温度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 温度传感器非线性校正原理

　　大多数温度传感器系统都可用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，绝大多数温度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。很明显，函数g.

  温度传感器是电子产品设计中最常用的电子元件之一。随着IC集成度的提高，以及笔记本电脑、移动终端、PDA等便携式设备的普及，功耗散热问题变得越来越突出。只有对芯片的工作温度进行精确的控制，才能保证设备稳定工作。传统的热敏电阻虽然具有价格低廉等优势，但体积大、输出信号单一、功耗大、线性度不佳等因素制约着热敏电阻在高精电子产品中的应用。半导体温度传感器以其成本低、功能强大、体积小并具有良好的线性度等突出优势而应用升温。

　　LM86是美国国家半导体公司推出的一款11位远程半导体数字温度传感器，具有双线系统管理总线(SMBus)串行接口，能够精确测量自身温度及外部设备的温度。芯片内设一个半导体元件用于感应芯片自身温度(本地温度)，远程温度传感器为分立元件二极管或埋设在被测温的IC内的晶体管连接而成的二极管。只要放置一个专用二极管在目标裸片，就可以使用LM86准确测量任何ASIC的温度。