傳感器的非線性校正有多種方法，并且也都得到了不同程度的應用。傳統的非線性傳感器線性化的方法是硬件補償，這種方法難以做到全程補償，而且補償硬件的漂移會影響整個系統的精度，因此可靠性不高、測量范圍有限、精度低。現在國內外研究人員研究了多種多項式擬合校正法，當用直線擬合時，擬合精度較低，通常不能滿足要求；用高次曲線擬合又過于復雜，實現困難。近年來發展較多的是神經網絡法，大都采用的是BP算法［1］［2］。在理論上，含有隱含層的BP網絡能夠逼近任意的非線性函數，這種方法適應性強，精度也高。但是BP網絡結構復雜、調節的權值多、學習速度慢、容易陷入局部最小。為此本文采用了一種基于函數鏈神經網絡（FLANN）的傳感器線性校正方法，與BP算法相比，該結構簡單明了。通過在振動筒式壓力傳感器的上仿真實驗證明，該方法簡單易行，效果理想。
     1 振動筒式壓力傳感器
振動筒式傳感器是利用彈性元件的振動頻率隨被測力而變化實現測量的。振動筒是傳感器的敏感元件，當被測壓力通過圓筒內腔時，由于被測壓力的作用，沿軸向和徑向被張緊的振動筒的剛度發生變化，從而改變了振動筒的諧振頻率。頻率變化值對應著壓力變化的大小，振動頻率f與被測壓力P的關系為：式中，A—振動筒常數，它與振動筒材料性質和振動幾何尺寸有關[3]。     振動筒式壓力傳感器工作 
     在不同的環境溫度條件下，隨著環境溫度的變化，其測量誤差也會不同。另外振動筒金屬材料的彈性模量也隨溫度變化而變化，溫度變化將會造成筒內氣壓不穩定。這些因素都直接影響著振動筒頻率變化與壓力大小的線性關系。在測量中等壓力時，其非線性一般在5－6％。所以在精度要求較高的場合，必須對振動筒式壓力傳感器進行線性校正。
     2 非線性校正原理
     非線性校正的原理主要基于圖1所示的基本環節，圖中輸出函數y主要由振動筒式壓力傳感器的特性決定。由于溫度等因素的影響，其線性度差，因此y和u是非線性關系。如果校正函數F具有與f相反的變換特性，即 p= F ( y ) = f ( u )－1，那么校正后的輸出p與輸入u就可以成為較理想的線性關系。所以問題的關鍵是如何確定校正函數F，在實際應用中很難準確求出該校正函數即其反函數，為此引入了函數鏈神經網絡算法。

 

由回歸分析法，可以知道函數F可以用下列多項式近似地表示：

     式中：n為多項式的階數，它越大式（1）就越接近真實的校正函數F，其校正結果也越精確。在實際中n越大，式（1）的an un項將會急劇減小，因此n也不必取得太大。當n確定后，下面的問題就是如何確定各項的系數，文中重點介紹了使用函數鏈神經網絡法對各項系數的確定。

     3 函數鏈神經網絡的建模

采用函數鏈神經網絡進行振動筒式壓力傳感器校正的模型如圖2所示。

     圖2 函數鏈神經網絡模型圖（略）

     圖中：，為訓練樣本的輸入元素它對應式（1）中的1，u，u2，u3，…，un；Wj（j＝0，1，2，…，n）為網絡的連接權，它用來確定式（1）中的待定系數a0，a1，a2，…，a n；di為傳感器的標定周期（頻率的倒數）值。在該神經網絡中，每個神經元都采用線性函數，因此函數鏈神經網絡的輸出為：

式中：P（k）為第k步時，di的估計值，它與di比較，得到第k步的估計誤差：

然后根據式（4）調節神經網絡的連接權值：