1) 网络结构参数的初始化：隐层节点数选为6，隐层响应函数选为对数型sig函数，即logsig，输出层响应函数选为纯线性函数，即purelin。

　　2) 网络训练参数的设置：训练开始前，分别输入训练样本文件和测试样本文件的路径，训练终止条件选为训练代数为1000。

　　3) 网络训练：点击网络训练按钮“训练”，训练多次，并记录每次的测试均方差，以测试均方差最小的一组网络参数作为训练的最终结果，实验中记录的最小测试均方差为0.03963582。训练所得到的权值 和阈值 就是BP网络训练的结果。

3.6 非线性校正结果与分析

　　1) 热电偶非线性校正模型：用BP神

　　经网络建立的非线性校正模型结构可以用权值和阈值来表示，权值和阈值如下：

　　输入层与隐层间权值：=[-30.473488 -38.820904 -1.644704-2.235481 0.099258 95.799098]
　　输出层与隐层间权值：=[-20.979834 31.472969 -6.901741 1.78862 1014.294648 -254.668243]
　　隐层阈值：=[-47.329741 -25.972066 12.099975 4.515939 -0.050021 86.879988]
　　输出层阈值： =-234.662545

　　这样很容易可以得出t - E关系：

　　2) 非线性校正分析：用41组测试样本数据对建好的BP网络模型进行了测试，测试结果如表1所示。

                    表1理论温度值与测试结果温度值

                    
　　表中的理论值是分度表中的温度值。

　　可以求出最大拟合偏差℃，则线性度为，具体线性度比较如表2所示。

                          表2 神经网络训练前后性能比较

                                
　　从以上结果可以看出，经过神经网络训练，热电偶在0~200℃测温范围内的非线性得到了明显改善。

4 结论

　　本文采用基于虚拟仪器编程语言CVI编成的BP神经网络训练仪对K型镍铬-镍硅热电偶的非线性进行了校正，获得了非线性校正模型，校正前后非线性降低了一个数量级，实现热电偶的非线性校正。