基于全连接神经网络的TI-ADC失配误差校准方法技术

本发明专利技术公开了一种基于全连接神经网络的TI

【技术实现步骤摘要】
基于全连接神经网络的TI
‑
ADC失配误差校准方法


[0001]本专利技术属于模拟集成电路
，涉及TI
‑
ADC(时间交织型模数转换器)中的失配误差校准方法，包括增益失配误差、失调失配误差和时间失配误差的校准。

技术介绍

[0002]在集成电路领域中，模数转换器(ADC)是一种必不可少的功能组件，其将自然界中连续的模拟信号转换为数字系统中离散的数字信号，充当着模拟世界与数字世界的桥梁。ADC种类繁多，包括流水线型ADC(Pipelined
‑
ADC)、逐次逼近型ADC(SAR
‑
ADC)、时间交织型ADC(TI
‑
ADC)等。其中TI
‑
ADC拥有多个子ADC，每个子ADC单独对信号进行采样，构成一个通道，在合成阶段，将每个通道的输出结果按顺序依次排列，构成最终采样结果。若TI
‑
ADC包含N个通道，每个通道子ADC采样频率为fs，则TI
‑
ADC采样频率可以提升为Nfs，因此，TI
‑
ADC被广泛运用于高速高精度应用场景中。
[0003]然而在实际情况中，由于设计局限、生产工艺缺陷、工作环境干扰等因素，TI
‑
ADC性能会受到一定的影响，导致转换后的信号带有误差。TI
‑
ADC最主要的误差为增益失配误差、失调失配误差和时间失配误差。其中增益失配误差是由于各子通道ADC增益不匹配导致，失调失配误差是由于各子通道ADC失调不匹配导致，时间失配误差是由于各子通道ADC的采样时钟带有时钟偏移导致。为提高TI
‑
ADC性能以及转换后的信号质量，需要对ADC进行校准。
[0004]传统校准方法一般有模拟校准和数字校准两种。其中，模拟校准方法在模拟电路段对设计进行修改或微调，数字校准方法利用数字电路对ADC输出信号进行补偿。传统校准方法多存在算法复杂、资源消耗大等缺陷。近年来，人工智能(AI)技术迅猛发展，神经网络是其中的代表。神经网络技术在图像识别、人机交互、语音识别等领域均得到广泛应用且效果显著。因此，神经网络为TI
‑
ADC的误差校准开辟了新的思路。

技术实现思路

[0005]针对TI
‑
ADC中存在的增益失配误差、失调失配误差和时间失配误差，以及传统校准方法算法复杂、资源消耗大等不足之处，本专利技术提出一种新颖的结合神经网络对TI
‑
ADC各种失配误差进行校准的方法，能够部分消除TI
‑
ADC失配误差对信号造成的影响，有效提升转换后信号的质量。
[0006]本专利技术中校准方法的整体实施步骤如下：
[0007]S1、建立TI
‑
ADC失配误差模型为：
[0008]S
e
＝amp
×
sin(2πft)+E
g
×
sin(2π(fs/N
×
k
±
f)t)+E
o
×
sin(2π(fs/N
×
k)t)+E
t
×
sin(2π(fs/N
×
k
±
f)t)
[0009]其中，amp为信号幅值，f为信号频率，t为采样时间，E
g
表示增益失配误差造成杂波的幅值大小，E
o
表示失调失配误差造成杂波的幅值大小，E
t
表示时间失配误差造成杂波的幅值大小，fs为TI
‑
ADC的采样频率，N为通道数；
[0010]S2、构建训练数据集：
[0011]基于建立的TI
‑
ADC失配误差模型，设定参数amp、f、N、k、E
g
、E
o
、E
t
的值，选取多个采样时间点t，得到在时间上连续的多个信号数据点，作为输入数据集的一个数据样本，通过随机多个参数，获取多个数据样本构成训练数据集；
[0012]S3、建构全连接神经网络，包括一个输入层，一个隐藏层，一个输出层，相邻网络层之间的神经元互相进行连接；
[0013]S4、利用构建的训练数据集对神经网络进行训练，得到训练好的神经网络；
[0014]S5、对训练好的神经网络的性能进行测试，具体为利用S1的方法生成包含误差的TI
‑
ADC测试信号，将测试信号输入训练好的升级网络后，对神经网络的输出进行FFT处理后得到信号频谱图，根据信号频谱图计算评判指标，根据设定的标准进行评判后得出神经网络的性能，若神经网络的性能达到预期目标，则进入S7，否则进入S6；
[0015]S6、对神经网络进行优化，即对训练参数进行调整，回到S4；
[0016]S7、利用训练好的神经网络进行TI
‑
ADC的失配误差校准
[0017]所述步S3中的全连接神经网络具体结构如下：共三层，一层输入层，一层隐藏层，一层输出层。其中，输入层由1000个神经元节点构成，隐藏层由36个神经元节点构成，输出层由1个神经元节点构成。此结构可简化表示为[1000,36,1]。
[0018]本专利技术提出的校准算法适用于不同频率的、带有不同大小的TI
‑
ADC失配误差的正弦信号，能够有效抑制TI
‑
ADC的增益失配误差、失调失配误差和时间失配误差对于转换后信号造成的影响，从而提升转换后信号的整体质量，提高转换后信号的性能指标(ENOB，SFDR等)，实现对于TI
‑
ADC的误差校准。
附图说明
[0019]图1为本专利技术校准方法的主要实施步骤和实施流程图。
[0020]图2为神经网络基本神经元结构图。
[0021]图3为本专利技术全连接神经网络结构示意图。
[0022]图4为本专利技术神经网络训练测试流程图。
[0023]图5为校准前信号FFT频谱分析图。
[0024]图6为本专利技术校准后信号FFT频谱分析图。
具体实施方式
[0025]下面结合附图和实施例对本专利技术做进一步的详细说明。
[0026]本专利技术采用神经网络对TI
‑
ADC的增益失配误差、失调失配误差和时间失配误差进行校准，主要实施步骤及实施流程如图1所示，具体包含TI
‑
ADC失配误差模型的建立、神经网络训练数据集的构建、神经网络的搭建、神经网络的训练、神经网络性能的测试、神经网络的优化六个实施步骤。
[0027]步骤一：TI
‑
ADC失配误差模型的建立。
[0028]传统方法中，对于TI
‑
ADC的三种误差模型建立的一般步骤为：先生成多个子通道ADC的信号数据，然后微调每一个通道ADC的增益、失调和采样时钟，使得通道间的增本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于全连接神经网络的TI
‑
ADC失配误差校准方法，其特征在于，包括如下步骤：S1、建立TI
‑
ADC失配误差模型为：S
e
＝amp
×
sin(2πft)+E
g
×
sin(2π(fs/N
×
k
±
f)t)+E
o
×
sin(2π(fs/N
×
k)t)+E
t
×
sin(2π(fs/N
×
k
±
f)t)其中，amp为信号幅值，f为信号频率，t为采样时间，E
g
表示增益失配误差造成杂波的幅值大小，E
o
表示失调失配误差造成杂波的幅值大小，E
t
表示时间失配误差造成杂波的幅值大小，fs为TI
‑
ADC的采样频率，N为通道数；S2、构建训练数据集：基于建立的TI
‑
ADC失配误差模型，设定参数amp、f、N、k、E
g
、...

【专利技术属性】
技术研发人员：彭析竹，米奕杭，张耘凡，唐鹤，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：