一种非带隙基准电压源电路制造技术

公开了一种非带隙基准电压源电路。其首先获取由CTAT电流产生电路产生的CTAT电流信号，接着，对所述CTAT电流信号进行基于采样窗的滑窗采样以得到多个CTAT电流信号采样窗，然后，将所述多个CTAT电流信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个CTAT电流信号采样窗波形特征向量，接着将所述多个CTAT电流信号采样窗波形特征向量通过基于转换器的上下文编码器以得到CTAT电流信号全局波形特征向量，最后，将所述CTAT电流信号全局波形特征向量通过解码器以得到用于表示曲率补偿电流值的解码值。这样，可以降低带隙基准电压源的温度漂移。电压源的温度漂移。电压源的温度漂移。

【技术实现步骤摘要】
一种非带隙基准电压源电路


[0001]本申请涉及集成电路领域，且更为具体地，涉及一种非带隙基准电压源电路。

技术介绍

[0002]非带隙基准电压源电路是一种不依赖于带隙电压的基准电压源，它可以在低电压条件下工作。非带隙基准电压源电路在模拟集成电路、数字集成电路和混合信号集成电路等领域有着广泛的应用。
[0003]一阶带隙基准电压源电路使用PTAT电流来补偿一阶温度系数，但是带隙基准电压源通常还具有非线性分量的存在，导致带隙基准电压源的温度漂移比较大，从而无法应用于对温度漂移要求较高的场合。因此，期待一种解决方案。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种非带隙基准电压源电路。其首先获取由CTAT电流产生电路产生的CTAT电流信号，接着，对所述CTAT电流信号进行基于采样窗的滑窗采样以得到多个CTAT电流信号采样窗，然后，将所述多个CTAT电流信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个CTAT电流信号采样窗波形特征向量，接着将所述多个CTAT电流信号采样窗波形特征向量通过基于转换器的上下文编码器以得到CTAT电流信号全局波形特征向量，最后，将所述CTAT电流信号全局波形特征向量通过解码器以得到用于表示曲率补偿电流值的解码值。这样，可以降低带隙基准电压源的温度漂移。
[0005]根据本申请的一个方面，提供了一种非带隙基准电压源电路，其包括：
[0006]获取由CTAT电流产生电路产生的CTAT电流信号；
[0007]对所述CTAT电流信号进行基于采样窗的滑窗采样以得到多个CTAT电流信号采样窗；
[0008]将所述多个CTAT电流信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个CTAT电流信号采样窗波形特征向量；
[0009]将所述多个CTAT电流信号采样窗波形特征向量通过基于转换器的上下文编码器以得到CTAT电流信号全局波形特征向量；以及
[0010]将所述CTAT电流信号全局波形特征向量通过解码器以得到解码值，所述解码值用于表示曲率补偿电流值。
[0011]在上述的非带隙基准电压源电路中，将所述多个CTAT电流信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个CTAT电流信号采样窗波形特征向量，包括：
[0012]使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个CTAT电流信号采样窗波形特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个CTAT电流信号采样
窗。
[0013]在上述的非带隙基准电压源电路中，将所述多个CTAT电流信号采样窗波形特征向量通过基于转换器的上下文编码器以得到CTAT电流信号全局波形特征向量，包括：
[0014]将所述多个CTAT电流信号采样窗波形特征向量通过基于转换器的上下文编码器以得到多个上下文CTAT电流信号采样窗波形特征向量；
[0015]对每个所述CTAT电流信号采样窗波形特征向量和每个所述上下文CTAT电流信号采样窗波形特征向量进行深层空间封装语义匹配融合以得到多个优化上下文CTAT电流信号采样窗波形特征向量；以及
[0016]将所述多个优化上下文CTAT电流信号采样窗波形特征向量进行级联以得到所述CTAT电流信号全局波形特征向量。
[0017]在上述的非带隙基准电压源电路中，将所述多个CTAT电流信号采样窗波形特征向量通过基于转换器的上下文编码器以得到多个上下文CTAT电流信号采样窗波形特征向量，包括：
[0018]将所述多个CTAT电流信号采样窗波形特征向量进行一维排列以得到电流信号全局特征向量；
[0019]计算所述电流信号全局特征向量与所述多个CTAT电流信号采样窗波形特征向量中各个CTAT电流信号采样窗波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
[0020]分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
[0021]将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及
[0022]分别以所述多个概率值中各个概率值作为权重对所述多个CTAT电流信号采样窗波形特征向量中各个CTAT电流信号采样窗波形特征向量进行加权以得到所述多个上下文CTAT电流信号采样窗波形特征向量。
[0023]在上述的非带隙基准电压源电路中，对每个所述CTAT电流信号采样窗波形特征向量和每个所述上下文CTAT电流信号采样窗波形特征向量进行深层空间封装语义匹配融合以得到多个优化上下文CTAT电流信号采样窗波形特征向量，包括：
[0024]以如下优化公式对每个所述CTAT电流信号采样窗波形特征向量和每个所述上下文CTAT电流信号采样窗波形特征向量进行深层空间封装语义匹配融合以得到所述多个优化上下文CTAT电流信号采样窗波形特征向量；
[0025]其中，所述优化公式为：
[0026][0027]其中，V
1i
表示每个所述CTAT电流信号采样窗波形特征向量，V
2i
表示每个所述上下文CTAT电流信号采样窗波形特征向量，‖
·
‖1和‖
·
‖2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，D(V1,V2)表示每个所述CTAT电流信号采样窗波形特征向量和每个所述上下文CTAT电流信号采样窗波形特征向量之间的按位置距离矩阵，且I为单位矩阵，表示按位置加法，表示乘法，
⊙
表示按位置点乘，表示按位置减法，V
2i
′
表示所述
多个优化上下文CTAT电流信号采样窗波形特征向量中的第i个优化上下文CTAT电流信号采样窗波形特征向量。
[0028]在上述的非带隙基准电压源电路中，将所述多个优化上下文CTAT电流信号采样窗波形特征向量进行级联以得到所述CTAT电流信号全局波形特征向量，包括：
[0029]以如下级联公式将所述多个优化上下文CTAT电流信号采样窗波形特征向量进行级联以得到所述CTAT电流信号全局波形特征向量；
[0030]其中，所述级联公式为：
[0031]V
a
＝Concat[V
21
′
，V
22
′……
V
2i
′
][0032]其中，V
21
′
，V
22
′……
V
2i
′
表示所述多个优化上下文CTAT电流信号采样窗波形特征向量，Concat[
·
]表示级联函数，V
a
表示所述CTAT电流信号全局波本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非带隙基准电压源电路，其特征在于，包括：获取由CTAT电流产生电路产生的CTAT电流信号；对所述CTAT电流信号进行基于采样窗的滑窗采样以得到多个CTAT电流信号采样窗；将所述多个CTAT电流信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个CTAT电流信号采样窗波形特征向量；将所述多个CTAT电流信号采样窗波形特征向量通过基于转换器的上下文编码器以得到CTAT电流信号全局波形特征向量；以及将所述CTAT电流信号全局波形特征向量通过解码器以得到解码值，所述解码值用于表示曲率补偿电流值。2.根据权利要求1所述的非带隙基准电压源电路，其特征在于，将所述多个CTAT电流信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个CTAT电流信号采样窗波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个CTAT电流信号采样窗波形特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个CTAT电流信号采样窗。3.根据权利要求2所述的非带隙基准电压源电路，其特征在于，将所述多个CTAT电流信号采样窗波形特征向量通过基于转换器的上下文编码器以得到CTAT电流信号全局波形特征向量，包括：将所述多个CTAT电流信号采样窗波形特征向量通过基于转换器的上下文编码器以得到多个上下文CTAT电流信号采样窗波形特征向量；对每个所述CTAT电流信号采样窗波形特征向量和每个所述上下文CTAT电流信号采样窗波形特征向量进行深层空间封装语义匹配融合以得到多个优化上下文CTAT电流信号采样窗波形特征向量；以及将所述多个优化上下文CTAT电流信号采样窗波形特征向量进行级联以得到所述CTAT电流信号全局波形特征向量。4.根据权利要求3所述的非带隙基准电压源电路，其特征在于，将所述多个CTAT电流信号采样窗波形特征向量通过基于转换器的上下文编码器以得到多个上下文CTAT电流信号采样窗波形特征向量，包括：将所述多个CTAT电流信号采样窗波形特征向量进行一维排列以得到电流信号全局特征向量；计算所述电流信号全局特征向量与所述多个CTAT电流信号采样窗波形特征向量中各个CTAT电流信号采样窗波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及分别以所述多个概率值中各个概率值作为权重对所述多个CTAT电流信号采样窗波形
特征向量中各个CTAT电流信号采样窗波形特征向量进行加权以得到所述多个上下文CTAT电流信号采样窗波形特征向量。5.根据权利要求4所述的非带隙基准电压源电路，其特...

【专利技术属性】
技术研发人员：邹永存，
申请(专利权)人：深圳市安科讯电子制造有限公司，
类型：发明
国别省市：