System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术是关于adc后台数字校准领域,尤其涉及一种基于插值法和混合式神经网络的adc校准方法及其应用。
技术介绍
1、在逐次逼近流水线型模拟数字转换器pipe sar adc中,放大器将上一级转换的残差放大后,交给下一级进行处理。通过残差放大可以减少后级子adc对整体性能的影响,但放大器的非线性以及有限增益会降低pipe sar adc的精度。同时,由于工艺的制造误差,sar adc电容阵列中实际电容的容值之比与理想电容的容值之比存在偏差,这也会降低pipe sar adc精度。
2、在传统的pipe sar adc设计中,通常会采用闭环形式的跨导放大器来进行残差放大。闭环增益对电源电压、温度和工艺并不敏感,因此能够达到极高的精度,然而,跨导放大器的开环增益会直接影响开关电容电路的闭环增益。如果开环增益较低,会引入较大的增益误差,这将严重影响adc的精度。此外,为了实现高速度和高精度,跨导放大器需要较高的功耗,这导致在pipe sar adc中,残差放大器成为了主要的功耗来源。为了降低pipesaradc的功耗,目前一种做法是采用开环形式的gm-r或者gm-c放大器。虽然该放大器只需要消耗很小的功耗就能实现高的速度,但是开环放大器的增益受电源电压,温度,工艺影响大,这严重限制了adc的精度。因此,无论是开环放大器还是闭环放大器,受限于放大器的增益误差和非线性以及电容的失配,高精度的pipe sar adc通常需要校准。
3、adc的校准方式种类繁多,但主要可以分为四类:前台模拟校准、前台数字校准、后台模
4、公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
1、本专利技术的目的在于提供一种基于插值法和混合式神经网络的adc校准方法及其应用,其能够提高adc输出信号的精度,同时校准放大器引入的非线性误差、线性误差以及电容失配导致的误差。
2、为实现上述目的,本专利技术的实施例提供了一种基于插值法和混合式神经网络的adc校准方法,所述混合式神经网络包括非固定权重线性网络和非线性网络,所述方法包括:
3、将输入信号以及失调电压输入adc模块以获得多组第一数字码和第二数字码;
4、将第一数字码和第二数字码分别输入混合式神经网络以获得第一神经网络输出信号和第二神经网络输出信号;
5、基于第一神经网络输出信号和第二神经网络输出信号获得神经网络损失函数以调整混合式神经网络的权重,并基于第一神经网络输出信号和第二神经网络输出信号获得第一数字信号;
6、基于插值法处理第一数字信号以获得输出信号。
7、在本专利技术的一个或多个实施方式中,所述adc模块包括第一逐次逼近流水线型adc和第二逐次逼近流水线型adc;
8、所述将输入信号以及失调电压输入adc模块以获得多组第一数字码和第二数字码包括:
9、将输入信号以及反向失调电压输入第一逐次逼近流水线型adc进行模数转换以获得第一数字码;
10、将输入信号以及正向失调电压输入第二逐次逼近流水线型adc进行模数转换以获得第二数字码。
11、在本专利技术的一个或多个实施方式中,所述adc模块包括第三逐次逼近流水线型adc;
12、所述将输入信号以及失调电压输入adc模块以获得多组第一数字码和第二数字码包括:将输入信号以及正向失调电压输入第三逐次逼近流水线型adc进行模数转换以获得第一数字码;
13、将输入信号以及反向失调电压输入第三逐次逼近流水线型adc进行模数转换以获得第二数字码。
14、在本专利技术的一个或多个实施方式中,所述方法包括:
15、将所述第一数字码的除最高有效位信号以外的其余有效位信号输入混合式神经网络以获得第一神经网络输出信号,将第二数字码输入混合式神经网络以获得第二神经网络输出信号;
16、基于第一神经网络输出信号、第二神经网络输出信号和第一数字码的最高有效位信号获得神经网络损失函数,并基于神经网络损失函数调整混合式神经网络的权重。
17、在本专利技术的一个或多个实施方式中,所述方法还包括:基于第一神经网络输出信号、第二神经网络输出信号和第一数字码的最高有效位信号获得第一数字信号。
18、在本专利技术的一个或多个实施方式中,所述方法包括:
19、所述混合式神经网络还包括固定权重线性网络,所述方法包括:
20、将第一数字码的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第一数字码的其余有效位信号输入固定权重线性网络以获得第一神经网络输出信号;
21、将第二数字码的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第二数字码的其余有效位信号输入固定权重线性网络以获得第二神经网络输出信号。
22、在本专利技术的一个或多个实施方式中,所述方法还包括:基于第一神经网络输出信号和第二神经网络输出信号获得第一数字信号。
23、本专利技术还提供一种基于插值法和混合式神经网络的adc校准方法,所述混合式神经网络包括非固定权重线性网络和非线性网络,所述方法包括:
24、将输入信号输入adc模块以获得第一数字码和第二数字码;
25、将第一数字码输入混合式神经网络以获得第一神经网络输出信号;
26、基于第一神经网络输出信号和第二数字码获得神经网络损失函数以调整混合式神经网络的权重,并基于第一神经网络输出信号获得第一数字信号;
27、基于插值法处理第一数字信号以获得输出信号。
28、在本专利技术的一个或多个实施方式中,所述adc模块包括第四逐次逼近流水线型adc和参考adc,将输入信号输入第四逐次逼近流水线型adc进行模数转换以获得第一数字码,将输入信号输入参考adc进行模数转换以获得第二数字码。
29、在本专利技术的一个或多个实施方式中,所述方法还包括:
30、所述混合式神经网络还包括固定权重线性网络,所述方法包括:
31、将第一数字码的设定数量的有效位信本文档来自技高网...
【技术保护点】
1.一种基于插值法和混合式神经网络的ADC校准方法,其特征在于,所述混合式神经网络包括非固定权重线性网络和非线性网络,所述方法包括:
2.如权利要求1所述的基于插值法和混合式神经网络的ADC校准方法,其特征在于,所述ADC模块包括第一逐次逼近流水线型ADC和第二逐次逼近流水线型ADC;
3.如权利要求1所述的基于插值法和混合式神经网络的ADC校准方法,其特征在于,所述ADC模块包括第三逐次逼近流水线型ADC;
4.如权利要求1所述的基于插值法和混合式神经网络的ADC校准方法,其特征在于,所述方法包括:
5.如权利要求1所述的基于插值法和混合式神经网络的ADC校准方法,其特征在于,所述方法还包括:基于第一神经网络输出信号、第二神经网络输出信号和第一数字码的最高有效位信号获得第一数字信号。
6.如权利要求1所述的基于插值法和混合式神经网络的ADC校准方法,其特征在于,所述混合式神经网络还包括固定权重线性网络,所述方法包括:
7.如权利要求6所述的基于插值法和混合式神经网络的ADC校准方法,其特征在于,所述方法还包
8.一种基于插值法和混合式神经网络的ADC校准方法,其特征在于,所述混合式神经网络包括非固定权重线性网络和非线性网络,所述方法包括:
9.如权利要求8所述的基于插值法和混合式神经网络的ADC校准方法,其特征在于,所述ADC模块包括第四逐次逼近流水线型ADC和参考ADC,将输入信号输入第四逐次逼近流水线型ADC进行模数转换以获得第一数字码,将输入信号输入参考ADC进行模数转换以获得第二数字码。
10.如权利要求8所述的基于插值法和混合式神经网络的ADC校准方法,其特征在于,所述混合式神经网络还包括固定权重线性网络,所述方法包括:
11.如权利要求1或8所述的基于插值法和混合式神经网络的ADC校准方法,其特征在于,所述输入信号包括第一输入信号和模拟输入信号,所述第一数字信号包括多组基于模拟输入信号获得的第一信号和基于第一输入信号获得的第二信号;
12.基于插值法和混合式神经网络的ADC校准系统,基于如权利要求1~8中任意一项或权利要求11所述的基于插值法和混合式神经网络的ADC校准方法,其特征在于,所述系统包括ADC模块、混合式神经网络校准模块和插值法校准模块;
13.基于插值法和混合式神经网络的ADC校准系统,基于如权利要求8~11中任意一项所述的基于插值法和混合式神经网络的ADC校准方法,其特征在于,所述系统包括ADC模块、混合式神经网络校准模块和插值法校准模块;
...【技术特征摘要】
1.一种基于插值法和混合式神经网络的adc校准方法,其特征在于,所述混合式神经网络包括非固定权重线性网络和非线性网络,所述方法包括:
2.如权利要求1所述的基于插值法和混合式神经网络的adc校准方法,其特征在于,所述adc模块包括第一逐次逼近流水线型adc和第二逐次逼近流水线型adc;
3.如权利要求1所述的基于插值法和混合式神经网络的adc校准方法,其特征在于,所述adc模块包括第三逐次逼近流水线型adc;
4.如权利要求1所述的基于插值法和混合式神经网络的adc校准方法,其特征在于,所述方法包括:
5.如权利要求1所述的基于插值法和混合式神经网络的adc校准方法,其特征在于,所述方法还包括:基于第一神经网络输出信号、第二神经网络输出信号和第一数字码的最高有效位信号获得第一数字信号。
6.如权利要求1所述的基于插值法和混合式神经网络的adc校准方法,其特征在于,所述混合式神经网络还包括固定权重线性网络,所述方法包括:
7.如权利要求6所述的基于插值法和混合式神经网络的adc校准方法,其特征在于,所述方法还包括:基于第一神经网络输出信号和第二神经网络输出信号获得第一数字信号。
8.一种基于插值法和混合式神经网络的adc校准方法,其特征在于,所述混合式神经网络包...
【专利技术属性】
技术研发人员:宋贺伦,龚精武,程素珍,茹占强,
申请(专利权)人:中国科学院苏州纳米技术与纳米仿生研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。