本发明属于模拟集成电路,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。
背景技术:
1、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。
2、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。
3、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
1、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,本发明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。
2、本发明中校准方法的整体实施步骤如下:
3、s1、建立ti-adc失配误差模型为:
4、se=amp×sin(2πft)+eg×sin(2π(fs/n×k±f)t)+eo×sin(2π(fs/n×k)t)+et×sin(2π(fs/n×k±f)t)
5、其中,amp为信号幅值,f为信号频率,t为采样时间,eg表示增益失配误差造成杂波的幅值大小,eo表示失调失配误差造成杂波的幅值大小,et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;
6、s2、构建训练数据集:
7、基于建立的ti-adc失配误差模型,设定参数amp、f、n、k、eg、eo、et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;
8、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;
9、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;
10、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;
11、s6、对神经网络进行优化,即对训练参数进行调整,回到s4;
12、s7、利用训练好的神经网络进行ti-adc的失配误差校准
13、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]。
14、本发明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。
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:
2.根据权利要求1所述的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,所述全连接神经网络中,输入层包含1000个神经元节点,隐藏层包含36个神经元节点,输出层包含1个神经元节点;结构简化表示为[1000,36,1]。