基于全连接神经网络的TI-ADC失配误差校准方法

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。

技术特征：

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]。

技术总结
本发明公开了一种基于全连接神经网络的TI‑ADC失配误差校准方法。首先建立TI‑ADC失配误差模型，产生带有误差的信号数据，利用此数据构建神经网络训练数据集；然后搭建全连接神经网络，并利用训练数据集对其进行训练，得到训练后的神经网络；之后利用误差模型生成带失配误差的TI‑ADC信号对训练后的神经网络进行测试，对其输出进行快速傅里叶变换得到频谱图和性能指标；根据测试结果，调整网络训练参数，包括训练迭代次数、数据批处理大小、损失函数种类、训练优化器、学习率等，再次对神经网络进行训练；反复进行训练，直到测试结果达到预期目标；本发明算法新颖，流程简单，能够有效提升TI‑ADC的整体性能。

技术研发人员：彭析竹,米奕杭,张耘凡,唐鹤
受保护的技术使用者：电子科技大学
技术研发日：
技术公布日：2024/1/12