基于机器学习的分裂流水线逐次逼近模数转换器校准方法

    公开(公告)号:CN114095022B

    公开(公告)日:2024-04-23

    申请号:CN202111407498.X

    申请日:2021-11-24

    Applicant: 复旦大学

    Abstract: 本发明属于集成电路技术领域,具体为一种基于机器学习的分裂流水线逐次逼近模数转换器校准方法。本发明方法包括:使用开环余量放大器的分裂式流水线逐次逼近型模数转换器模型,完成输入模拟信号到数字码值的转换;采用神经网络失真补偿模块,通过补偿模拟电路引入的失真,完成对输出结果的数字后台校准。对该神经网络的训练不需要关于ADC结构的相关信息,且输出的数据具有稀疏性。通过对矩阵稀疏情况分析并剪枝,以降低神经网络的计算量;同时可由稀疏情况预测ADC的级数分配等结构信息。本发明对使用开环余量放大器的分裂式流水线逐次逼近型模数转换器电路结构具有广泛适用性,并且可以得到超过LMS校准算法的精度。

    一种分裂式流水线-逐次逼近型模数转换器

    公开(公告)号:CN114172516A

    公开(公告)日:2022-03-11

    申请号:CN202111329120.2

    申请日:2021-11-10

    Applicant: 复旦大学

    Abstract: 本发明公开了一种分裂式流水线‑逐次逼近型模数转换器。本发明模数转换器电路由粗糙型逐次逼近模数转换器、编码器、数字校准模块和两个对称的半通道组成;每个半通道电路包括第一级精细型逐次逼近型模数转换器、动态放大器、第二级逐次逼近型模数转换器;粗糙型模数转换器采样输入信号,经过第一级转换器量化产生输出码值;编码器对输出进行编码,并控制两个半通道的第一级转换器的电容阵列翻转;产生第一级余量经动态放大器放大,并被第二级转换器采样,产生各自的第二级输出数字码值;前后两级以流水线方式工作;两个半通道第一、第二级的输出经过数字校准模块,得到整个ADC的输出。本发明功耗低、效率高,硬件开销小。

    一种采样模式可选择的分裂流水线逐次逼近型模数转换器

    公开(公告)号:CN114095028A

    公开(公告)日:2022-02-25

    申请号:CN202111313432.4

    申请日:2021-11-08

    Applicant: 复旦大学

    Abstract: 本发明属于集成电路技术领域,具体为一种采样模式可选择的分裂流水线逐次逼近型模数转换器。本发明电路由两个对称的半通道组成,每个半通道包括:采样模式可选择的第一级ADC、采用电平移位技术的振铃式运算放大器、第二级ADC和控制采样模式选择的相关数字电路。本发明根据外部输入采样模式控制信号对第一级ADC的采样模式进行选择,使系统实际采样值为输入信号或其水平正、负偏移或其按比例缩放;四种模式为基于Split架构数字后台校正算法的更严格的判据提供了电路实现,避免了误收敛。电平移位技术减小运放功耗,闭环放大减小增益误差,两级ADC以流水线方式工作,使电路更适于较低功耗高速高精度ADC的应用场景。

    基于机器学习的分裂流水线逐次逼近模数转换器校准方法

    公开(公告)号:CN114095022A

    公开(公告)日:2022-02-25

    申请号:CN202111407498.X

    申请日:2021-11-24

    Applicant: 复旦大学

    Abstract: 本发明属于集成电路技术领域,具体为一种基于机器学习的分裂流水线逐次逼近模数转换器校准方法。本发明方法包括:使用开环余量放大器的分裂式流水线逐次逼近型模数转换器模型,完成输入模拟信号到数字码值的转换;采用神经网络失真补偿模块,通过补偿模拟电路引入的失真,完成对输出结果的数字后台校准。对该神经网络的训练不需要关于ADC结构的相关信息,且输出的数据具有稀疏性。通过对矩阵稀疏情况分析并剪枝,以降低神经网络的计算量;同时可由稀疏情况预测ADC的级数分配等结构信息。本发明对使用开环余量放大器的分裂式流水线逐次逼近型模数转换器电路结构具有广泛适用性,并且可以得到超过LMS校准算法的精度。

Patent Agency Ranking