CN107508576B - 一种基于神经网络的有源复数滤波器 - Google Patents
一种基于神经网络的有源复数滤波器 Download PDFInfo
- Publication number
- CN107508576B CN107508576B CN201710696221.0A CN201710696221A CN107508576B CN 107508576 B CN107508576 B CN 107508576B CN 201710696221 A CN201710696221 A CN 201710696221A CN 107508576 B CN107508576 B CN 107508576B
- Authority
- CN
- China
- Prior art keywords
- neural network
- filter
- output
- module
- artificial neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H2222/00—Indexing scheme relating to digital filtering methods
- H03H2222/04—Indexing scheme relating to digital filtering methods using neural networks
Abstract
本发明属于模拟集成电路技术领域,特别涉及一种基于神经网络的有源复数滤波器,包括有源复数滤波器模块、自动修正控制模块和自动调整电路。本发明利用神经网络在不同温度和工艺角下对模数转换器ADC转换过的滤波器输出信号进行学习,得到可以调节滤波单元的网络权重值,之后遇到相同温度和工艺角时以实现对滤波单元的调节,稳定输出信号。通过人工神经网络产生非线性控制电压,自动修正输出电压,减小因工艺容差和温度漂移等产生的偏差,锁定滤波器的输出响应。本发明结构简单,容易实现,有效降低了滤波器的复杂度,不会引入新的误差。且修正范围广,精度高,具有通用性,能用于不同滤波器的修正。
Description
技术领域
本发明属于模拟集成电路技术领域,特别涉及一种基于神经网络的有源复数滤波器。
背景技术
滤波器是电子技术中最基本的信号处理模块,最早是由美国人和德国人于1915年首先提出。时至今日,滤波器的理论和技术已经不断的改进和创新。随着半导体产业的迅速发展以及手持移动式设备(例如手机、可穿戴电子设备等)的广泛发展应用,在无线收发机系统的结构越来越复杂的情况下,势必要求其内部基本单元在满足系统性能的前提下,使其电路结构尽量简单且容易实现。
传统的Gm-C复数滤波单元的每个跨导放大器要使用多个晶体管,同时还要求额外的共模反馈电路稳定输出共模电压,这样就增加了电路的复杂度和功耗。Gm-C复数滤波器的频率参数(中心频率、截止频率)是由Gm和C决定的,OPAMP-RC复数滤波器的频率参数主要是由R和C决定的。在集成电路制造过程中,电容、电阻、晶体管存在20%左右偏差,同时由于温度等外部环境的影响,这样滤波器的频率参数会偏离设计期望值,导致电路性能无法满足要求。这时需要设计一个频率调谐电路,将中心频率或是截止频率锁定在所需的值。
传统的Gm-C滤波器频率调谐电路主要有直接、间接、开关调谐电路。然而这些方法存在以下问题:直接调谐电路,滤波器需要分时复用,一个时钟周期对滤波器进行调谐,一个周期滤波器正常工作,这在很多应用中是不可行的;间接调谐电路需要两个滤波器,调谐质量的高低与主从滤波器的匹配程度有关;开关调谐电路缺点在于需要开关,当工作频率较高时,时钟馈通、电荷注入等效应会严重影响电路性能。
神经网络是一项以生物大脑的结构和功能为基础,以网络节点模仿大脑的神经细胞,以网络连接权模仿大脑的激励电平的技术,能有效的处理问题的非线性、模糊性和不确定关系。在传统的计算机中,我们告诉计算机要做什么,将大问题分解成许多小的,精确定义的任务,计算机可以很容易的执行。相比之下,在神经网络中,我们不告诉计算机如何解决我们的问题。相反,它从观察数据中学习,自己找出解决问题的方案。神经网络相应的有全连接神经网络也叫前馈神经网络(FNN),例图见图2。
发明内容
针对上述存在问题或不足,为解决现有滤波器的模拟修正时精确度不够,通常只能修正部分误差参数,修正模块复杂,以及模拟修正模块又会引入新的误差的技术问题,本发明提供了一种基于神经网络的有源复数滤波器。
该基于神经网络的有源复数滤波器,包括:有源复数滤波器模块、自动修正控制模块和自动调整电路。
所述有源复数滤波器模块为Gm-C滤波器或OPAMP-RC滤波器。
所述自动修正控制模块由人工神经网络和模数转换器(ADC)、温度传感器和工艺角编码器构成,并与自动调整电路和输出信号相连。ADC与温度传感器、有源复数滤波器模块相连,将滤波器输出信号和温度信号转换为数字信号输入神经网络中。工艺角编码器直接与神经网络相连,将工艺偏差编码输入神经网络中。人工神经网络为前馈网络,其输出端接自动调整电路,作用是对输入数据按照预期训练做出非线性响应,产生调整电路所需要的电压。
所述自动调整电路与自动修正控制模块、有源复数滤波器模块相连,对神经网络输出的非线性电压产生响应,调整有源复数滤波器模块中可调模块的值,从而修正输出电压,锁定滤波器的输出响应。可调模块为可变跨导Gm模块与可变电容C模块或可调电阻R模块与可调电容C模块。
所述人工神经网络以设定精度逼近任意函数,从而产生非线性控制电压;
产生所需非线性控制电压分为三个阶段,具体为:
第一阶段:训练样本采集;
在每一个不同的工艺角Pl和温度Tm下(l为工艺角标号,m为温度标号),给滤波器中可调模块施加控制电压Vn,使得在不同的工艺角Pl、温度Tm下,滤波器的输出响应与预设的输出响应偏差为零,记录数据(Vn,Pl,Tm),得到训练样本Y=(V,P,T),其中,P、T作为人工神经网络的输入,V作为人工神经网络的目标输出。
第二阶段:人工神经网络的训练(学习)
Control信号控制人工神经网络进入训练阶段,初始化人工神经网络权值,将第一阶段采集到的训练样本数据输入到神经网络,调度人工神经网络训练算法,根据样本产生网络输出,然后对网络输出和目标输出做比较,判断两者的误差是否小于预设精度,当两者的误差不满足预设的精度要求时,人工神经网络调整网络权值W,直到误差小于预设的精度,保存人工神经网络参数,训练结束。学习方法例图见图3。
第三阶段:工作
训练结束后,Control信号控制人工神经网络进入工作阶段,读取输入变量X=(P,T),输入到人工神经网络;神经网络根据第二阶段训练好的网络权值对输入做出响应,产生控制电压,从而调节有源复数滤波器模块中可调模块的值,对整个电路进行控制,锁定滤波器的输出响应。
所述人工神经网络选用LSTM神经网络、RNN神经网络、FNN神经网络或CNN神经网络。
本发明利用神经网络在不同温度和工艺角下对模数转换器(ADC)转换过的滤波器输出信号进行学习,得到可以调节滤波单元的网络权重值,之后遇到相同温度和工艺角时以实现对滤波单元的调节,稳定输出信号。通过人工神经网络产生非线性控制电压,自动修正输出电压,减小因工艺容差和温度漂移等产生的偏差,锁定滤波器的输出响应。
综上所述,本发明结构简单,容易实现,有效的降低了滤波器的复杂度,不会引入新的误差。且修正范围广,精度高,具有通用性,能用于不同滤波器的修正。通过人工神经网络产生非线性控制电压,自动修正输出电压,减小因工艺容差和温度漂移等产生的偏差,锁定滤波器了输出响应。
附图说明
图1是本发明的结构框图;
图2是FNN神经网络的拓扑结构示意图;
图3是本发明中人工神经网络工作流程图;
图4是实施例1的示意结构框图;
图5是实施例1中Gm-C滤波单元的示意结构连接框图;
图6是实施例1中Gm-C滤波单元的I路跨导模块电路结构示意图;
图7是实施例1的二阶带通滤波器的幅频特性曲线;
图8是实施例2的示意结构连接框图;
图9是实施例2中OPAMP-RC滤波单元的结构连接框图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
实施例1
参照图5所示,基于神经网络的Gm-C双二阶有源复数滤波器包括各个跨导Gm,第一差分电容C1/2,第二差分电容C2/2和非线性控制模块。非线性控制模块由Control信号、模数转换器(ADC)、温度传感器、工艺角编码输入构成组成。
Control信号是人工神经网络状态切换信号,用于控制人工神经网络在学习状态和工作状态之间切换;
采用三层BP神经网络模型的人工神经网络作为例子,包括由3个神经元组成的输入层Ii(i=1,2,3)、由4个神经元组成的隐层Hj(j=1,2,3,4)以及由4个神经元组成的输出层Ok(k=1,2,3,4),i、j、k分别为输入层、隐层、输出层神经元的标号;隐层神经元数目选择4个;各层接收上一层所有神经元传递的信号,并对其进行非线性处理后传递到下一层神经元,最终传递到输出,非线性变换由每个神经元的激活函数决定,此处激活函数选为sigmoid函数,输入层到隐层的传递由权值Wij决定,隐层到输出层的传递由权值决定。
本实施例基于BP神经网络的Gm-C双二阶有源复数滤波器工作过程分为三个阶段,具体为:
第一阶段:训练样本采集;
在每一个不同的工艺角Pl和温度Tm下(l为工艺角标号,m为温度标号),给可调电容C1/2、C2/2和尾电流源Ibias1、Ibias2施加控制电压Vn,使得在不同的工艺角Pl、温度Tm下,滤波器的输出响应与预设的输出响应偏差为零,记录数据(Vn,Pl,Tm),得到训练样本Y=(V,P,T),其中,其中,P、T作为人工神经网络的输入,V作为人工神经网络的目标输出。
第二阶段:人工神经网络的训练(学习)
Control信号控制人工神经网络进入训练阶段,初始化人工神经网络网络权值,将第一阶段采集到的训练样本数据输入到神经网络,调度人工神经网络训练算法,根据样本产生网络输出,然后对网络输出和目标输出做比较,判断两者的误差是否小于预设精度,当两者的误差不满足预设的精度要求时,人工神经网络调整网络权值Wij、保存人工神经网络参数,训练结束。
该阶段包括信号正向传播和误差反向传播两个过程,具体如下:
信号正向传播:信号通过输入神经元依次逐层传递,经过隐层和输出层的非线性处理,最后由输出神经元输出,该过程网络权值不变。
对于某样本S,BP神经网络的输出表示为:
误差反向传播过程:将BP神经网络的输出和目标输出比较,当误差较大时,将两者的误差信号作为输入信号从网络的输出层逐层向前传播。神经网络调整网络权值Wij和反向传播使得BP神经网络的网络权值朝着误差函数见效的方向不断修正,直到误差减小到预设的精度。设样本S的目标输出为TS,则所有样本的误差为:
其中,n是样本数量。当该误差比预设精度大时,神经网络调整权值,直到上式误差减小到预设精度,则BP神经网络训练完成。
第三阶段:工作;
该阶段Control信号控制人工神经网络进入工作阶段,读取输入变量X=(P,T),此变量由传感器提供,输入到人工神经网络;神经网络根据第二阶段训练好的网络权值对输入做出响应,产生控制电压,从而调节电容和尾电流的大小,对电路进行控制,锁定滤波器的输出响应。
参照图6所示为本发明的I路第一跨导模块、I路第二跨导模块。Q路跨导模块与I路跨导模块完全相同,输入信号相位相差90度。I、Q路按图5结构连接形成二阶带通复数滤波器。详细连接关系如下:
I路第一跨导模块包括4个P型MOS晶体管,分别为Mp1、Mp2、Mp3、Mp4。2个N型MOS晶体管,分别为Mn1、Mn2。一个电容C1/2,一个尾电流源Ibias1。Mn1和Mn2对管完全相同,构成Gm0,Mp1和Mp2对管完全相同,构成GmIM1,Mp3和Mp4对管完全相同,构成Gm1。4个P型MOS晶体管Mp1、Mp2、Mp3、Mp4的源极和衬底接VDD。Mp1的栅极接Va,Qp,漏极接Va,Ip。Mp2的栅极接Va,Qn,漏极接Va,In。Mp3的栅极接Vo,Ip,漏极接Va,Ip。Mp4的栅极接Vo,In,漏极接Va,In。N型MOS管Mn1与Mn2的源极相接,并与电流源Ibias1正极相接。Ibias1负极接“地”电压。Mn1栅极接Vi,In,漏极接Va,Ip,衬底接“地”电位,消除衬偏效应。Mn2栅极接Vi,Ip,漏极接Va,In,衬底接“地”电位,消除衬偏效应。Mn1和Mn2使用低阈值电压管,可提高滤波器通带增益,且使其在低输入共模电压时不会工作在饱和区边缘。电容C1/2一端接Va,Ip,另一端接Va,In。Vi,Ip为滤波器电路I路输入信号正极,Vi,In为滤波器电路I路输入信号负极。
I路第二跨导模块包括6个P型MOS晶体管,Mp5、Mp6、Mp7、Mp8、Mp9、Mp10。2个N型MOS晶体管,分别为Mn3、Mn4。一个电容C2/2,一个尾电流源Ibias2。Mn3和Mn4对管完全相同,构成Gm2,Mp5、Mp6对管完全相同,Mp7、Mp8对管完全相同,这4个PMOS管构成Gm3,Mp9和Mp10对管完全相同,构成GmIM2。6个P型MOS晶体管Mp5、Mp6、Mp7、Mp8、Mp9、Mp10的源极和衬底接VDD。Mp5的栅极接Mp6的漏极,Mp5的漏极接Vo,Ip。Mp6的栅极接Mp5的漏极,Mp6的漏极接Vo,In。Mp7的栅极和漏极接Vo,Ip,Mp8的栅极和漏极接Vo,In。Mp9的栅极接Vo,Qn,漏极接Vo,Ip。Mp10的栅极接Vo,Qp,漏极接Vo,In。N型MOS管Mn3与Mn4的源极相接,并与电流源Ibias2正极相接。Ibias2负极接“地”电压。Mn3栅极接Va,In,漏极接Vo,Ip,衬底接“地”电位,消除衬偏效应。Mn4栅极接Va,Ip,漏极接Vo,In,衬底接“地”电位,消除衬偏效应。Mn3和Mn4使用低阈值电压管,可提高滤波器通带增益,且使其不会工作在饱和区边缘。电容C2/2一端接Vo,Ip,另一端接Vo,In。Vo,Ip为滤波器电路I路输出信号正极,Vo,In为滤波器电路I路输出信号负极。
Q路跨导模块与I路跨导模块完全相同,输入信号相位相差90度。Vi,Qp为滤波器电路Q路输入信号正极,Vi,Qn为滤波器电路Q路输入信号负极。Vo,Qp为滤波器电路Q路输出信号正极,Vo,Qn为滤波器电路Q路输出信号负极。
在实际应用中,本实例提供的Gm-C双二阶有源复数滤波器的最小工作电压等于两个过驱动电压Vdsat加上一个阈值电压VTH,两个过驱动电压分别是尾电流源的过驱动电压和NMOS跨导的过驱动电压。
为了更加详细地说明本发明实例提供的双二阶Gm-C有源复数带通滤波器,进行以下定量分析。如图5所示,双二阶Gm-C有源复数滤波器的电路结构框图,输入电压从第一跨导模块的跨导Gm0的栅极输入,输出电压从第二跨导模块的漏极输出。设Gm0、Gm1、Gm2、Gm3、GmIM1、GmIM2的跨导分别为gm0、gm1、gm2、gm3、gmIM1、gmIM2,第一差分电容C1/2的电容值为C1/2,第二差分电容C2/2的电容值为C2/2。由此先得到一个实数低通滤波器的传递函数:
由上式(4)可以得到低通滤波器的特性参数,包括极点频率ωp、品质因数Q和零频处增益K:
通过频率转移把实数低通滤波器的频率响应在频域中平移,得到一个复数滤波器,其中心频率为ωIF:
又有工作在饱和区的MOS管跨导可以表示为:
其中,μ表示载流子的迁移率,Cox表示单位面积的栅氧化层电容,W、L分别表示晶体管的宽和长,ID为流过晶体管的电流。
通过神经网络调节电容C1、C2和电流的值,调整ωp、Q、ωIF及gm的大小,减小因工艺容差和温度漂移等产生的偏差,锁定滤波器的输出响应。
滤波器的最小工作电压为:
VDDmin=2Vdsat+VTH+Vswing (8)
其中Vdsat为过驱动电压,VTH为过驱动电压,Vswing为输出信号摆幅。
图7所示为仿真得到的二阶Butterworth带通滤波器的幅频特性曲线。从该曲线可知:实现了带通滤波特性,中心频率为2MHz,通带为1MHz,镜像抑制衰减为35dB,中频最大增益为39.6dB。由CMOS工艺手册得知VTH为0.38V,设为Vdsat为0.1V,Vswing为0.1V,则由公式(10)可得最小工作电压为0.68V。加之使用电流复用结构,可实现低功耗工作。本实施例的功耗为14uW。
本实施例提供的基于神经网络的Gm-C滤波器,结构简单,容易实现,有效的降低了Gm-C带通滤波器的复杂度,实现了带通滤波器的传输特性,并且功率消耗低。通过人工神经网络产生非线性控制电压,自动修正输出电压,减小因工艺容差和温度漂移等产生的偏差,锁定滤波器的输出响应。另外,还可以采取级联的方式组合本发明实施的双二阶Gm-C滤波器单元,形成高阶带通滤波器。
实施例2
参照图8所示,基于神经网络的OPAMP-RC二阶低通滤波器的滤波器模块采用两个积分器实现,包括两个运放A1和A2,可调电阻R0、R1、R2、R3,可调电容C1。非线性控制模块由Control信号、模数转换器(ADC)、温度传感器、工艺角编码输入构成组成。
非线性控制模块的人工神经网络由实施例1中三层BP神经网络模型构成,产生非线性控制信号分别调节可调电阻R0~R3和可调电容C1的值,对电路进行控制,锁定滤波器的输出响应。其工作过程同实施例1相同。
为了更加详细地说明本实例提供的OPAMP-RC有源复数低通滤波器,进行以下定量分析。如图9所示,该滤波器的传输函数为:
由上式(9)可以得到低通滤波器的特性参数,包括极点频率ωp、品质因数Q和零频处增益K:
通过神经网络调节电容C1和电阻R1~R3,可调整ωp、Q及K的大小,减小因工艺容差和温度漂移等产生的偏差,锁定滤波器的输出响应。
本实施例提供的基于神经网络的OPAMP-RC滤波器,采用神经网络实现自动校正,性能稳定,结构简单。
Claims (4)
1.一种基于神经网络的有源复数滤波器,包括有源复数滤波器模块、自动修正控制模块和自动调整电路,其特征在于:
所述有源复数滤波器模块为Gm-C滤波器或OPAMP-RC滤波器;
所述自动修正控制模块由人工神经网络和模数转换器ADC、温度传感器和工艺角编码器构成,并与自动调整电路和输出信号相连;
ADC与温度传感器、有源复数滤波器模块相连,将滤波器输出信号和温度信号转换为数字信号输入神经网络中;
工艺角编码器直接与神经网络相连,将工艺偏差编码输入神经网络中;
人工神经网络为前馈网络,其输出端接自动调整电路,作用是对输入数据按照预期训练做出非线性响应,产生调整电路所需要的电压;
所述自动调整电路与自动修正控制模块、有源复数滤波器模块相连,对神经网络输出的非线性电压产生响应,调整有源复数滤波器模块中可调模块的值,从而修正输出电压,锁定滤波器的输出响应;可调模块为可变跨导Gm模块与可变电容C模块或可调电阻R模块与可调电容C模块;
所述人工神经网络以设定精度逼近任意函数,从而产生非线性控制电压。
2.如权利要求1所述基于神经网络的有源复数滤波器,其特征在于:
所述人工神经网络产生非线性控制电压的具体过程为:
第一阶段,训练样本采集;
在每一个不同的工艺角Pl和温度Tm下,l为工艺角标号,m为温度标号,给滤波器中可调模块施加控制电压Vn,使得在不同的工艺角Pl、温度Tm下,滤波器的输出响应与预设的输出响应偏差为零,记录数据(Vn,Pl,Tm),得到训练样本Y=(V,P,T),其中,P、T作为人工神经网络的输入,V作为人工神经网络的目标输出;
第二阶段,人工神经网络的训练;
Control信号控制人工神经网络进入训练阶段,初始化人工神经网络权值,将第一阶段采集到的训练样本数据输入到神经网络,调度人工神经网络训练算法,根据样本产生网络输出,然后对网络输出和目标输出做比较,判断两者的误差是否小于预设精度,当两者的误差不满足预设的精度要求时,人工神经网络调整网络权值W,直到误差小于预设的精度,保存人工神经网络参数,训练结束;
第三阶段,工作;
训练结束后,Control信号控制人工神经网络进入工作阶段,读取输入变量X=(P,T),输入到人工神经网络;神经网络根据第二阶段训练好的网络权值对输入做出响应,产生控制电压,从而调节有源复数滤波器模块中可调模块的值,对整个电路进行控制,锁定滤波器的输出响应。
3.如权利要求1所述基于神经网络的有源复数滤波器,其特征在于:
所述人工神经网络选用LSTM神经网络、RNN神经网络、FNN神经网络或CNN神经网络。
4.如权利要求1所述基于神经网络的有源复数滤波器,其特征在于:所述有源复数滤波器模块选用的滤波器至少一个,采取级联的方式组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710696221.0A CN107508576B (zh) | 2017-08-15 | 2017-08-15 | 一种基于神经网络的有源复数滤波器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710696221.0A CN107508576B (zh) | 2017-08-15 | 2017-08-15 | 一种基于神经网络的有源复数滤波器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107508576A CN107508576A (zh) | 2017-12-22 |
CN107508576B true CN107508576B (zh) | 2020-12-29 |
Family
ID=60691746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710696221.0A Active CN107508576B (zh) | 2017-08-15 | 2017-08-15 | 一种基于神经网络的有源复数滤波器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107508576B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345749B (zh) * | 2018-02-11 | 2021-06-15 | 中国电子科技集团公司第二十九研究所 | 射频集成工艺容差与电性能耦合特性的建模与封装方法 |
CN110224687A (zh) * | 2019-05-14 | 2019-09-10 | 电子科技大学 | 一种基于人工神经网络预失真器的Gm_C滤波器 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5794191A (en) * | 1996-07-23 | 1998-08-11 | Industrial Technology Research Institute | Neural network based speech recognition method utilizing spectrum-dependent and time-dependent coefficients |
CN101986564A (zh) * | 2010-11-17 | 2011-03-16 | 北京理工大学 | 基于Backlash算子和神经网络的自适应滤波器 |
CN102331528A (zh) * | 2011-07-12 | 2012-01-25 | 江苏镇安电力设备有限公司 | 基于神经网络逆的电容器补偿容量和介质损耗的软测量及在线监测 |
CN202405396U (zh) * | 2011-12-29 | 2012-08-29 | 中国电子科技集团公司第十六研究所 | 一种具有高带外抑制高承载功率的高温超导滤波器 |
CN106209072A (zh) * | 2016-06-27 | 2016-12-07 | 电子科技大学 | 一种基于人工神经网络的晶体振荡器 |
CN106559058A (zh) * | 2015-09-24 | 2017-04-05 | 祁艳 | 一种复数滤波器及其自动频率调谐电路 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425152B (zh) * | 2008-12-12 | 2011-09-28 | 湖南大学 | 一种基于变学习率神经网络的fir滤波器的设计方法 |
CN101997516A (zh) * | 2009-08-20 | 2011-03-30 | 中国计量学院 | 基于改进型bp神经网络的合路滤波器设计方法 |
CN101840529B (zh) * | 2010-03-26 | 2013-04-03 | 东南大学 | 基于局部可变集成神经网络的光纤陀螺随机漂移建模方法 |
CN106059532B (zh) * | 2016-06-02 | 2018-10-02 | 国网山东省电力公司济宁供电公司 | 一种基于小波神经网络的多功能自适应滤波器及滤波方法 |
CN106253893B (zh) * | 2016-07-19 | 2019-01-11 | 电子科技大学 | 一种高精度微机补偿晶体振荡器 |
-
2017
- 2017-08-15 CN CN201710696221.0A patent/CN107508576B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5794191A (en) * | 1996-07-23 | 1998-08-11 | Industrial Technology Research Institute | Neural network based speech recognition method utilizing spectrum-dependent and time-dependent coefficients |
CN101986564A (zh) * | 2010-11-17 | 2011-03-16 | 北京理工大学 | 基于Backlash算子和神经网络的自适应滤波器 |
CN102331528A (zh) * | 2011-07-12 | 2012-01-25 | 江苏镇安电力设备有限公司 | 基于神经网络逆的电容器补偿容量和介质损耗的软测量及在线监测 |
CN202405396U (zh) * | 2011-12-29 | 2012-08-29 | 中国电子科技集团公司第十六研究所 | 一种具有高带外抑制高承载功率的高温超导滤波器 |
CN106559058A (zh) * | 2015-09-24 | 2017-04-05 | 祁艳 | 一种复数滤波器及其自动频率调谐电路 |
CN106209072A (zh) * | 2016-06-27 | 2016-12-07 | 电子科技大学 | 一种基于人工神经网络的晶体振荡器 |
Non-Patent Citations (1)
Title |
---|
利用Hopfield神经网络实现自适应滤波器;刘茜君,陈钧量;《中山大学学报论丛》;19920121(第2期);第67-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107508576A (zh) | 2017-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lopez-Martin et al. | A CMOS transconductor with multidecade tuning using balanced current scaling in moderate inversion | |
CN107508576B (zh) | 一种基于神经网络的有源复数滤波器 | |
Chen et al. | DVCC-based first-order filter with grounded capacitor | |
Atasoyu et al. | Design of current-mode class 1 frequency-agile filter employing CDTAs | |
Jerabek et al. | Fully-differential current amplifier and its application to universal and adjustable filter | |
Corbacho et al. | 0.8-V CMOS $ G_ {m}-C $ Bandpass Filter for Electrical Bioimpedance Spectroscopy | |
KERAMATZADEH et al. | A new approach for low voltage CMOS based on current-controlled conveyors | |
Dvorak et al. | Non-integer-order low-pass filter with electronically controllable parameters | |
US4763081A (en) | Reducing distortion in active MOSFET-C low pass filters | |
Petrzela | Bilinear reconfigurable filters derived by using matrix method of unknown nodal voltages | |
Salama et al. | Parasitic-capacitance-insensitive voltage-mode MOSFET-C filters using differential current voltage conveyor | |
Koziel et al. | A general framework for evaluating nonlinearity, noise and dynamic range in continuous‐time OTA‐C filters for computer‐aided design and optimization | |
Groenewold et al. | Micro-power analog-filter design | |
Upathamkuekool et al. | A compensation technique for compact low-voltage low-power active-RC filters | |
CN108886343B (zh) | 负反馈放大电路 | |
Denisenko et al. | Multi-functional filters on differential difference operational amplifiers with a minimum number of elements | |
Arnaud et al. | A fully integrated 0.5-7 Hz CMOS bandpass amplifier | |
Voghell et al. | Current tuneable CMOS transconductor for filtering applications | |
Chien et al. | A pseudo-differential OTA with linearity improving by HD3 feedforward | |
Miodrag et al. | A temperature compensated MOSFET-C band-pass filter in 0.35 um CMOS technology | |
Groza et al. | Fully Differential Current Mode Low-Pass Biquad With Independent Parameter Tuning | |
Ndjountche et al. | Improved structures for programmable filters: Application in a switched-capacitor adaptive filter design | |
Denisenko et al. | Sallen-Key Family Passband Filter with Independent Control of the Basic Parameters | |
Mehrmanesh et al. | A 1.8 V high dynamic range CMOS Gm-C filter for portable video systems | |
Mittal et al. | Analog field programmable CMOS operational transresistance amplifier (OTRA) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |