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 PDF

Info

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
Application number
CN201710696221.0A
Other languages
English (en)
Other versions
CN107508576A (zh
Inventor
刘洋
张才志
刘晏辰
曹龙兵
钱河兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710696221.0A priority Critical patent/CN107508576B/zh
Publication of CN107508576A publication Critical patent/CN107508576A/zh
Application granted granted Critical
Publication of CN107508576B publication Critical patent/CN107508576B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种基于神经网络的有源复数滤波器
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
Figure BDA0001379220520000041
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
Figure BDA0001379220520000042
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、
Figure BDA0001379220520000043
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：
Figure BDA0001379220520000044
其中，
Figure BDA0001379220520000045
是隐层和输出层神经元的激活函数，这里选择sigmoid函数：
Figure BDA0001379220520000046
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
Figure BDA0001379220520000051
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：
Figure BDA0001379220520000052
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：
Figure BDA0001379220520000061
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：
Figure BDA0001379220520000062
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：
Figure BDA0001379220520000071
又有工作在饱和区的MOS管跨导可以表示为：
Figure BDA0001379220520000072
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：
Figure BDA0001379220520000081
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：
Figure BDA0001379220520000082
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。
CN201710696221.0A 2017-08-15 2017-08-15 一种基于神经网络的有源复数滤波器 Active CN107508576B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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