CN107562113A - 一种基于神经网络的低线性调整率基准电路及产生方法 - Google Patents
一种基于神经网络的低线性调整率基准电路及产生方法 Download PDFInfo
- Publication number
- CN107562113A CN107562113A CN201710721629.9A CN201710721629A CN107562113A CN 107562113 A CN107562113 A CN 107562113A CN 201710721629 A CN201710721629 A CN 201710721629A CN 107562113 A CN107562113 A CN 107562113A
- Authority
- CN
- China
- Prior art keywords
- circuit
- voltage
- neural network
- output
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title abstract 2
- 230000007935 neutral effect Effects 0.000 title abstract 2
- 238000013528 artificial neural network Methods 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims 1
- 230000005669 field effect Effects 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000003990 capacitor Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Control Of Electrical Variables (AREA)
Abstract
本发明公开了一种基于神经网络的低线性调整率基准电路及产生方法,本申请旨在解决现有技术基准电路线性调整率差的问题,利用工作在场效应晶体管的栅源电压、三极管的基极与发射极压差以及电路拓扑关系产生了与温度无关的基准电压;本申请通过人工神经网络产生LNR调整电路需要的控制电压,利用人工神经网络自身固有的非线性映射能力,从而产生对电源电压呈非线性函数的控制电压,电压通过调节PSR提高电路中电流镜栅压,使低频下局部电压基本不随电源电压变化,从而显著减小了基准电压的LNR,克服了现有技术中无法实现非线性函数的控制电压来调整基准电压的难题;本申请适用于基准电路相关领域。
Description
技术领域
本发明涉及模拟集成电路技术领域,具体来说,涉及一种基于神经网络的低线性调整率基准电路及产生方法。
背景技术
基准电路通常是指在集成电路中用作电压源的高稳定度的电路。随着集成电路规模的不断增大。尤其是系统集成技术(SOC)的发展,它也成为大规模、超大规模集成电路和几乎所有数字模拟系统中不可缺少的基本电路模块。在许多集成电路和电路单元中,如数模转换器(DAC)、模数转换器(ADC)、线性稳压器和开关稳压器,都需要精密而又稳定的电压基准。因此,基准电压源在模拟集成电路中占有很重要的地位,它直接影响着电子系统的性能和精度。近年来对它的研究也一直很活跃,运用双极型工艺制成的基准电压源已能达到相当高的性能和精度;
线性调整率,它指的是直流状态下,基准输出电压随电源电压的变化率,变化率越小,线性调整率越低。
但是传统的基准电路存在诸多的缺点,例如运放引入的失调电压、电源抑制性能差、低线性调整率差、噪声系数偏高、高功耗、高温度系数等等,这促使国内外的研究者们不断提出新的结构以改进基准电路的性能。
发明内容
本发明的目的在于:针对现有技术中基准电路线性调整率差的问题,本发明提供了一种基于神经网络的低线性调整率基准电路及产生方法。
本发明采用的技术方案如下:
本申请提供了一种基于神经网络的低线性调整率基准电路,包括第一电路模块与第二电路模块,第二电路模块与第一电路模块在局部电位点连接,第二电路模块接收来自人工神经网络的非线性输出的调整,并对第一电路模块中的局部电压进行调整,第一电路模块输出基准电压。
具体地,第一电路模块包括依次连接的开启电路、电流源产生电路,第二电路模块包括PSR提高电路,与所述PSR提高电路连接的LNR调整电路,所述电流源产生电路与PSR提高电路连接;
所述开启电路,上电后开启基准电路;
所述电流源产生电路,提供偏置电流;
所述PSR提高电路包括电流镜,用于提高基准输出电压的纹波抑制能力;
所述LNR调整电路包括输入信号处理单元、人工神经网络及输出信号处理单元,输入信号处理单元的输入端同时与电源电压和PSR提高电路中的电流镜的栅端相连,输入信号处理单元的输出端与人工神经网络的输入相连,输出信号处理单元的输入端与人工神经网络相连,输出信号处理单元的输出端与PSR提高电路中的电流镜的栅端相连;
所述输入信号处理单元,接收输入信号并转化成人工神经网络可以直接处理的数据;
所述人工神经网络,接收输入信号处理单元输出的数据按照预期做出非线性响应,产生非线性控制电压;
所述输出信号处理单元,接收人工神经网络的非线性控制电压并接到电流镜的栅端,调节电流镜栅压来保持局部电压不随电源电压发生变化。
具体地,所述第一电路模块还包括连接在电流源产生电路与PSR提高电路之间的温度补偿电路。
所述温度补偿电路,通过电流源产生电路产生的偏置电流,给工作在饱和区的MOSFET的阈值电压提供正温度系数补偿,第一电路模块通过温度补偿后产生基准电压。
具体地,所述PSR提高电路包括低输出阻抗的超级源随器。
本申请还提供了一种基于神经网络的低线性调整率基准电路产生方法,包括以下步骤:
步骤1、产生连接的第一电流和第二电流;
具体地,所述步骤1中第一电流产生的具体步骤为:
步骤1.1、开启基准电路的正常工作点;
步骤1.2、产生与温度成平方关系的偏置电流;
具体地,利用工作在饱和区的MOSFET的压差、PNP晶体管的压差以及电路拓扑关系产生了和温度成平方关系的偏置电流,所述与温度成平方关系的偏置电流I为:
其中,VT=KT/q,K3=μnCOX(W3/L3),K4=μnCOX(W4/L4),μn为电子迁移率,COX为栅电容,Wn/Ln为管子宽长比,K表示Boltzmann常数,T表示绝对温度,q为单位电荷的电荷量;
步骤1.3、步骤1.2中偏置电流经过正温度系数补偿后产生与温度无关的第一电流。
步骤2、人工神经网络接收电源电压做出非线性响应产生非线性控制电压;
具体地,其特征在于,所述步骤2的具体步骤为:
步骤2.1、人工神经网络的数据采集
采集人工神经网络训练所需要的训练样本,具体来说,在每一个不同的电源电压VDDi下,i为电压标号,在PSR提高电路电流镜的栅端施加控制电压Vi,使得在不同的电源电压VDDi下,局部电压VDDL基本不变。记录数据(VDDi,Vi),得到训练样本Y=(VDD,V),此时训练样本Y是二维数组,其中,VDD作为人工神经网络的输入,V作为人工神经网络的输出;
步骤2.2、人工神经网络学习
由所述步骤1中处理后的训练样本输入到人工神经网络,人工神经网络对输入变量做出响应并产生网络输出,然后对网络输出和目标输出V做比较,如两者的误差不满足预设的精度要求,人工神经网络调整网络权值W,直到误差小于预设的精度,训练结束并记录此时的网络权值;
具体地,所述步骤2.2中网络输出为:
其中 是隐层和输出层神经元的激活函数。
具体地,所述设样本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,样本S的目标输出为TS。
步骤2.3、人工神经网络工作
人工神经网络根据步骤2.2中段训练好的网络权值,对电源电压做出非线性响应,产生非线性控制电压;
步骤3、第二电流接收非线性控制电压的调整;
步骤4、第一电流在局部电位点接收步骤3处理后的第二电流的调整再输出基准电压。
输出信号处理单元的输入端与人工神经网络相连,输出与PSR提高电路中的电流镜的栅端相连,其作用是对人工神经网络的输出信号处理后产生控制电压V并接到电流镜的栅端,通过调节电流镜栅压,来保持局部电压基本不随电源电压发生变化;
具体来说,通过MOS管工作在饱和区的漏电流和栅源电压公式来调整的,工作在饱和区的MOS理想情况下,只要栅源电压同步变化,漏电流就不变,局部电压从而不变,实际上关系比较负杂(电流还和源漏电压有关)。为了精确调节,实际上是当电源电压变化时,尝试在栅极加电压,直到局部电压不变,将该电压和电源电压作为样本保存在神经网络中。一旦电源电压为该样本值时,神经网络可迅速输出对应的栅压。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本申请通过人工神经网络产生LNR调整电路需要的控制电压,利用人工神经网络自身固有的非线性映射能力,使得该网络能够以高精度逼近非线性函数,从而产生对电源电压呈非线性函数的控制电压,该电压通过调节PSR提高电路中电流镜栅压,使低频下局部电压基本不随电源电压变化,从而显著减小了基准电压的LNR,改善了基准电路的线性调整率,克服了现有技术中无法实现利用非线性函数产生控制电压来调整基准电压的难题,实现了高精度的基准电压输出;
2.本申请通过电流源产生电路产生的偏置电流,给工作在饱和区的MOSFET的阈值电压提供正温度系数补偿,第一电路模块通过温度补偿后产生了与温度无关的基准电压;
3.本申请通过PSR提高电路包上设置超级源随器,超级源随器组成的负反馈结构具有非常低的输出阻抗,即VDDL到地的电阻非常小,根据分压定理,VDD分VDDL的纹波电压非常小,即提高了VDDL对VDD的纹波抑制能力,进而提高了基准输出的PSR;
4.本申请通过在基准电路中引入人工神经网络以及温度补偿,实现了低线性调整率、以及与温度无关的基准电压的产生,实现了更加理想的基准电路。
附图说明
图1是本发明的基准电路结构框图;
图2是本发明的基准电路电路图;
图3是本发明的基准电路线性调整率特性图;
图4是本发明的基准电路温度系数特性图;
图5是本发明的基准电路PSR特性图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1到图5对本发明作详细说明。
由图2可知,本发明所述电路包括开启电路、电流源产生电路、温度补偿电路、PSR提高电路及LNR调整电路。LNR调整电路由人工神经网络、输入信号处理单元及输出信号处理单元组成。
所述开启电路由3个PMOS管和2个NMOS管组成,分别为M15、M16、M17、M18和M19。其中,M15的源级接VDDL,栅极和漏极相连,并和M16的源级相连。M16栅极和漏极相连,源级和M15的源漏相连。M17和M18栅极相连,并接到基准电压,M17的源级和M16相连,漏极和M18的漏极和M19的栅极相连。M18栅极接基准电压,漏极和M17相连,源级接地。M19的栅端和M17、M18相连,漏端和M1和M2的栅端相连,源端接地。
电流源产生电路由2个PMOS管、2个NMOS管和2个PNP晶体管组成。分别为M1、M2、M3、M4、Q1和Q2。其中,M1的栅极和M2的栅极相连,源级接VDDL,漏端和M3的漏端相连。M2的栅极和M1的栅极相连,源级接VDDL,漏端和M4的漏端相连。M3的漏端和M1相连,栅端和M4的栅端相连,源端和Q1的发射极相连。M4的漏端和M2相连,栅端和M3的栅端相连,源端和Q2的发射极相连。Q1和Q2的管子数量比为1:8。其中Q1的发射极和M3相连,基极和集电极接地。Q2的发射极和M4相连,基极和集电极接地。
温度补偿电路由一个PMOS管和2个NMOS管组成。分别为M5、M6和M0。其中,M5的栅极和M1、M2的栅极相连,源级接VDDL,漏极和M6的栅漏相连。M6的栅极和漏极相连,源级和M0的栅漏相连,并接基准输出。M0为补偿管,栅端和漏端相连,并接基准输出,源端接地。
PSR提高电路由4个PMOS管、4个NMOS管和一个电容C组成。分别为M7、M8、M9、M10、M11、M12、M13、M14和C1。其中,M7的栅极和M3、M4的栅极相连,源级接VDDL,漏极和M8的源级相连。M8的栅极接地,源级和M7相连,漏极和M9的漏极、M10的栅极和电容C1相连。M9的栅极接偏置电压Vg1,漏极和M8的漏极、M10的栅极和电容C相连,源级接地。M10的栅端和M8、M9、C1相连,漏端和C1相连,源端接地。M11的源端接VDD,栅端和M12的栅漏相连,并接到输入信号处理单元,漏端接VDDL,并和M7、M5、M2、M1、M15的源端及M10的漏端相连,并和C1相连。M12的源端接VDD,栅端和M11的栅端、M12的漏端、M13的漏端及输入信号处理单元相连。M13的栅极接偏置电压Vg2,漏端和M12相连,源端和M14相连。M14的栅极接Vg3,漏端接M13,源端接地。
当系统刚上电的时候,VREF处于低电平,反向器输出为高电平,M19导通,并从M2、M4、Q2构成的支路抽取电流到地,从而M1和M2组成的电流镜栅压摆脱非正常工作点,基准电路顺利开启并工作在合适的工作点。基准电路正常工作后基准输出为高电平,反向器输出低电平,从而顺利关断开启电路。
所述开启电路与电流源产生电路相连,其作用是在上电后使基准电路脱离非正常工作点并顺利开启,开启后基准工作在合适的工作点上。其中M17和M18构成反向器,基准输出电压VREF作为反向器的输入,输出作用在M19的栅端,M19和M1和M2的栅端相连。当系统刚上电的时候,VREF处于低电平,反向器输出为高电平,M19导通,并从M2、M4、Q2构成的支路抽取电流到地,从而M1和M2组成的电流镜栅压摆脱非正常工作点,基准电路顺利开启并工作在合适的工作点。基准电路正常工作后基准输出为高电平,反向器输出低电平,从而顺利关断开启电路。
电流源产生电路中,M1和M2,M3和M4构成自偏置结构,该结构减小了电源电压对偏置电流的影响,且避免了运放结构引入的失调电压。另外,保证电流镜PM1和PM2漏极电压相等,可以保证两路电流相等。自偏置环路为增益小于1的正反馈环路,以保证环路稳定性,Q1和Q2两个PNP晶体管的数量比为1:8。
工作在饱和区的MOS管的栅源电压和漏电流关系为:
其中W/L表示MOS管的宽长比,μn表示载流子迁移率,COX表示单位面积的栅氧化层电容,VGS表示栅源电压,VTH表示阈值电压,I表示漏电流。
PNP晶体管的发射极和基极偏压与集电极电流关系为:
VEB=VTln(IC/IS) (3)
其中VEB为发射极和基极偏压,IC为集电极电流,IS为特征电流。VT=KT/q,其中,K表示Boltzmann常数,T表示绝对温度,q表示单位电荷的电荷量。
利用M3、M4管以及Q1、Q2的拓扑关系:
VGS3+VEB1=VGS4+VEB2 (4)
可得偏置电流I:
其中,μn为电子迁移率,COX为栅电容,W/L为管子宽长比,K表示Boltzmann常数,T表示绝对温度,q表示单位电荷的电荷量。
由上式可知,电流和温度成平方关系。由此得到偏置电流。
由电流源产生电路产生的电流流经温度补偿电路,为M0管提供偏置电流,其中M0工作在饱和区。
基准输出电压为:
VREF=VDS0=VGS0 (6)
由于M0工作在饱和区,将(2)式带入上式可得:
MOS管的阈值电压VTH和温度的关系为:
VTH=VTH0-kT (8)
其中k为阈值电压的温度系数,k=7.75×10-4。VTH0是和温度无关的常数。
将(5)式和(8)式带入(7)式可得:
由上式可知,偏置电流流过M0管产生了一阶正温度系数补偿电压。为了得到和温度无关的基准电压,基准电压的负温度系数必须和补偿电压的正温系数相抵消,即:
通过调整M0、M3、M4管子的宽长比,可使正温度系数和负温度系数相抵消,得到和温度无关的基准电压,即:
VREF=VTH0 (11)
为了提高基准电压的PSR,采用局部电压给基准电路供电。所述PSR提高电路与温度补偿电路和LNR调整电路相连,由超级源随器和电流镜组成。超级源随器组成的负反馈结构具有非常低的输出阻抗,即VDDL到地的电阻非常小,根据分压定理,VDD分VDDL的纹波电压非常小,即提高了VDDL对VDD的纹波抑制能力,进而提高了基准输出的PSR。提高超级源随器负反馈环路的环路增益可以减小闭环输出阻抗,提高PSR。
为了保证环路的稳定性,在M10的栅漏端并上密勒电容C1,C1可导致主次极点分裂,将次极点推到单位增益频率之外,使单位增益频率内只有一个极点,从而使相位裕度在60度左右,保证了负反馈环路的稳定性。
为了进一步提高直流状态下基准输出对电源电压的抑制能力,即提高线性调整率,本申请利用人工神经网络来调整PSR提高电路中电流镜的栅压,使局部电压基本不随电源电压发生变化,进而提高基准电压的线性调整率。
LNR调整电路包括人工神经网络、输入信号处理单元及输出信号处理单元。输入信号处理单元的作用是接收输入信号,并对其处理成人工神经网络可以直接处理的数据;人工神经网络的作用是对输入信号处理单元输出的信号按照预期做出非线性相应,产生非线性控制电压;输出信号处理单元的作用是对人工神经网络的输出信号处理后产生控制电压V并接到电流镜的栅端,通过调节电流镜栅压,来保持局部电压基本不随电源电压发生变化。本申请采用三层BP神经网络模型的人工神经网络作为例子,包括由1个神经元组成的输入层Ii(i=1),由4个神经元组成的隐层Hj(j=1,2,3,4)以及由1个神经元组成的输出层Ok(k=1),i、j、k分别为输入层、隐层、输出层神经元的标号。隐层神经元接收输入层神经元传递的信号,并对其进行非线性处理后传递到输出层神经元,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。
本实施例的基于神经网络的低线性调整率高精度基准电路工作过程分为三个阶段,具体为:
第一阶段:人工神经网络的数据采集
在每一个不同的电源电压VDDi下,i为电压标号,在PSR提高电路电流镜的栅端施加控制电压Vi,使得在不同的电源电压VDDi下,局部电压VDDL基本不变。记录数据(VDDi,Vi),得到训练样本Y=(VDD,V),此时训练样本Y是二维数组,其中,VDD作为人工神经网络的输入,V作为人工神经网络的输出;
第二阶段;人工神经网络的训练
控制信号控制人工神经网络处于学习状态,第一阶段采集的训练样本数据输入到人工神经网络,神经网络对输入变量做出响应,产生网络输出,然后对网络输出和目标输出进行比较,当两者的误差不满足预设的精度要求时,神经网络调整网络权值,直到误差小于预设精度,则训练结束。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:
信号正向传播过程: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神经网络的输出可以表示为:
其中,是隐层和输出层神经元的激活函数,这里选择Sigmoid函数:
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。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:人工神经网络的工作
该阶段控制信号控制神经网络处于工作状态,神经网络根据第二阶段训练好的网络权值对输入电源电压做出响应,产生控制电压,使低频下局部电压基本不随电源电压变化,从而显著改善了基准电压的LNR。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于神经网络的低线性调整率基准电路,其特征在于,包括第一电路模块与第二电路模块,第二电路模块与第一电路模块在局部电位点连接,第二电路模块接收来自人工神经网络的非线性输出的调整,并对第一电路模块中的局部电压进行调整,第一电路模块输出基准电压。
2.一种基于神经网络的低线性调整率基准电路,其特征在于,第一电路模块包括依次连接的开启电路、电流源产生电路、温度补偿电路,第二电路模块包括PSR提高电路,与所述PSR提高电路连接的LNR调整电路,所述电流源产生电路与PSR提高电路连接;
所述开启电路,上电后开启基准电路;
所述电流源产生电路,提供偏置电流;
所述温度补偿电路,通过电流源产生电路产生的偏置电流,为工作在饱和区的MOSFET的阈值电压提供正温度系数补偿,第一电路模块通过温度补偿后产生基准电压;
所述PSR提高电路包括电流镜,用于提高基准输出电压的纹波抑制能力;
所述LNR调整电路包括输入信号处理单元、人工神经网络及输出信号处理单元,输入信号处理单元的输入端同时与电源电压和PSR提高电路中的电流镜的栅端相连,输入信号处理单元的输出端与人工神经网络的输入相连,输出信号处理单元的输入端与人工神经网络相连,输出信号处理单元的输出端与PSR提高电路中的电流镜的栅端相连;
所述输入信号处理单元,接收输入信号并转化成人工神经网络可以直接处理的数据;
所述人工神经网络,接收输入信号处理单元输出的数据按照预期做出非线性响应,产生非线性控制电压;
所述输出信号处理单元,接收人工神经网络的非线性控制电压并接到电流镜的栅端,调节电流镜栅压来保持局部电压不随电源电压发生变化。
3.如权利要求1所述的一种基于神经网络的低线性调整率基准电路,其特征在于,所述PSR提高电路包括低输出阻抗的源随器。
4.一种基于神经网络的低线性调整率基准电路产生方法,其特征在于,包括以下步骤:
步骤1、产生连接的第一电流和第二电流;
步骤2、人工神经网络接收电源电压做出非线性响应产生非线性控制电压;
步骤3、第二电流接收非线性控制电压的调整;
步骤4、第一电流在局部电位点接收步骤3处理后的第二电流的调整再输出基准电压。
5.如权利要求4所述的一种基于神经网络的低线性调整率基准电路产生方法,其特征在于,所述步骤2的具体步骤为:
步骤2.1、人工神经网络的数据采集
采集人工神经网络训练所需要的训练样本;
步骤2.2、人工神经网络学习
由所述步骤1中处理后的训练样本输入到人工神经网络,人工神经网络对输入变量做出响应并产生网络输出,然后对网络输出和目标输出V做比较,如两者的误差不满足预设的精度要求,人工神经网络调整网络权值W,直到误差小于预设的精度,训练结束并记录此时的网络权值;步骤2.3、人工神经网络工作人工神经网络根据步骤2.2中段训练好的网络权值,对电源电压做出非线性响应,产生非线性控制电压。
6.如权利要求4所述的一种基于神经网络的低线性调整率基准电路产生方法,其特征在于,所述步骤2.2中网络输出为:
其中 是隐层和输出层神经元的激活函数。
7.如权利要求6所述的一种基于神经网络的低线性调整率基准电路产生方法,其特征在于,所述设样本S的目标输出为TS,则所有样本的误差为:
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>S</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>T</mi>
<mi>S</mi>
</msup>
<mo>-</mo>
<msup>
<mi>O</mi>
<mi>S</mi>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中n是样本数量,样本S的目标输出为TS。
8.如权利要求4述的一种基于神经网络的低线性调整率基准电路产生方法,其特征在于,所述步骤1中第一电流产生的具体步骤为:步骤1.1、开启基准电路的正常工作点;步骤1.2、产生与温度成平方关系的偏置电流;步骤1.3、步骤1.2中偏置电流经过正温度系数补偿后产生与温度无关的第一电流。
9.如权利要求8述的一种基于神经网络的低线性调整率基准电路产生方法,其特征在于,利用工作在饱和区的MOSFET的压差、PNP晶体管的压差以及电路拓扑关系产生了和温度成平方关系的偏置电流,所述与温度成平方关系的偏置电流I为:
<mrow>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>K</mi>
<mn>3</mn>
</msub>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>V</mi>
<mi>T</mi>
</msub>
<mi>l</mi>
<mi>n</mi>
<mn>8</mn>
</mrow>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中,VT=KT/q,K3=μnCOX(W3/L3),K4=μnCOX(W4/L4),μn为电子迁移率,COX为栅电容,Wn/Ln为管子宽长比,K表示Boltzmann常数,T表示绝对温度,q为单位电荷的电荷量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710721629.9A CN107562113B (zh) | 2017-08-22 | 2017-08-22 | 一种基于神经网络的低线性调整率基准电路及产生方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710721629.9A CN107562113B (zh) | 2017-08-22 | 2017-08-22 | 一种基于神经网络的低线性调整率基准电路及产生方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107562113A true CN107562113A (zh) | 2018-01-09 |
CN107562113B CN107562113B (zh) | 2019-04-05 |
Family
ID=60975856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710721629.9A Active CN107562113B (zh) | 2017-08-22 | 2017-08-22 | 一种基于神经网络的低线性调整率基准电路及产生方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107562113B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111240395A (zh) * | 2020-01-20 | 2020-06-05 | 中国电子科技集团公司第二十四研究所 | 一种具有高电源抑制比的基准电压源 |
CN113316752A (zh) * | 2019-01-24 | 2021-08-27 | 索尼半导体解决方案公司 | 电压控制装置 |
CN115437454A (zh) * | 2022-09-20 | 2022-12-06 | 圣邦微电子(北京)股份有限公司 | 电流镜电路 |
CN117389372A (zh) * | 2023-12-12 | 2024-01-12 | 南通至正电子有限公司 | 一种稳压控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0661616A3 (en) * | 1993-12-29 | 1997-09-24 | At & T Corp | Bandgap type reference voltage generator. |
JP2007305010A (ja) * | 2006-05-15 | 2007-11-22 | Seiko Npc Corp | 基準電圧生成回路 |
CN101799699A (zh) * | 2009-08-19 | 2010-08-11 | 四川和芯微电子股份有限公司 | 高电源抑制比低失调的基准源电路 |
CN104122918A (zh) * | 2013-04-26 | 2014-10-29 | 中国科学院深圳先进技术研究院 | 带隙基准电路 |
CN105676938A (zh) * | 2016-03-04 | 2016-06-15 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种超低功耗高电源抑制比电压基准源电路 |
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 |
-
2017
- 2017-08-22 CN CN201710721629.9A patent/CN107562113B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0661616A3 (en) * | 1993-12-29 | 1997-09-24 | At & T Corp | Bandgap type reference voltage generator. |
JP2007305010A (ja) * | 2006-05-15 | 2007-11-22 | Seiko Npc Corp | 基準電圧生成回路 |
CN101799699A (zh) * | 2009-08-19 | 2010-08-11 | 四川和芯微电子股份有限公司 | 高电源抑制比低失调的基准源电路 |
CN104122918A (zh) * | 2013-04-26 | 2014-10-29 | 中国科学院深圳先进技术研究院 | 带隙基准电路 |
CN105676938A (zh) * | 2016-03-04 | 2016-06-15 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种超低功耗高电源抑制比电压基准源电路 |
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 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113316752A (zh) * | 2019-01-24 | 2021-08-27 | 索尼半导体解决方案公司 | 电压控制装置 |
CN111240395A (zh) * | 2020-01-20 | 2020-06-05 | 中国电子科技集团公司第二十四研究所 | 一种具有高电源抑制比的基准电压源 |
CN111240395B (zh) * | 2020-01-20 | 2021-12-21 | 中国电子科技集团公司第二十四研究所 | 一种具有高电源抑制比的基准电压源 |
CN115437454A (zh) * | 2022-09-20 | 2022-12-06 | 圣邦微电子(北京)股份有限公司 | 电流镜电路 |
CN117389372A (zh) * | 2023-12-12 | 2024-01-12 | 南通至正电子有限公司 | 一种稳压控制方法及系统 |
CN117389372B (zh) * | 2023-12-12 | 2024-03-01 | 南通至正电子有限公司 | 一种稳压控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107562113B (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107562113A (zh) | 一种基于神经网络的低线性调整率基准电路及产生方法 | |
CN109343639B (zh) | 一种低温漂带隙基准电压电路、方法及其芯片 | |
CN101630176B (zh) | 低电压cmos带隙基准电压源 | |
CN102193574B (zh) | 一种高阶曲率补偿的带隙基准电压源 | |
CN101419478B (zh) | 一种带隙基准参考源电路及设计方法 | |
CN104007777B (zh) | 一种电流源产生器 | |
CN107168441B (zh) | 一种基于神经网络的带隙基准电路 | |
CN109164867B (zh) | 全mos基准电流产生电路 | |
CN113721690A (zh) | 带隙基准电路及其控制方法以及电源电路 | |
CN115437442B (zh) | 高阶补偿带隙电压基准电路 | |
CN114356014B (zh) | 低压基准电压产生电路及芯片 | |
CN110989758A (zh) | 一种带高阶补偿电路的基准源电路结构 | |
CN101625575A (zh) | 互补型cmos基准电压源 | |
CN111813177A (zh) | 一种带有负反馈的高性能cmos电压基准源 | |
CN111796625A (zh) | 一种超低功耗cmos电压基准电路 | |
CN116360539A (zh) | 一种增强电源噪声抑制的线性稳压器 | |
CN115857608A (zh) | 耗尽管实现宽范围内高阶温度补偿的带隙基准源 | |
CN109270984B (zh) | 一种高精度互补电流源电路 | |
CN111061329A (zh) | 一种高环路增益双环负反馈的带隙基准电路 | |
CN106020320A (zh) | 一种提高电源电压抑制比的基准电压源结构 | |
CN112130610A (zh) | 一种高电源抑制比带隙基准电路 | |
CN113805635B (zh) | 一种抗工艺失配、无电阻的低温度系数电流基准源 | |
CN204990061U (zh) | 消除体效应的带隙基准源 | |
CN108664073B (zh) | 一种探测电路 | |
CN115373460B (zh) | 一种电压基准源及集成电路 |
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 |