CN115529039A - 流水线型adc线性及非线性误差的校准方法、系统 - Google Patents
流水线型adc线性及非线性误差的校准方法、系统 Download PDFInfo
- Publication number
- CN115529039A CN115529039A CN202211502952.4A CN202211502952A CN115529039A CN 115529039 A CN115529039 A CN 115529039A CN 202211502952 A CN202211502952 A CN 202211502952A CN 115529039 A CN115529039 A CN 115529039A
- Authority
- CN
- China
- Prior art keywords
- particle
- parameter value
- performance parameter
- order
- point
- 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
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M1/00—Analogue/digital conversion; Digital/analogue conversion
- H03M1/10—Calibration or testing
- H03M1/1009—Calibration
- H03M1/1033—Calibration over the full range of the converter, e.g. for correcting differential non-linearity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Nonlinear Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种流水线型ADC线性及非线性误差的校准方法、系统。方法包括:根据多个子级ADC的采样点数据生成多个粒子点;根据每个粒子点的当前各阶误差系数、历史最优各阶误差系数及多个粒子点中的历史最优各阶误差系数得到目标各阶误差系数;根据采样点数据以及目标各阶误差系数计算当前性能参数值;将当前性能参数值与原始历史最优性能参数值及多个粒子点中的历史最优性能参数值比较,得到目标历史最优性能参数值;根据各阶误差系数校准输出数据。本发明采用粒子群优化算法对采样点数据进行迭代运算,得到对应的各阶误差系数,基于各阶误差系数对输出数据进行校准,实现了对流水线型ADC各阶误差的依次校准,提高了校准效率及精准度。
Description
技术领域
本发明涉及误差校准技术领域,特别涉及一种流水线型ADC线性及非线性误差的校准方法、系统。
背景技术
在当下的信息与智能时代中,模数转换器作为联通自然界与数字信息世界的关键性模块,已经广泛使用在各种电子设备和仪器中,近些年来IC领域对于模数转换器的研究也从未停止,由此也诞生了各种类型的数模转换器。
现在主流的模数转换器类型主要有流水线型ADC(Pipelined ADC),逐次逼近型ADC(SAR ADC), Σ-Δ ADC以及闪存式ADC(Flash ADC)等等。其中每个ADC适合应用在不同的场合中,有其不同的特性以及适用场景。例如Flash ADC适用于低精度高抽样速率的场景;而Σ-Δ ADC和SAR ADC的采样速率低,但精度却很高,并且功耗小,尺寸小。
如今,随着技术的不断进步,物联网以及5G通信等的不断发展,低功耗、中高速、中高精度的ADC的需求在不断扩大。为了协调ADC得低功耗和中高速或者高精度等需求,当前的pipelined ADC在市场上有很大的份额,这些模拟器件都会引入一定的线性和非线性误差,很影响ADC的工作性能,需要针对以上线性和非线性误差进行校准。而目前的很多校准方法,其针对各阶误差需要设计特定的模块进行分开校准,需要设计不同的模块才能分别校准线性误差以及各阶非线性误差。这种校准方式校准时间长、校准效率低。
发明内容
本发明要解决的技术问题是为了克服现有技术中现有的ADC线性和非线性误差校准方式存在校准时间长、校准效率低的缺陷,提供一种流水线型ADC线性及非线性误差的校准方法、系统。
本发明是通过下述技术方案来解决上述技术问题:
本发明第一方面提供了一种流水线型ADC线性及非线性误差的校准方法,所述流水线型ADC包括多个子级ADC,所述校准方法包括:
获取多个子级ADC的采样点数据;
根据所述采样点数据生成多个粒子点;
获取每个所述粒子点的当前各阶误差系数、每个所述粒子点的历史最优各阶误差系数以及所述多个粒子点中的历史最优各阶误差系数;
根据所述当前各阶误差系数、每个所述粒子点的历史最优各阶误差系数以及所述多个粒子点中的历史最优各阶误差系数更新得到每个所述粒子点的目标各阶误差系数;
根据所述采样点数据以及目标各阶误差系数计算每个所述粒子点的当前性能参数值;
将所述当前性能参数值与每个所述粒子点的历史最优性能参数值以及所述多个粒子点中的历史最优性能参数值进行比较,以得到每个所述粒子点的目标历史最优性能参数值;
输出所述目标历史最优性能参数值对应的目标粒子点的各阶误差系数;
根据所述目标粒子点的各阶误差系数校准所述多个子级ADC的输出数据,以得到校准后的输出数据。
较佳地,所述将所述当前性能参数值与每个所述粒子点的原始历史最优性能参数值以及所述多个粒子点中的历史最优性能参数值进行比较,以得到每个所述粒子点的目标历史最优性能参数值的步骤之后,所述校准方法还包括:
获取更新比较迭代次数;
判断所述更新比较迭代次数是否大于预设更新比较迭代次数,若是,则输出所述目标历史最优性能参数值对应的目标粒子点的各阶误差系数;根据所述目标粒子点的各阶误差系数校准所述多个子级ADC的输出数据,以得到校准后的输出数据;若否,则重新执行根据所述当前各阶误差系数、每个所述粒子点的历史最优各阶误差系数以及所述多个粒子点中的历史最优各阶误差系数更新得到每个所述粒子点的目标各阶误差系数的步骤。
较佳地,所述获取多个子级ADC的采样点数据的步骤包括:
获取所述多个子级ADC的输出数据;
对所述输出数据进行重构,以得到重构后的输出数据;
从所述重构后的输出数据中获取所述多个子级ADC的采样点数据。
较佳地,所述根据所述采样点数据生成多个粒子点的步骤包括:
获取所述采样点数据对应的粒子点范围;
在所述粒子点范围内生成所述多个粒子点。
较佳地,所述根据所述当前各阶误差系数、每个所述粒子点的历史最优各阶误差系数以及所述多个粒子点中的历史最优各阶误差系数更新得到每个所述粒子点的目标各阶误差系数的步骤包括:
将每个所述粒子点的当前各阶误差系数与每个所述粒子点的历史最优各阶误差系数进行比较,以得到每个所述粒子点的第一移动速度;
将所述当前各阶误差系数与所述多个粒子点中的历史最优各阶误差系数进行比较,以得到每个所述粒子点的第二移动速度;
根据所述第一移动速度以及所述第二移动速度更新所述当前各阶误差系数,以得到目标各阶误差系数。
较佳地,所述将所述当前性能参数值与每个所述粒子点的历史最优性能参数值以及所述多个粒子点中的历史最优性能参数值进行比较,以得到每个所述粒子点的目标历史最优性能参数值的步骤包括:
比较每个所述粒子点的当前性能参数值是否大于每个所述粒子点的历史最优性能参数值;若是,则比较每个所述粒子点的当前性能参数值是否大于所述多个粒子点中的历史最优性能参数值,若是,则将每个所述粒子点的当前性能参数值作为每个所述粒子点的目标历史最优性能参数值;若每个所述粒子点的当前性能参数值是不大于所述多个粒子点中的历史最优性能参数值,则将所述多个粒子点中的历史最优性能参数值作为每个所述粒子点的目标历史最优性能参数值。
较佳地,所述将所述当前性能参数值与每个所述粒子点的历史最优性能参数值以及所述多个粒子点中的历史最优性能参数值进行比较,以得到每个所述粒子点的目标历史最优性能参数值的步骤还包括:
若每个所述粒子点的当前性能参数值不大于每个所述粒子点的历史最优性能参数值,则比较每个所述粒子点的原始历史最优性能参数值是否大于所述多个粒子点中的历史最优性能参数值,若是,则将每个所述粒子点的历史最优性能参数值作为每个所述粒子点的目标历史最优性能参数值;若否,则将所述多个粒子点中的历史最优性能参数值作为每个所述粒子点的目标历史最优性能参数值。
本发明第二方面提供了一种流水线型ADC线性及非线性误差的校准系统,所述流水线型ADC包括多个子级ADC,所述校准系统包括第一获取模块、生成模块、第二获取模块、更新模块、计算模块、比较模块、输出模块以及校准模块;
所述第一获取模块用于获取多个子级ADC的采样点数据;
所述生成模块用于根据所述采样点数据生成多个粒子点;
所述第二获取模块用于获取每个所述粒子点的当前各阶误差系数、每个所述粒子点的历史最优各阶误差系数以及所述多个粒子点中的历史最优各阶误差系数;
所述更新模块用于根据所述当前各阶误差系数、每个所述粒子点的历史最优各阶误差系数以及所述多个粒子点中的历史最优各阶误差系数更新得到每个所述粒子点的目标各阶误差系数;
所述计算模块用于根据所述采样点数据以及目标各阶误差系数计算每个所述粒子点的当前性能参数值;
所述比较模块用于将所述当前性能参数值与每个所述粒子点的历史最优性能参数值以及所述多个粒子点中的历史最优性能参数值进行比较,以得到每个所述粒子点的目标历史最优性能参数值;
所述输出模块用于输出所述目标历史最优性能参数值对应的目标粒子点的各阶误差系数;
所述校准模块用于根据所述目标粒子点的各阶误差系数校准所述多个子级ADC的输出数据,以得到校准后的输出数据。
较佳地,所述校准系统还包括第三获取模块和判断模块;
所述第三获取模块用于获取更新比较迭代次数;
所述判断模块用于判断所述更新比较迭代次数是否大于预设更新比较迭代次数,若是,则调用所述输出模块和所述校准模块;若否,则调用所述更新模块;
所述更新模块用于重新执行根据所述当前各阶误差系数、每个所述粒子点的历史最优各阶误差系数以及所述多个粒子点中的历史最优各阶误差系数更新得到每个所述粒子点的目标各阶误差系数。
较佳地,所述第一获取模块包括第一获取单元、重构单元以及第二获取单元;
所述第一获取单元用于获取所述多个子级ADC的输出数据;
所述重构单元用于对所述输出数据进行重构,以得到重构后的输出数据;
所述第二获取单元用于从所述重构后的输出数据中获取所述多个子级ADC的采样点数据。
较佳地,所述生成模块包括第三获取单元和生成单元;
所述第三获取单元用于获取所述采样点数据对应的粒子点范围;
所述生成单元用于在所述粒子点范围内生成所述多个粒子点。
较佳地,所述更新模块包括第一比较单元、第二比较单元、第一更新单元;
所述第一比较单元用于将每个所述粒子点的当前各阶误差系数与每个所述粒子点的历史最优各阶误差系数进行比较,以得到每个所述粒子点的第一移动速度;
所述第二比较单元用于将所述当前各阶误差系数与所述多个粒子点中的历史最优各阶误差系数进行比较,以得到每个所述粒子点的第二移动速度;
所述第一更新单元用于根据所述第一移动速度以及所述第二移动速度更新所述更新后的当前各阶误差系数,以得到目标各阶误差系数。
较佳地,所述比较模块包括第三比较单元、第四比较单元、第一确定单元以及第二确定单元;
所述第三比较单元用于比较每个所述粒子点的当前性能参数值是否大于每个所述粒子点的历史最优性能参数值;若是,则调用所述第四比较单元;
所述第四比较单元用于比较每个所述粒子点的当前性能参数值是否大于所述多个粒子点中的历史最优性能参数值,若是,则调用所述第一确定单元;
所述第一确定单元用于将每个所述粒子点的当前性能参数值作为每个所述粒子点的目标历史最优性能参数值;
若每个所述粒子点的当前性能参数值是不大于所述多个粒子点中的历史最优性能参数值,则调用所述第二确定单元;
所述第二确定单元用于将所述多个粒子点中的历史最优性能参数值作为每个所述粒子点的目标历史最优性能参数值。
较佳地,所述比较模块还包括第五比较单元、第三确定单元以及第四确定单元;
若每个所述粒子点的当前性能参数值不大于每个所述粒子点的历史最优性能参数值,则调用所述第五比较单元;
所述第五比较单元用于比较每个所述粒子点的历史最优性能参数值是否大于所述多个粒子点中的历史最优性能参数值,若是,则调用所述第三确定单元;若否,则调用所述第四确定单元;
所述第三确定单元用于将每个所述粒子点的历史最优性能参数值作为每个所述粒子点的目标历史最优性能参数值;
所述第四确定单元用于将所述多个粒子点中的历史最优性能参数值作为每个所述粒子点的目标历史最优性能参数值。
本发明第三方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的流水线型ADC线性及非线性误差的校准方法。
本发明第四方面提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的流水线型ADC线性及非线性误差的校准方法。
本发明的积极进步效果在于:
本发明通过获取多个子级ADC的采样点数据,采用粒子群优化算法对采样点数据进行迭代运算,以得到目标历史最优性能参数值对应的目标粒子点的各阶误差系数,进而基于目标粒子点的各阶误差系数对多个子级ADC的输出数据进行校准,实现了对流水线型ADC的线性及非线性多阶误差的依次校准,提高了校准效率以及校准的精准度。
附图说明
图1为本发明实施例1的流水线型ADC线性及非线性误差的校准方法的第一流程图。
图2a为本发明实施例1的流水线型ADC线性及非线性误差的校准方法的一部分第二流程图。
图2b为本发明实施例1的流水线型ADC线性及非线性误差的校准方法的另一部分第二流程图。
图3为本发明实施例1和2的流水线型ADC的结构示意图。
图4为本发明实施例2的流水线型ADC线性及非线性误差的校准系统的结构示意图。
图5为本发明实施例3的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种流水线型ADC线性及非线性误差的校准方法,该流水线型ADC包括多个子级ADC,如图1所示,该校准方法包括:
步骤101、获取多个子级ADC的采样点数据;
本实施例中,从流水线型ADC中获取一定数量的采样点数据,采样点数据的数量是由判断粒子点性能的标准决定的。
步骤102、根据采样点数据生成多个粒子点;
本实施例中,如果采用非杂散动态范围作为衡量粒子点性能的标准,例如,采样点数据的数量可以选取8192或者16384,方便利用快速傅里叶变换计算无杂散动态范围。因本实例在计算粒子点性能时不采用各子级ADC输出的原始数据,故在获取到采样点数据之前需要对原始数据进行一定的处理使其满足计算所需。
步骤103、获取每个粒子点的当前各阶误差系数、每个粒子点的历史最优各阶误差系数以及多个粒子点中的历史最优各阶误差系数;
本实施例中,粒子点的各阶误差系数即为粒子点的位置信息。
需要说明的是,获取的每个粒子点的当前各阶误差系数是预设值并非实际值。
步骤104、根据当前各阶误差系数、每个粒子点的历史最优各阶误差系数以及多个粒子点中的历史最优各阶误差系数更新得到每个粒子点的目标各阶误差系数;
本实施例中,将每个粒子点的当前各阶误差系数(即当前位置信息)和此粒子点的历史最优各阶误差系数(即此粒子点的历史性能最优的点的位置信息)以及多个粒子点中的历史最优各阶误差系数(即群体粒子最优的点的位置信息)进行比较,通过这两个历史最优点确定此粒子点的当前移动速度,通过当前移动速度决定该粒子点在这次迭代过程中目标各阶误差系数(即最后的位置信息)。对于所有的N个粒子点,在一次迭代过程中都需要完成其位置信息的更新,通过不断迭代更新所有粒子点的位置信息搜寻实际的误差位置信息。
步骤105、根据采样点数据以及目标各阶误差系数计算每个粒子点的当前性能参数值;
本实施例中,根据实际情况选择合适的性能参数来表征粒子点的性能。
本实施例中,根据采样点数据以及目标各阶误差系数即可计算得到依据目前粒子点所包含的各阶误差系数而可以产生的校准后性能(即当前性能参数值)。此处计算出的校准后性能即作为本实例比较迭代的依据。
步骤106、将当前性能参数值与每个粒子点的历史最优性能参数值以及多个粒子点中的历史最优性能参数值进行比较,以得到每个粒子点的目标历史最优性能参数值;
步骤107、输出目标历史最优性能参数值对应的目标粒子点的各阶误差系数;
步骤108、根据目标粒子点的各阶误差系数校准多个子级ADC的输出数据,以得到校准后的输出数据。
本实施例中,将目标粒子点的各阶误差系数与多个子级ADC的输出数据进行重构,即将输出的目标粒子点的各阶误差系数注入流水线型ADC的重构链路中,以根据目标粒子点的各阶误差系数消除流水线型ADC的各阶线性及非线性误差,进而达到对流水线型ADC出现的线性误差以及非线性误差进行校准的目的。
需要说明的是,本实施例实现流水线型ADC线性及非线性误差的校准方法可以在片外利用计算机或者CPU执行,也可以用ASIC实现。
在具体实施过程中,对于使用外置的CPU或者计算机的方式,从流水线型ADC的各级中获取粒子群优化算法所需的各子级ADC输出数据,外置的CPU或者计算机通过预先在CPU或者计算机中储存编译好的高级语言程序对获取到的各子级ADC信号进行粒子群优化算法的计算和迭代处理,并在得到结果后对各子级ADC的输出数据进行重构,得到经过校准的整体ADC信号。再通过预设的外置接口输出经过校准的ADC信号;
对于使用ASIC电路的方式,对获取到的输出数据进行重构处理,得到对采样粒子进行运算的所需要的数据;计算每个粒子点在新一次迭代之后,消除目前的粒子点性质所代表的误差,而后计算并存储其信噪比或者无杂散动态范围等数值。
存储各个粒子点当前最新迭代情况下的各阶误差系数和相应的信噪比、无杂散动态范围或者其他衡量粒子点性能的因素值、各个粒子点历史最优情况下各阶误差系数和相应衡量粒子点性能的因素值以及采样粒子群总体历史最好的情况下对应的各阶误差系数和相应衡量粒子点性能的因素。
通过比较衡量粒子点性能的因素值,其中需要将当前粒子点性能分别和该粒子点历史最好情况以及群体历史最好情况进行比较,最后根据粒子群优化算法对粒子点的移动速度对粒子点的各阶误差系数进行更新调整。再选取粒子群历史上性能最优的点,将其对应的各阶误差系数视作需要校准的ADC的实际各阶误差系数,对信号进行重构,从信号中减去对应的各阶误差,得到校准后的ADC信号。
在一可实施的方案中,步骤106之后,如图2所示,该校准方法还包括:
步骤1061、获取更新比较迭代次数;
步骤1062、判断更新比较迭代次数是否大于预设更新比较迭代次数,若是,则执行步骤107-步骤108;若否,则重新执行步骤104;
本实施例中,预设更新比较迭代次数根据实际情况进行设置。
本实施例中,判断更新比较迭代的次数是否已经达到了预设的次数,若没有达到继续重复上述迭代过程,若达到了选取群体历史性能最优点,看其是否达到所需性能要求,如果没达到,再进行迭代,直至达到性能要求后,将此粒子点的位置信息作为各阶误差系数注入输出重构链路中。
在一可实施的方案中,如图2所示,步骤101包括:
步骤101-1、获取多个子级ADC的输出数据;
步骤101-2、对输出数据进行重构,以得到重构后的输出数据;
步骤101-3、从重构后的输出数据中获取多个子级ADC的采样点数据。
本实施例中,获取pipelined ADC各子级ADC得输出数据(即输出信号),并根据需要校准的部分对各子级ADC的输出数据进行重构,得到重构后的输出数据;从重构后的输出数据中获取多个子级ADC的采样点数据,
需要说明的是,重构后的输出数据之间存在一个多项式关系,其各次系数即所需要得到的各阶误差系数。利用优化后的粒子群优化算法进行迭代运算,进而得到各阶误差的系数校准值;
在一可实施的方案中,如图2所示,步骤102包括:
步骤102-1、获取采样点数据对应的粒子点范围;
步骤102-2、在粒子点范围内生成多个粒子点。
本实施例中,在粒子点范围内随机产生N个初始粒子点,每个粒子点的位置信息为(a1,a3,a5,a7),该位置信息代表此粒子点对应的各阶误差系数,这些粒子点的维度,由其需要校准的误差阶数决定。例如,粒子点的维度是(a1,a3,a5,a7),代表该粒子点的位置信息中含有线性误差以及三、五、七非线性误差的系数信息,即通过该粒子点的优化过程可以达到校准流水线型ADC各阶数误差的目的。
需要说明的是,通过设置上述粒子点的维度可以比较灵活地选择进行校准的误差阶数。
另外,根据无杂散动态范围等因素计算出粒子点的一、三、五、七等各阶误差系数。
在一可实施的方案中,如图2所示,步骤104包括:
步骤104-1、将每个粒子点的当前各阶误差系数与每个粒子点的历史最优各阶误差系数进行比较,以得到每个粒子点的第一移动速度;
步骤104-2、将当前各阶误差系数与多个粒子点中的历史最优各阶误差系数进行比较,以得到每个粒子点的第二移动速度;
步骤104-3、根据第一移动速度以及第二移动速度更新当前各阶误差系数,以得到目标各阶误差系数。
在具体实施过程中,在得到每个粒子点的第一移动速度后,可以根据第一移动速度更新对应粒子点的当前各阶误差系数,以得到更新后的当前误差系数;将更新后的当前各阶误差系数与多个粒子点中的历史最优各阶误差系数进行比较,以得到每个粒子点的第二移动速度;根据第二移动速度更新更新后的当前误差系数,以得到目标各阶误差系数。
在一可实施的方案中,如图2所示,步骤106包括:
步骤106-1、比较每个粒子点的当前性能参数值是否大于每个粒子点的历史最优性能参数值;若是,则执行步骤106-2;若否,则执行步骤106-5;
步骤106-2、比较每个粒子点的当前性能参数值是否大于多个粒子点中的历史最优性能参数值,若是,则执行步骤106-3;若否,则执行步骤106-4;
步骤106-3、将每个粒子点的当前性能参数值作为每个粒子点的目标历史最优性能参数值;
步骤106-4、将多个粒子点中的历史最优性能参数值作为每个粒子点的目标历史最优性能参数值;
步骤106-5、比较每个粒子点的历史最优性能参数值是否大于多个粒子点中的历史最优性能参数值,若是,则执行步骤106-6;若否,则执行步骤106-7;
步骤106-6、将每个粒子点的历史最优性能参数值作为每个粒子点的目标历史最优性能参数值;
步骤106-7、将多个粒子点中的历史最优性能参数值作为每个粒子点的目标历史最优性能参数值。
本实施例中,先将粒子点的当前性能参数值与该粒子点的历史最优性能参数值比较,如果当前性能更好,则用该粒子点的当前性能代替历史最优性能。再将各个粒子点更新后的历史最优性能互相比较得到目前这些粒子点中历史最优性能最好的一个粒子点,再将目前这些粒子点中历史最优性能最好的一个粒子点的对应性能和群体历史最优点性能(即多个粒子点的历史最优性能)比较,以确定出目标历史最优性能参数值。
在具体实施过程中,流水线型ADC(pipelined ADC)是通过较低位数的子级ADC级联对模拟输入信号进行流水线式的量化,最终输出相应的数字码。需要说明的是,子级ADC多用flash ADC,也可以使用SAR ADC等。子级ADC间通过残差放大器相连,残差放大器将上一级的ADC未能量化为数字码的模拟信号放大,传递给下一级Flash ADC,进行后续的量化,即后面子级ADC的输入是前级模拟余量的放大值。经过多级子级ADC的量化后,最终由数字校正模块进行时间对齐和数字纠错,并将每一级子级ADC的数字输出码进行组合,得到整个Pipelined ADC的N位数字输出码,也就是整个ADC与模拟输入信号对应的数字输出数据。
图3是一个N级流水线型ADC的结构框图,拟输入信号Vin可以根据各子级ADC的数字
输出数据(即输出码)由下列公式(1)还原得到:
式中,DN表示第N级的数字输出码,GN-1表示第N与第N+1级之间的级间残差放大器的增益,
Vref表示参考电压。该式可以根据数字输出码还原为模拟输入信号Vin。
其中,各子级ADC和放大器在工作过程中都会因为模拟器件本身的一些性质产生
一定的误差,其主要表现为:最主要能产生线性和各阶非线性误差的主要是各级级间放大
器,各子级ADC也会有一定影响。在理想情况下,进入第一级间放大器的信号R1(t)经过后续
的子级ADC处理之后,进入特定链路节点的信号依旧应该是R1(t)。但因为以上提到的误差
因素,会导致该节点的信号在没经过校准前会变现为公式(2)所示:其中 a1表示放大器的放大倍数和其线性
误差系数之和, aN表示其余各阶非线性误差的系数值。
本实施例可以同时对流水线型ADC的整体或其中一个部分的各阶误差进行校准,一次可针对多阶误差进行校准而不需要增加模块,减少了设计的冗余度,也使在不同阶数校准时遇到的问题得到简化处理。
需要说明的是,本实施例不需要收集非常大量的采样点数据,本实施例对于采样点数量的要求比较低,只需要对一段较短信号进行几百到几千次的采样,获得这些采样点所需的有关信息即可,避免了浪费大量信号以及在较长一段时间内校准结果可能使信号畸变的可能性。
另外,本实施例既可以适用于前台,也可以适用于后台校准。既可以用作前台校准通过注入比较特殊的序列来使校准的可实现性更高,校准完成的时间更快。也可以用作后台校准,在不影响流水线型ADC以及其他电路模块工作情况下进行校准。并且因为算法的特殊性,可以在不断迭代的过程中根据性能判断流水线型ADC性能是否提升,以及在性能达到要求后再通过重构使校准信息注入到正常工作的链路中,进而提升校准的稳定性。
本实施例通过获取多个子级ADC的采样点数据,采用粒子群优化算法对采样点数据进行迭代运算,以得到目标历史最优性能参数值对应的目标粒子点的各阶误差系数,进而基于目标粒子点的各阶误差系数对多个子级ADC的输出数据进行校准,实现了对流水线型ADC的线性及非线性各阶误差的依次校准,提高了校准效率以及校准的精准度。
实施例2
本实施例提供一种流水线型ADC线性及非线性误差的校准系统,该流水线型ADC包括多个子级ADC,如图4所示,该校准系统包括第一获取模块21、生成模块22、第二获取模块23、更新模块24、计算模块25、比较模块26、输出模块27以及校准模块28;
第一获取模块21用于获取多个子级ADC的采样点数据;
本实施例中,从流水线型ADC中获取一定数量的采样点数据,采样点数据的数量是由判断粒子点性能的标准决定的。
生成模块22用于根据采样点数据生成多个粒子点;
本实施例中,如果采用非杂散动态范围作为衡量粒子点性能的标准,例如,采样点数据的数量可以选取8192或者16384,方便利用快速傅里叶变换计算无杂散动态范围。因本实例在计算粒子点性能时不采用各子级ADC输出的原始数据,故在获取到采样点数据之前需要对原始数据进行一定的处理使其满足计算所需。
第二获取模块23用于获取每个粒子点的当前各阶误差系数、每个粒子点的历史最优各阶误差系数以及多个粒子点中的历史最优各阶误差系数;
本实施例中,粒子点的各阶误差系数即为粒子点的位置信息。
需要说明的是,获取的每个粒子点的当前各阶误差系数是预设值并非实际值。
更新模块24用于根据当前各阶误差系数、每个粒子点的历史最优各阶误差系数以及多个粒子点中的历史最优各阶误差系数更新得到每个粒子点的目标各阶误差系数;
本实施例中,将每个粒子点的当前各阶误差系数(即当前位置信息)和此粒子点的历史最优各阶误差系数(即此粒子点的历史性能最优的点的位置信息)以及多个粒子点中的历史最优各阶误差系数(即群体粒子最优的点的位置信息)进行比较,通过这两个历史最优点确定此粒子点的当前移动速度,通过当前移动速度决定该粒子点在这次迭代过程中目标各阶误差系数(即最后的位置信息)。对于所有的N个粒子点,在一次迭代过程中都需要完成其位置信息的更新,通过不断迭代更新所有粒子点的位置信息搜寻实际的误差位置信息。
计算模块25用于根据采样点数据以及目标各阶误差系数计算每个粒子点的当前性能参数值;
本实施例中,根据实际情况选择合适的性能参数来表征粒子点的性能。
本实施例中,根据采样点数据以及目标各阶误差系数即可计算得到依据目前粒子点所包含的各阶误差系数而可以产生的校准后性能(即当前性能参数值)。此处计算出的校准后性能即作为本实例比较迭代的依据。
比较模块26用于将当前性能参数值与每个粒子点的历史最优性能参数值以及多个粒子点中的历史最优性能参数值进行比较,以得到每个粒子点的目标历史最优性能参数值;
输出模块27用于输出目标历史最优性能参数值对应的目标粒子点的各阶误差系数;
校准模块28用于根据目标粒子点的各阶误差系数校准多个子级ADC的输出数据,以得到校准后的输出数据。
本实施例中,将目标粒子点的各阶误差系数与多个子级ADC的输出数据进行重构,即将输出的目标粒子点的各阶误差系数注入流水线型ADC的重构链路中,以根据目标粒子点的各阶误差系数消除流水线型ADC的各阶线性及非线性误差,进而达到对流水线型ADC出现的线性误差以及非线性误差进行校准的目的。
需要说明的是,本实施例实现流水线型ADC线性及非线性误差的校准系统可以在片外利用计算机或者CPU执行,也可以用ASIC实现。
本实施例中,例如,可以通过外置的CPU或者计算机去对两组信号进行迭代运算。该方法下的重构包括迭代运算等步骤可以由高级语言程序来完成。也可以通过专用ASIC电路,通过设计专门的重构单元,计算模块,比较迭代模块来完成此优化的粒子群优化算法的功能。
在具体实施过程中,对于使用外置的CPU或者计算机的方式,该方式通过第一获取模块中的第一获取单元从流水线型ADC的各级中获取粒子群优化算法所需的各子级ADC输出数据,外置的CPU或者计算机通过预先在CPU或者计算机中储存编译好的高级语言程序对从第一获取单元中获取到的各子级ADC信号进行粒子群优化算法的计算和迭代处理,并在得到结果后对各子级ADC的输出数据进行重构,得到经过校准的整体ADC信号。再通过预设的外置接口输出经过校准的ADC信号;
对于使用ASIC电路的方式,通过重构单元对获取到的输出数据进行重构处理,得到对采样粒子进行运算的所需要的数据;通过计算模块计算每个粒子点在新一次迭代之后,消除目前的粒子点性质所代表的误差,而后计算并存储其信噪比或者无杂散动态范围等数值。存储各个粒子点当前最新迭代情况下的各阶误差系数和相应的信噪比、无杂散动态范围或者其他衡量粒子点性能的因素值、各个粒子点历史最优情况下各阶误差系数和相应衡量粒子点性能的因素值以及采样粒子群总体历史最好的情况下对应的各阶误差系数和相应衡量粒子点性能的因素。
通过比较模块比较衡量粒子点性能的因素值,其中需要将当前粒子点性能分别和该粒子点历史最好情况以及群体历史最好情况进行比较,最后根据粒子群优化算法对粒子点的移动速度对粒子点的各阶误差系数进行更新调整;再通过输出模块和校准模块选取粒子群历史上性能最优的点,将其对应的各阶误差系数视作需要校准的ADC的实际各阶误差系数,对信号进行重构,从信号中减去对应的各阶误差,得到校准后的ADC信号。
在一可实施的方案中,如图4所示,该校准系统还包括第三获取模块29和判断模块30;
第三获取模块29用于获取更新比较迭代次数;
判断模块30用于判断更新比较迭代次数是否大于预设更新比较迭代次数,若是,则调用输出模块27和校准模块28;若否,则调用更新模块24;
更新模块24用于重新执行根据当前各阶误差系数、每个粒子点的历史最优各阶误差系数以及多个粒子点中的历史最优各阶误差系数更新得到每个粒子点的目标各阶误差系数。
本实施例中,预设更新比较迭代次数根据实际情况进行设置。
本实施例中,判断更新比较迭代的次数是否已经达到了预设的次数,若没有达到继续重复上述迭代过程,若达到了选取群体历史性能最优点,看其是否达到所需性能要求,如果没达到,再进行迭代,直至达到性能要求后,将此粒子点的位置信息作为各阶误差系数注入输出重构链路中。
在一可实施的方案中,如图4所示,第一获取模块21包括第一获取单元211、重构单元212以及第二获取单元213;
第一获取单元211用于获取多个子级ADC的输出数据;
重构单元212用于对输出数据进行重构,以得到重构后的输出数据;
第二获取单元213用于从重构后的输出数据中获取多个子级ADC的采样点数据。
本实施例中,获取pipelined ADC各子级ADC得输出数据(即输出信号),并根据需要校准的部分对各子级ADC的输出数据进行重构,得到重构后的输出数据;从重构后的输出数据中获取多个子级ADC的采样点数据,
需要说明的是,重构后的输出数据之间存在一个多项式关系,其各次系数即所需要得到的各阶误差系数。利用优化后的粒子群优化算法进行迭代运算,进而得到各阶误差的系数校准值;
在一可实施的方案中,如图4所示,生成模块22包括第三获取单元221和生成单元222;
第三获取单元221用于获取采样点数据对应的粒子点范围;
生成单元222用于在粒子点范围内生成多个粒子点。
本实施例中,在粒子点范围内随机产生N个初始粒子点,每个粒子点的位置信息为(a1,a3,a5,a7),该位置信息代表此粒子点对应的各阶误差系数,这些粒子点的维度,由其需要校准的误差阶数决定。例如,粒子点的维度是(a1,a3,a5,a7),代表该粒子点的位置信息中含有线性误差以及三、五、七非线性误差的系数信息,即通过该粒子点的优化过程可以达到校准流水线型ADC各阶数误差的目的。
需要说明的是,通过设置上述粒子点的维度可以比较灵活地选择进行校准的误差阶数。
另外,根据无杂散动态范围等因素计算出粒子点的一、三、五、七等各阶误差系数。
在一可实施的方案中,如图4所示,更新模块24包括第一比较单元241、、第二比较单元242、第一更新单元243;
第一比较单元241用于将每个粒子点的当前各阶误差系数与每个粒子点的历史最优各阶误差系数进行比较,以得到每个粒子点的第一移动速度;
第二比较单元242用于将当前各阶误差系数与多个粒子点中的历史最优各阶误差系数进行比较,以得到每个粒子点的第二移动速度;
第一更新单元243用于根据第一移动速度以及第二移动速度更新当前各阶误差系数,以得到目标各阶误差系数。
在具体实施过程中,在得到每个粒子点的第一移动速度后,可以根据第一移动速度更新对应粒子点的当前各阶误差系数,以得到更新后的当前误差系数;将更新后的当前各阶误差系数与多个粒子点中的历史最优各阶误差系数进行比较,以得到每个粒子点的第二移动速度;根据第二移动速度更新更新后的当前误差系数,以得到目标各阶误差系数。
在一可实施的方案中,如图4所示,比较模块26包括第三比较单元261、第四比较单元262、第一确定单元263以及第二确定单元264;
第三比较单元261用于比较每个粒子点的当前性能参数值是否大于每个粒子点的历史最优性能参数值;若是,则调用第四比较单元262;
第四比较单元262用于比较每个粒子点的当前性能参数值是否大于多个粒子点中的历史最优性能参数值,若是,则调用第一确定单元263;
第一确定单元263用于将每个粒子点的当前性能参数值作为每个粒子点的目标历史最优性能参数值;
若每个粒子点的当前性能参数值是不大于多个粒子点中的历史最优性能参数值,则调用第二确定单元264;
第二确定单元264用于将多个粒子点中的历史最优性能参数值作为每个粒子点的目标历史最优性能参数值。
在一可实施的方案中,如图4所示,比较模块26还包括第五比较单元265、第三确定单元266以及第四确定单元267;
若每个粒子点的当前性能参数值不大于每个粒子点的历史最优性能参数值,则调用第五比较单元265;
第五比较单元265用于比较每个粒子点的历史最优性能参数值是否大于多个粒子点中的历史最优性能参数值,若是,则调用第三确定单元266;若否,则调用第四确定单元267;
第三确定单元266用于将每个粒子点的历史最优性能参数值作为每个粒子点的目标历史最优性能参数值;
第四确定单元267用于将多个粒子点中的历史最优性能参数值作为每个粒子点的目标历史最优性能参数值。
本实施例中,先将粒子点的当前性能参数值与该粒子点的历史最优性能参数值比较,如果当前性能更好,则用该粒子点的当前性能代替历史最优性能。再将各个粒子点更新后的历史最优性能互相比较得到目前这些粒子点中历史最优性能最好的一个粒子点,再将目前这些粒子点中历史最优性能最好的一个粒子点的对应性能和群体历史最优点性能(即多个粒子点的历史最优性能)比较,以确定出目标历史最优性能参数值。
在具体实施过程中,流水线型ADC(pipelined ADC)是通过较低位数的子级ADC级联对模拟输入信号进行流水线式的量化,最终输出相应的数字码。需要说明的是,子级ADC多用flash ADC,也可以使用SAR ADC等。子级ADC间通过残差放大器相连,残差放大器将上一级的ADC未能量化为数字码的模拟信号放大,传递给下一级Flash ADC,进行后续的量化,即后面子级ADC的输入是前级模拟余量的放大值。经过多级子级ADC的量化后,最终由数字校正模块进行时间对齐和数字纠错,并将每一级子级ADC的数字输出码进行组合,得到整个Pipelined ADC的N位数字输出码,也就是整个ADC与模拟输入信号对应的数字输出数据。
图3是一个N级流水线型ADC的结构框图,拟输入信号Vin可以根据各子级ADC的数字
输出数据(即输出码)由下列公式(1)还原得到:
式中,DN表示第N级的数字输出码,GN-1表示第N与第N+1级之间的级间残差放大器的增益,
Vref表示参考电压。该式可以根据数字输出码还原为模拟输入信号Vin。
其中,各子级ADC和放大器在工作过程中都会因为模拟器件本身的一些性质产生
一定的误差,其主要表现为:最主要能产生线性和各阶非线性误差的主要是各级级间放大
器,各子级ADC也会有一定影响。在理想情况下,进入第一级间放大器的信号R1(t)经过后续
的子级ADC处理之后,进入特定链路节点的信号依旧应该是R1(t)。但因为以上提到的误差
因素,会导致该节点的信号在没经过校准前会变现为公式(2)所示:其中 a1表示放大器的放大倍数和其线性
误差系数之和, aN表示其余各阶非线性误差的系数值。
本实施例可以同时对流水线型ADC的整体或其中一个部分的各阶误差进行校准,一次可针对多阶误差进行校准而不需要增加模块,减少了设计的冗余度,也使在不同阶数校准时遇到的问题得到简化处理。
需要说明的是,本实施例不需要收集非常大量的采样点数据,本实施例对于采样点数量的要求比较低,只需要对一段较短信号进行几百到几千次的采样,获得这些采样点所需的有关信息即可,避免了浪费大量信号以及在较长一段时间内校准结果可能使信号畸变的可能性。
另外,本实施例既可以适用于前台,也可以适用于后台校准。既可以用作前台校准通过注入比较特殊的序列来使校准的可实现性更高,校准完成的时间更快。也可以用作后台校准,在不影响流水线型ADC以及其他电路模块工作情况下进行校准。并且因为算法的特殊性,可以在不断迭代的过程中根据性能判断流水线型ADC性能是否提升,以及在性能达到要求后再通过重构使校准信息注入到正常工作的链路中,进而提升校准的稳定性。
本实施例通过获取多个子级ADC的采样点数据,采用粒子群优化算法对采样点数据进行迭代运算,以得到目标历史最优性能参数值对应的目标粒子点的各阶误差系数,进而基于目标粒子点的各阶误差系数对多个子级ADC的输出数据进行校准,实现了对流水线型ADC的线性及非线性误差的校准,提高了校准效率以及校准的精准度。
实施例3
图5为本发明实施例3提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现实施例1的流水线型ADC线性及非线性误差的校准方法。图5显示的电子设备30仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备30可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备30的组件可以包括但不限于:上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器,例如随机存取存储器(RAM)321和/或高速缓存存储器322,还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325,这样的程序模块324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1的流水线型ADC线性及非线性误差的校准方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且,模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图5所示,网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的设备30使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现实施例1所提供的流水线型ADC线性及非线性误差的校准方法。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行实现实施例1所述的流水线型ADC线性及非线性误差的校准方法。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种流水线型ADC线性及非线性误差的校准方法,其特征在于,所述流水线型ADC包括多个子级ADC,所述校准方法包括:
获取多个子级ADC的采样点数据;
根据所述采样点数据生成多个粒子点;
获取每个所述粒子点的当前各阶误差系数、每个所述粒子点的历史最优各阶误差系数以及所述多个粒子点中的历史最优各阶误差系数;
根据所述当前各阶误差系数、每个所述粒子点的历史最优各阶误差系数以及所述多个粒子点中的历史最优各阶误差系数更新得到每个所述粒子点的目标各阶误差系数;
根据所述采样点数据以及目标各阶误差系数计算每个所述粒子点的当前性能参数值;
将所述当前性能参数值与每个所述粒子点的历史最优性能参数值以及所述多个粒子点中的历史最优性能参数值进行比较,以得到每个所述粒子点的目标历史最优性能参数值;
输出所述目标历史最优性能参数值对应的目标粒子点的各阶误差系数;
根据所述目标粒子点的各阶误差系数校准所述多个子级ADC的输出数据,以得到校准后的输出数据。
2.如权利要求1所述的流水线型ADC线性及非线性误差的校准方法,其特征在于,所述将所述当前性能参数值与每个所述粒子点的原始历史最优性能参数值以及所述多个粒子点中的历史最优性能参数值进行比较,以得到每个所述粒子点的目标历史最优性能参数值的步骤之后,所述校准方法还包括:
获取更新比较迭代次数;
判断所述更新比较迭代次数是否大于预设更新比较迭代次数,若是,则输出所述目标历史最优性能参数值对应的目标粒子点的各阶误差系数;根据所述目标粒子点的各阶误差系数校准所述多个子级ADC的输出数据,以得到校准后的输出数据;若否,则重新执行根据所述当前各阶误差系数、每个所述粒子点的历史最优各阶误差系数以及所述多个粒子点中的历史最优各阶误差系数更新得到每个所述粒子点的目标各阶误差系数的步骤。
3.如权利要求1所述的流水线型ADC线性及非线性误差的校准方法,其特征在于,所述获取多个子级ADC的采样点数据的步骤包括:
获取所述多个子级ADC的输出数据;
对所述输出数据进行重构,以得到重构后的输出数据;
从所述重构后的输出数据中获取所述多个子级ADC的采样点数据。
4.如权利要求1所述的流水线型ADC线性及非线性误差的校准方法,其特征在于,所述根据所述采样点数据生成多个粒子点的步骤包括:
获取所述采样点数据对应的粒子点范围;
在所述粒子点范围内生成所述多个粒子点。
5.如权利要求1所述的流水线型ADC线性及非线性误差的校准方法,其特征在于,所述根据所述当前各阶误差系数、每个所述粒子点的历史最优各阶误差系数以及所述多个粒子点中的历史最优各阶误差系数更新得到每个所述粒子点的目标各阶误差系数的步骤包括:
将每个所述粒子点的当前各阶误差系数与每个所述粒子点的历史最优各阶误差系数进行比较,以得到每个所述粒子点的第一移动速度;
将所述当前各阶误差系数与所述多个粒子点中的历史最优各阶误差系数进行比较,以得到每个所述粒子点的第二移动速度;
根据所述第一移动速度以及所述第二移动速度更新所述当前各阶误差系数,以得到目标各阶误差系数。
6.如权利要求1所述的流水线型ADC线性及非线性误差的校准方法,其特征在于,所述将所述当前性能参数值与每个所述粒子点的历史最优性能参数值以及所述多个粒子点中的历史最优性能参数值进行比较,以得到每个所述粒子点的目标历史最优性能参数值的步骤包括:
比较每个所述粒子点的当前性能参数值是否大于每个所述粒子点的历史最优性能参数值;若是,则比较每个所述粒子点的当前性能参数值是否大于所述多个粒子点中的历史最优性能参数值,若是,则将每个所述粒子点的当前性能参数值作为每个所述粒子点的目标历史最优性能参数值;若每个所述粒子点的当前性能参数值是不大于所述多个粒子点中的历史最优性能参数值,则将所述多个粒子点中的历史最优性能参数值作为每个所述粒子点的目标历史最优性能参数值。
7.如权利要求6所述的流水线型ADC线性及非线性误差的校准方法,其特征在于,所述将所述当前性能参数值与每个所述粒子点的历史最优性能参数值以及所述多个粒子点中的历史最优性能参数值进行比较,以得到每个所述粒子点的目标历史最优性能参数值的步骤还包括:
若每个所述粒子点的当前性能参数值不大于每个所述粒子点的历史最优性能参数值,则比较每个所述粒子点的原始历史最优性能参数值是否大于所述多个粒子点中的历史最优性能参数值,若是,则将每个所述粒子点的历史最优性能参数值作为每个所述粒子点的目标历史最优性能参数值;若否,则将所述多个粒子点中的历史最优性能参数值作为每个所述粒子点的目标历史最优性能参数值。
8.一种流水线型ADC线性及非线性误差的校准系统,其特征在于,所述流水线型ADC包括多个子级ADC,所述校准系统包括第一获取模块、生成模块、第二获取模块、更新模块、计算模块、比较模块、输出模块以及校准模块;
所述第一获取模块用于获取多个子级ADC的采样点数据;
所述生成模块用于根据所述采样点数据生成多个粒子点;
所述第二获取模块用于获取每个所述粒子点的当前各阶误差系数、每个所述粒子点的历史最优各阶误差系数以及所述多个粒子点中的历史最优各阶误差系数;
所述更新模块用于根据所述当前各阶误差系数、每个所述粒子点的历史最优各阶误差系数以及所述多个粒子点中的历史最优各阶误差系数更新得到每个所述粒子点的目标各阶误差系数;
所述计算模块用于根据所述采样点数据以及目标各阶误差系数计算每个所述粒子点的当前性能参数值;
所述比较模块用于将所述当前性能参数值与每个所述粒子点的历史最优性能参数值以及所述多个粒子点中的历史最优性能参数值进行比较,以得到每个所述粒子点的目标历史最优性能参数值;
所述输出模块用于输出所述目标历史最优性能参数值对应的目标粒子点的各阶误差系数;
所述校准模块用于根据所述目标粒子点的各阶误差系数校准所述多个子级ADC的输出数据,以得到校准后的输出数据。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的流水线型ADC线性及非线性误差的校准方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的流水线型ADC线性及非线性误差的校准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211502952.4A CN115529039B (zh) | 2022-11-29 | 2022-11-29 | 流水线型adc线性及非线性误差的校准方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211502952.4A CN115529039B (zh) | 2022-11-29 | 2022-11-29 | 流水线型adc线性及非线性误差的校准方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115529039A true CN115529039A (zh) | 2022-12-27 |
CN115529039B CN115529039B (zh) | 2023-04-07 |
Family
ID=84704950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211502952.4A Active CN115529039B (zh) | 2022-11-29 | 2022-11-29 | 流水线型adc线性及非线性误差的校准方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115529039B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104426549A (zh) * | 2013-09-11 | 2015-03-18 | 马克西姆综合产品公司 | 具有子adc校准的多步式adc |
CN105426341A (zh) * | 2015-10-29 | 2016-03-23 | 中国科学院力学研究所 | 复杂对象的参数辨识方法和装置 |
CN110880935A (zh) * | 2019-12-11 | 2020-03-13 | 西安邮电大学 | 一种用于高速模数转换器的误差校准方法及系统 |
CN112861338A (zh) * | 2021-02-02 | 2021-05-28 | 西安科技大学 | 基于双目标粒子群算法的粘弹性本构模型参数识别方法 |
-
2022
- 2022-11-29 CN CN202211502952.4A patent/CN115529039B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104426549A (zh) * | 2013-09-11 | 2015-03-18 | 马克西姆综合产品公司 | 具有子adc校准的多步式adc |
CN105426341A (zh) * | 2015-10-29 | 2016-03-23 | 中国科学院力学研究所 | 复杂对象的参数辨识方法和装置 |
CN110880935A (zh) * | 2019-12-11 | 2020-03-13 | 西安邮电大学 | 一种用于高速模数转换器的误差校准方法及系统 |
CN112861338A (zh) * | 2021-02-02 | 2021-05-28 | 西安科技大学 | 基于双目标粒子群算法的粘弹性本构模型参数识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115529039B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107359878B (zh) | 一种基于最小量化误差的流水线adc的前端校准方法 | |
US7477177B2 (en) | A-D converter, A-D convert method, and A-D convert program | |
CN1322404A (zh) | 校准模数变换器的方法以及校准设备 | |
CN107453756B (zh) | 一种用于流水线adc的前端校准方法 | |
US7352306B2 (en) | Analog-to-digital converter with non-linearity compensation | |
US9912342B2 (en) | Flash analog-to-digital converter calibration | |
CN113037287A (zh) | 一种高精度逐次逼近性模数转换器的后台校准方法及系统 | |
CN110880935A (zh) | 一种用于高速模数转换器的误差校准方法及系统 | |
CN113114247A (zh) | 基于比较时间探测器的流水线adc级间增益校准方法 | |
CN102723951B (zh) | 一种具有平移技术的流水线型adc数字后台校正电路 | |
CN115529039B (zh) | 流水线型adc线性及非线性误差的校准方法、系统 | |
WO2017096516A1 (en) | Calibration of interpolating string digital-to-analog converters | |
CN110768671A (zh) | 一种用于逐次逼近型模数转换器的片外校准方法及系统 | |
CN109243637B (zh) | 一种重构反应堆时空分布模型的方法和系统 | |
CN116015292A (zh) | 一种基于全连接神经网络的adc校准方法 | |
CN115589228B (zh) | Pipeline-SAR ADC非线性误差的校准方法、系统 | |
Zhang et al. | A digital calibration technique for N-channel time-interleaved ADC based on simulated annealing algorithm | |
CN109687870B (zh) | 电荷重分配型saradc电容失配校正方法及系统 | |
CN111476356B (zh) | 忆阻神经网络的训练方法、装置、设备及存储介质 | |
CN114584140A (zh) | 一种级间增益误差校准方法、装置、设备及介质 | |
CN115395953A (zh) | 一种精密数字电压波形补偿方法、电子设备及介质 | |
CN114897159A (zh) | 一种基于神经网络的快速推断电磁信号入射角的方法 | |
CN116979965A (zh) | 一种多维度多路模数转换器校准方法、装置及电子设备 | |
Chishtie et al. | Unique determination of the effective potential in terms of renormalization group functions | |
CN116346128A (zh) | 模数转换器的校准方法、系统、电子设备和介质 |
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 |