CN118018017A - 基于插值法和混合式神经网络的adc校准方法及其应用 - Google Patents

Abstract

本发明公开了基于插值法和混合式神经网络的ADC校准方法及其应用，混合式神经网络包括非固定权重线性网络和非线性网络，方法包括：将输入信号以及失调电压输入ADC模块以获得多组第一数字码和第二数字码；将第一数字码和第二数字码分别输入混合式神经网络以获得第一神经网络输出信号和第二神经网络输出信号；基于第一神经网络输出信号和第二神经网络输出信号获得神经网络损失函数以调整混合式神经网络的权重，并基于第一神经网络输出信号和第二神经网络输出信号获得第一数字信号；基于插值法处理第一数字信号以获得输出信号。本发明提高ADC精度，周期性将模拟输入信号切换为第一输入信号以增加输入多样性，通过插值法消除数据缺失对ADC精度的影响。

Description

基于插值法和混合式神经网络的ADC校准方法及其应用

技术领域

本发明是关于ADC后台数字校准领域，尤其涉及一种基于插值法和混合式神经网络的ADC校准方法及其应用。

背景技术

在逐次逼近流水线型模拟数字转换器Pipe SAR ADC中，放大器将上一级转换的残差放大后，交给下一级进行处理。通过残差放大可以减少后级子ADC对整体性能的影响，但放大器的非线性以及有限增益会降低Pipe SAR ADC的精度。同时，由于工艺的制造误差，SAR ADC电容阵列中实际电容的容值之比与理想电容的容值之比存在偏差，这也会降低Pipe SAR ADC精度。

在传统的Pipe SAR ADC设计中，通常会采用闭环形式的跨导放大器来进行残差放大。闭环增益对电源电压、温度和工艺并不敏感，因此能够达到极高的精度，然而，跨导放大器的开环增益会直接影响开关电容电路的闭环增益。如果开环增益较低，会引入较大的增益误差，这将严重影响ADC的精度。此外，为了实现高速度和高精度，跨导放大器需要较高的功耗，这导致在Pipe SAR ADC中，残差放大器成为了主要的功耗来源。为了降低PipeSARADC的功耗，目前一种做法是采用开环形式的gm-R或者gm-C放大器。虽然该放大器只需要消耗很小的功耗就能实现高的速度，但是开环放大器的增益受电源电压，温度，工艺影响大，这严重限制了ADC的精度。因此，无论是开环放大器还是闭环放大器，受限于放大器的增益误差和非线性以及电容的失配，高精度的Pipe SAR ADC通常需要校准。

ADC的校准方式种类繁多，但主要可以分为四类：前台模拟校准、前台数字校准、后台模拟校准以及后台数字校准。随着制造工艺的不断进步和数字电路性能的显著提升，目前的校准技术正逐渐向全数字化的后台自适应校准架构转变。然而现有的数字后台校准方式往往难以同时校准放大器引入的线性误差和非线性误差以及电容失配引入的误差。当前，有一种趋势是在确定性均衡校准技术中使用神经网络算法来取代传统的LMS算法。神经网络算法的一个优势是能够同时校准放大器引入的线性和非线性误差以及电容失配导致的误差。然而，神经网络校准需要大量的数据。对于实时系统，如果输入一直处于直流或者波动范围小时，由于缺乏合适的数据，神经网络难以展现其泛化能力，这降低了其有效性。此外，神经网络可能出现收敛慢或者完全不收敛的情况，这会使得采用神经网络校准的ADC难以跟踪实时PVT变化，进而降低ADC的精度。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种基于插值法和混合式神经网络的ADC校准方法及其应用，其能够提高ADC输出信号的精度，同时校准放大器引入的非线性误差、线性误差以及电容失配导致的误差。

为实现上述目的，本发明的实施例提供了一种基于插值法和混合式神经网络的ADC校准方法，所述混合式神经网络包括非固定权重线性网络和非线性网络，所述方法包括：

将输入信号以及失调电压输入ADC模块以获得多组第一数字码和第二数字码；

将第一数字码和第二数字码分别输入混合式神经网络以获得第一神经网络输出信号和第二神经网络输出信号；

基于第一神经网络输出信号和第二神经网络输出信号获得神经网络损失函数以调整混合式神经网络的权重，并基于第一神经网络输出信号和第二神经网络输出信号获得第一数字信号；

基于插值法处理第一数字信号以获得输出信号。

在本发明的一个或多个实施方式中，所述ADC模块包括第一逐次逼近流水线型ADC和第二逐次逼近流水线型ADC；

所述将输入信号以及失调电压输入ADC模块以获得多组第一数字码和第二数字码包括：

将输入信号以及反向失调电压输入第一逐次逼近流水线型ADC进行模数转换以获得第一数字码；

将输入信号以及正向失调电压输入第二逐次逼近流水线型ADC进行模数转换以获得第二数字码。

在本发明的一个或多个实施方式中，所述ADC模块包括第三逐次逼近流水线型ADC；

所述将输入信号以及失调电压输入ADC模块以获得多组第一数字码和第二数字码包括：将输入信号以及正向失调电压输入第三逐次逼近流水线型ADC进行模数转换以获得第一数字码；

将输入信号以及反向失调电压输入第三逐次逼近流水线型ADC进行模数转换以获得第二数字码。

在本发明的一个或多个实施方式中，所述方法包括：

将所述第一数字码的除最高有效位信号以外的其余有效位信号输入混合式神经网络以获得第一神经网络输出信号，将第二数字码输入混合式神经网络以获得第二神经网络输出信号；

基于第一神经网络输出信号、第二神经网络输出信号和第一数字码的最高有效位信号获得神经网络损失函数，并基于神经网络损失函数调整混合式神经网络的权重。

在本发明的一个或多个实施方式中，所述方法还包括：基于第一神经网络输出信号、第二神经网络输出信号和第一数字码的最高有效位信号获得第一数字信号。

在本发明的一个或多个实施方式中，所述方法包括：

所述混合式神经网络还包括固定权重线性网络，所述方法包括：

将第一数字码的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第一数字码的其余有效位信号输入固定权重线性网络以获得第一神经网络输出信号；

将第二数字码的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第二数字码的其余有效位信号输入固定权重线性网络以获得第二神经网络输出信号。

在本发明的一个或多个实施方式中，所述方法还包括：基于第一神经网络输出信号和第二神经网络输出信号获得第一数字信号。

本发明还提供一种基于插值法和混合式神经网络的ADC校准方法，所述混合式神经网络包括非固定权重线性网络和非线性网络，所述方法包括：

将输入信号输入ADC模块以获得第一数字码和第二数字码；

将第一数字码输入混合式神经网络以获得第一神经网络输出信号；

基于第一神经网络输出信号和第二数字码获得神经网络损失函数以调整混合式神经网络的权重，并基于第一神经网络输出信号获得第一数字信号；

基于插值法处理第一数字信号以获得输出信号。

在本发明的一个或多个实施方式中，所述ADC模块包括第四逐次逼近流水线型ADC和参考ADC，将输入信号输入第四逐次逼近流水线型ADC进行模数转换以获得第一数字码，将输入信号输入参考ADC进行模数转换以获得第二数字码。

在本发明的一个或多个实施方式中，所述方法还包括：

所述混合式神经网络还包括固定权重线性网络，所述方法包括：

将第一数字码的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第一数字码的其余有效位信号输入固定权重线性网络以获得第一神经网络输出信号。

在本发明的一个或多个实施方式中，所述输入信号包括第一输入信号和模拟输入信号，所述第一数字信号包括多组基于模拟输入信号获得的第一信号和基于第一输入信号获得的第二信号；

所述将输入信号输入ADC模块包括：将模拟输入信号输入ADC模块，并周期性将模拟输入信号切换为第一输入信号；

所述基于插值法处理第一数字信号以获得输出信号包括：基于多组第一信号进行插值运算以获得第三信号，并将第一数字信号中的第二信号替换为第三信号。

本发明还提供基于插值法和混合式神经网络的ADC校准系统，基于任一实施方式所述的基于插值法和混合式神经网络的ADC校准方法，所述系统包括ADC模块、混合式神经网络校准模块和插值法校准模块；

所述ADC模块用于基于输入信号以及失调电压获得第一数字码和第二数字码；

所述混合式神经网络校准模块用于将第一数字码和第二数字码分别输入混合式神经网络以获得第一神经网络输出信号和第二神经网络输出信号，并基于第一神经网络输出信号和第二神经网络输出信号获得第一数字信号；

所述混合式神经网络校准模块还用于基于第一神经网络输出信号和第二神经网络输出信号获得神经网络损失函数以调整混合式神经网络的权重；

所述插值法校准模块用于基于插值法处理多组第一数字信号以获得输出信号。

本发明还提供一种基于插值法和混合式神经网络的ADC校准系统，基于任意一项实施方式所述的基于插值法和混合式神经网络的ADC校准方法，所述系统包括ADC模块、混合式神经网络校准模块和插值法校准模块；

所述ADC模块用于基于输入信号获得第一数字码和第二数字码；

所述混合式神经网络校准模块用于将第一数字码输入混合式神经网络以获得第一神经网络输出信号，并基于第一神经网络输出信号获得第一数字信号；

所述混合式神经网络校准模块还用于基于第一神经网络输出信号和第二数字码获得神经网络损失函数以调整混合式神经网络的权重；

所述插值法校准模块用于基于插值法处理第一数字信号以获得输出信号。

与现有技术相比，根据本发明实施方式的基于插值法和混合式神经网络的ADC校准方法及其应用，可以显著提高ADC的精度，混合式神经网络中的线性网络负责校准电容失配和放大器增益误差引入的线性误差，混合式神经网络中的非线性神经网络负责校准放大器非线性引入的非线性误差，使得非线性神经网络仅需处理线性网络无法处理的非线性部分，从而提高了神经网络的收敛速度。本发明的混合神经网络还通过引入固定权重模块从而提高混合神经网络的收敛稳定性。本发明选取其中一个待校准ADC输出的数字码的最高位输出信号作为神经网络的目标输出，有效克服了神经网络陷入零解的问题。为了解决神经网络需要大量数据的问题，本发明将模拟输入信号输入ADC模块并获得对应的第一数字输出信号，并周期性将模拟输入信号切换为电路内部提供的第一输入信号并获得对应的第一数字输出信号，以增加输入的多样性。同时，利用插值法来补充那些被跳过的模拟输入信号对应的第一数字输出信号，从而消除由于数据缺失对ADC精度的影响。本发明提出的混合式神经网络ADC校准模块相比传统的神经网络ADC校准模块具有更低的复杂度以及充足的收敛稳定性。

附图说明

图1是根据本发明实施例1的基于插值法和混合式神经网络的ADC校准方法的流程图；

图2是根据本发明实施例1的基于插值法和混合式神经网络的ADC校准方法的校准基于分裂结构的ADC模块与混合式神经网络连接示意图；

图3是本发明一实施方式的基于分裂结构的ADC模块的基于插值法和混合式神经网络的ADC校准方法校准后与未校准的输出频谱对比图；

图4为下极板采样的SAR ADC；

图5是根据本发明一实施方式的逐次逼近流水线型ADC结构框图；

图6是根据本发明实施例2的基于插值法和混合式神经网络的ADC校准方法的校准基于分裂结构的ADC模块与混合式神经网络连接示意图；

图7是根据本发明实施例3的基于插值法和混合式神经网络的ADC校准方法的校准基于失调双转换方法的ADC模块与混合式神经网络连接示意图；

图8是根据本发明实施例4的基于插值法和混合式神经网络的ADC校准方法的校准基于失调双转换方法的ADC模块与混合式神经网络连接示意图；

图9是本发明一实施方式的基于失调双转换方法的ADC模块的基于插值法和混合式神经网络的ADC校准方法校准后与未校准的输出频谱对比图；

图10是根据本发明实施例5的基于插值法和混合式神经网络的ADC校准方法的流程图；

图11是根据本发明实施例5的基于插值法和混合式神经网络的ADC校准方法的校准基于参考ADC的ADC模块与混合式神经网络连接示意图；

图12是根据本发明实施例6的基于插值法和混合式神经网络的ADC校准方法的校准基于参考ADC的ADC模块与混合式神经网络连接示意图；

图13是根据本发明实施例7的基于插值法和混合式神经网络的ADC校准方法的输入信号示意图；

图14是根据本发明实施例8的基于插值法和混合式神经网络的ADC校准系统的结构示意图；

图15是根据本发明实施例8的基于插值法和混合式神经网络的ADC校准系统的基于振荡器的输入信号产生模块的示意图；

图16是根据本发明实施例8的张弛振荡器的结构图以及各点对应的波形图；

图17是根据本发明实施例8的基于插值法和混合式神经网络的ADC校准系统的基于数字正弦波的输入信号产生模块的示意图；

图18是根据本发明实施例8的基于插值法和混合式神经网络的ADC校准系统的基于数字三角波的输入信号产生模块的示意图；

图19是根据本发明实施例8的基于插值法和混合式神经网络的ADC校准系统的基于全摆幅波形的输入信号产生模块的示意图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

实施例1

如图1所示，本发明提供一种基于插值法和混合式神经网络的ADC校准方法，方法包括：

将输入信号Vin和失调电压输入ADC模块以获得多组第一数字码d_A和第二数字码d_B。

将第一数字码d_A和第二数字码d_B分别输入混合式神经网络以获得第一神经网络输出信号S21和第二神经网络输出信号S22。可以理解的是，混合式神经网络包括非固定权重线性网络和非线性网络。可以理解的是，非固定权重线性网络的权重是可调的，非固定权重线性网络负责校准电容失配和放大器增益误差引入的线性误差，而非线性网络负责校准放大器非线性引入的非线性误差。

基于第一神经网络输出信号S21和第二神经网络输出信号S22获得神经网络损失函数Error以调整混合式神经网络的权重，并基于第一神经网络输出信号和第二神经网络输出信号获得第一数字信号digital out。

基于插值法处理第一数字信号digital out以获得输出信号Vout。

如图2所示，一实施方式中，ADC模块为基于分裂结构的ADC，即ADC模块包括第一逐次逼近流水线型ADC和第二逐次逼近流水线型ADC，即分别为图中所示ADC A和ADC B。

将输入信号Vin以及反向失调电压-Vos输入第一逐次逼近流水线型ADC进行模数转换以获得第一数字码d_A。

将输入信号以及正向失调电压Vos输入第二逐次逼近流水线型ADC进行模数转换以获得第二数字码d_B。在可选地其他实施方式中，可以将输入信号Vin以及正向失调电压Vos输入第一逐次逼近流水线型ADC进行模数转换以获得第一数字码d_A，将输入信号以及反向失调电压-Vos输入第二逐次逼近流水线型ADC进行模数转换以获得第二数字码d_B。

一实施方式中，将第一数字码d_A的除最高有效位信号d_A[1]以外的其余有效位信号输入混合式神经网络21以获得第一神经网络输出信号S21，即将图中所示d_A[2～N]输入混合式神经网络21以获得第一神经网络输出信号S21，将第二数字码d_B的全部有效位输入混合式神经网络22以获得第二神经网络输出信号S22，即将图中所示d_B[1～N]输入混合式神经网络22以获得第一神经网络输出信号S22。

一实施方式中，基于第一神经网络输出信号S21、第二神经网络输出信号S22和第一数字码的最高有效位信号d_A[1]获得神经网络损失函数Error，并基于神经网络损失函数调整混合式神经网络的权重。

可以理解的是，将第一数字码d_A和第二数字码d_B输入网络结构相同的混合式神经网络，即图2中所示的混合式神经网络21和混合式神经网络22的网络结构相同，混合式神经网络22在图中仅为简化示意。两个混合式神经网络输出的不一致性可以作为损失函数，即一实施方式中第一神经网络输出信号S21、第一数字码的最高有效位信号d_A[1]与第二神经网络输出信号S22之间的差值作为神经网络损失函数Error，并通过反向传播算法调整网络权重，使得两个混合式神经网络的输出逐渐趋向一致，当校准完成时，两个网络输出的数据将完全一致。本实施例将第一数字码d_A的最高有效位信号d_A[1]作为混合式神经网络的一个目标输出，有效克服了混合式神经网络陷入零解的问题。

如图3所示，与未校准的输出频谱相比，经过本发明实施例1提供的基于插值法和混合式神经网络的ADC校准方法校准后，ADC模块的输出精度更高。

如图4所示的下极板采样的SAR ADC，该结构可作为Pipe SAR ADC的子ADC，以该结构说明Pipe SAR ADC中误差的来源。

在采样阶段，所有电容上极板接共模电压V_cm，电容下极板接输入信号V_in。在量化阶段，电容上极板的开关断开，电容上极板的电荷为 在第一次量化时，MSB电容C₆切换到V_ref，其他电容接GND，此时电容上极板电荷为根据电容上极板的电荷守恒，电荷上极板的电压V_x为

因为DAC电容由按公比为2的等比数列的电容组成，即C_i+1＝2C_i(i＝1～5)，其中C₀(C₀＝C₁)为冗余电容，只参与采样，在量化阶段不发生切换。因此，在第一次量化时，电容上极板电压为

在电容上极板电压建立完成后，开始进行第一次比较。当 大于0，MSB电容切回GND。若小于零，MSB电容保持不变。接着对次高位电容完成相同的操作，即电容上极板的电压增加/>然后进行比较。转换过程结束后电容上极板剩余的残差电压为

其中b_i由比较器比较的结果给出。在子ADC转换完成后，需要将残差进行放大，假如放大增益为-Gain，则经过放大的残差电压为

该电压便为第二级的输入电压，该电压经过第二级子ADC转换后，最终的残差电压为

因此输入信号V_in可由b_i(i＝1～n)及对应的权重表示：

因为电容失配和增益误差，和/>的实际值将与理想值有所区别，若不对此进行校准，在频谱上将会表现出输入信号的谐波，严重降低ADC的精度。若放大增益为非线性，即放大器的输入输出特性为

f(x)＝a₁x+a₂x²+a₃x³+…+a_nxⁿ

图5为考虑了放大器非线性之后的逐次逼近流水线型ADC结构框图。在Pipe SARADC中的第一级子ADC转换完成后，需要将残差进行放大，因为放大器是非线性的，故放大后的残差电压为：

该电压便为第二级的输入电压，该电压经过第二级子ADC转换后，最终的残差电压为

因此输入信号V_in可由b_i(i＝1～n)及对应的权重表示，其中f^-1()表示放大器输入输出特性f()的反函数。

将f^-1拆解为线性部分与非线性部分，即

本实施例提出的混合式神经网络能同时校准存在于Pipe SAR ADC中的线性误差与非线性误差。混合式神经网络由线性网络与非线性神经网络组成，线性网络负责校准电容失配和放大器增益误差引入的线性误差，而非线性神经网络则负责校准放大器非线性引入的非线性误差。因为ADC的线性部分主要由线性网络负责，而非线性部分则由神经网络负责，这使得神经网络仅需处理线性网络无法处理的非线性部分，即剩余的残差，从而提高了神经网络的收敛速度。

下面说明本实施例中混合式神经网络校准的原理，根据前文推导，输入信号V_in可以表示为线性部分与非线性部分的组合，

其中d为根据比较器结果获得的数字码向量，表示线性部分对应权重向量的估计值，/>表示非线性部分即神经网络权重矩阵的估计值，参数/>与真实值w，p的差别可以表示为

因为输入信号V_in经过第一逐次逼近流水线型ADC和第二逐次逼近流水线型ADC时都会注入一定失调，注入正失调电压的第二神经网络输出信号可以表示为

将上式进一步化简，可以表示为

OUT_pos＝f_linear(d_a,w_a)+f_Nonlinear(d_a,p_a)+f_linear(d_os,w_a)+f_Nonlinear(d_os,p_a)+f_linear(d_a,w_a·Δ_w,a)+f_linear(d_os,w_a·Δ_w,a)+f_Nonlinear(d_a,p_a·Δ_p,a)+f_Nonlinear(d_os,p_a·Δ_p,a)

注入负失调电压的第一神经网络输出信号可以表示为

将上式进一步化简，可以表示为

OUT_neg＝＝f_linear(d_b,w_b)+f_Nonlinear(d_b,p_b)+f_linear(-d_os,w_b)+f_Nonlinear(d_os,p_b)+f_linear(d_b,w_b·Δ_w,b)+f_linear(-d_os,w_b·Δ_w,b)+f_Nonlinear(d_b,p_b·Δ_p,b)+f_Nonlinear(-d_os,p_b·Δ_p,b)

因为V_os＝f_linear(d_os,w)+f_Nonlinear(d_os,p)

故

OUT_pos-OUT_neg

＝2·V_os+f_linear(d_a,w_a·Δ_w,a)+f_linear(d_os,w_a·Δ_w,a)+f_Nonlinear(d_a,p_a·Δ_p,a)+f_Nonlinear(d_os,p_a·Δ_p,a)-(f_linear(d_b,w_b·Δ_w,b)+f_linear(-d_os,w_b·Δ_w,b)+f_Nonlinear(d_b,p_b·Δ_p,b)+f_Nonlinear(-d_os,p_b·Δ_p,b))

因为2·V_os固定为常数，可以由本实施例提出的混合式神经网络的偏置项表示。当时，OUT_pos-OUT_neg将为零，而OUT_pos-OUT_neg的任意非零值即表示校准未完成，故其值可以作为误差函数并通过反向传播算法逐步更新估计值/>和/>使之接近实际值。

实施例2

如图6所示，本实施例与实施例1的区别之处在于：混合式神经网络除了非固定权重线性网络和非线性网络以外，还包括固定权重线性网络。本实施例所提的基于插值法和混合式神经网络的ADC校准方法中：将第一数字码d_A的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第一数字码d_A的其余有效位信号输入固定权重线性网络以获得第一神经网络输出信号S21。

将第二数字码d_B的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第二数字码d_B的其余有效位信号输入固定权重线性网络以获得第二神经网络输出信号S22。

基于第一神经网络输出信号和第二神经网络输出信号获得神经网络损失函数，并基于神经网络损失函数调整混合式神经网络的权重。可以理解的是，在此处调整混合式神经网络的权重指的是，基于神经网络损失函数调整非固定权重线性网络和非线性网络组成的整体的权重。

可以理解的是，输入非固定权重线性网络和非线性网络的数字码为第一数字码d_A的前1～B位的有效位信号即d_A[1～B]，将其余有效位信号即d_A[(B+1)～N]输入固定权重线性网络；输入非固定权重线性网络和非线性网络的数字码为第二数字码d_B的前1～B位的有效位信号即d_B[1～B]，将其余有效位信号即d_B[(B+1)～N]输入固定权重线性网络。其中，B的值基于本领域技术人员对ADC输出结果精度的需要进行设定。

本实施例将ADC的数字码分为两部分，一部分输入至非固定权重线性网络和非线性网络，一部分输入固定权重线性网络，非固定权重线性网络和非线性网络的输出以及固定权重线性网络的输出相加得到最终的输出结果。因为数字码的高位部分对ADC的精度影响最大，所以输入非固定权重线性网络和非线性网络的数字码为数字码的高位部分，输入固定权重线性网络的数字码为数字码的低位部分。本实施例的优点是更容易收敛，更具有稳定性。

进一步地，基于第一神经网络输出信号S21和第二神经网络输出信号S22获得第一数字信号digital out。

实施例3

如图7所示，一实施方式中，ADC模块为基于双转换的ADC模块，即ADC模块包括第三逐次逼近流水线型ADC，即图5中所示Single ADC，第三逐次逼近流水线型ADC用于对同一组输入信号Vin采样后进行两次模数转换，并且在两次转换过程中分别接收相反的失调电压以获得第一数字码和第二数字码。

一实施方式中，将输入信号Vin以及正向失调电压Vos输入第三逐次逼近流水线型ADC进行模数转换以获得第一数字码d_A。

将输入信号Vin以及反向失调电压-Vos输入第三逐次逼近流水线型ADC进行模数转换以获得第二数字码d_B。可以理解的是，在可选地其他实施方式中，可以将输入信号Vin以及反向失调电压-Vos输入第一逐次逼近流水线型ADC进行模数转换以获得第一数字码d_A，将输入信号以及正向失调电压Vos输入第二逐次逼近流水线型ADC进行模数转换以获得第二数字码d_B。

如图7所示，一实施方式中，在第三逐次逼近流水线型ADC对同一组输入信号Vin采样并进行两次模数转换后，分别对两次模数转换所得到的信号进行两倍的降采样以得到第一数字码d_A和第二数字码d_B。

将第一数字码d_A和第二数字码d_B分别输入混合式神经网络以获得第一神经网络输出信号S21和第二神经网络输出信号S22。可以理解的是，混合式神经网络包括非固定权重线性网络和非线性网络。非固定权重线性网络负责校准电容失配和放大器增益误差引入的线性误差，而非线性网络则负责校准放大器非线性引入的非线性误差。

基于第一神经网络输出信号S21和第二神经网络输出信号S22获得神经网络损失函数Error以调整混合式神经网络的权重，并基于第一神经网络输出信号和第二神经网络输出信号获得第一数字信号digital out。

基于插值法处理第一数字信号digital out以获得输出信号。

实施例4

如图8所示，本实施例与实施例3的区别之处在于：混合式神经网络除了非固定权重线性网络和非线性网络以外，还包括固定权重线性网络。本实施例所提的基于插值法和混合式神经网络的ADC校准方法中：将第一数字码d_A的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第一数字码d_A的其余有效位信号输入固定权重线性网络以获得第一神经网络输出信号S21。

将第二数字码d_B的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第二数字码d_B的其余有效位信号输入固定权重线性网络以获得第二神经网络输出信号S22。

基于第一神经网络输出信号和第二神经网络输出信号获得神经网络损失函数，并基于神经网络损失函数调整混合式神经网络的权重。可以理解的是，在此处调整混合式神经网络的权重指的是，基于神经网络损失函数调整非固定权重线性网络和非线性网络组成的整体的权重。

可以理解的是，输入混合式神经网络的数字码为第一数字码d_A的前1～B位的有效位信号即d_A[1～B]，将其余有效位信号即d_A[(B+1)～N]输入固定权重的线性网络；输入混合式神经网络的数字码为第一数字码d_B的前1～B位的有效位信号即d_B[1～B]，将其余有效位信号即d_B[(B+1)～N]输入固定权重的线性网络。其中，B的值基于本领域技术人员对ADC输出结果精度的需要进行设定。

本实施例将ADC的数字码分为两部分，一部分输入至非固定权重线性网络和非线性网络，一部分输入固定权重线性网络，非固定权重线性网络和非线性网络的输出以及固定权重线性网络的输出相加得到最终的输出结果。因为数字码的高位部分对ADC的精度影响最大，所以输入非固定权重线性网络和非线性网络的数字码为数字码的高位部分，输入固定权重线性网络的数字码为数字码的低位部分。本实施例的优点是更容易收敛，更具有稳定性。

进一步地，基于第一神经网络输出信号S21和第二神经网络输出信号S22获得第一数字信号digital out。

如图9所示，与未校准的输出频谱相比，经过本发明实施例1和3提供的基于插值法和混合式神经网络的ADC校准方法校准后，ADC模块的输出精度更高。

实施例5

如图10所示，本实施例提供一种基于插值法和混合式神经网络的ADC校准方法，方法包括：

将输入信号Vin输入ADC模块以获得第一数字码d_A和第二数字码d_B。

将第一数字码d_A输入混合式神经网络21以获得第一神经网络输出信号，其中，混合式神经网络包括非固定权重线性网络和非线性网络。

基于第一神经网络输出信号和第二数字码d_B获得神经网络损失函数Error以调整混合式神经网络的权重，并基于第一神经网络输出信号获得第一数字信号digital out。

基于插值法处理第一数字信号digital out以获得输出信号。

如图11所示，ADC模块包括第四逐次逼近流水线型ADC和参考ADC，将输入信号Vin输入第四逐次逼近流水线型ADC进行模数转换以获得第一数字码d_A，将输入信号输入参考ADC进行模数转换以获得第二数字码d_B。可以理解的是，本实施例通过一个高精度但是速度慢的参考ADC来提供理想输出，通过本发明提出的混合式神经网络来校准Pipe SAR ADC，可选地实施方式中，参考ADC为Sigma delta ADC。

进一步地，基于第一神经网络输出信号和第二数字码d_B的不一致性获得神经网络损失函数Error，并基于神经网络损失函数Error调整混合式神经网络的权重。

可以理解的是，将第一神经网络输出信号和第二数字码d_B的不一致性可以作为损失函数，即一实施方式中第一神经网络输出信号与第二数字码d_B之间的差值作为神经网络损失函数Error，并通过反向传播算法调整网络权重，使得两个混合式神经网络的输出逐渐趋向一致，当校准完成时，两个网络输出的数据将完全一致。

如图11所示，一实施方式中，n表示降采样因子，整个框图表示降采样模块。因为参考ADC通常为高精度低速的ADC，被校准的Inaccurate ADC第四逐次逼近流水线型ADC为高速但低精度的流水线逐次逼近流水线型ADC。使用高精度ADC来校准低精度ADC，为了使两者的采样速度相匹配，本实施例在参考ADC前面加入了一个降采样模块，在混合式神经网络的输出加入了一个降采样模块。

进一步地，基于插值法和混合式神经网络的ADC校准方法包括：

将输入信号Vin输入ADC模块中的第四逐次逼近流水线型ADC以获得第一数字码d_A，将输入信号Vin进行降采样处理后输入ADC模块中的参考ADC以获得第二数字码d_B。

将第一数字码d_A输入混合式神经网络21以获得第一神经网络输出信号，将第一神经网络输出信号进行降采样处理以获得对应的第一降采样信号，其中混合式神经网络包括非固定权重线性网络和非线性网络。

基于第一神经网络输出信号对应的第一降采样信号和第二数字码获得神经网络损失函数Error以调整混合式神经网络的权重，并基于第一神经网络输出信号获得第一数字信号digital out。

基于插值法处理第一数字信号digital out以获得输出信号。

实施例6

如图12所示，本实施例与实施例5的不同之处在于，混合式神经网络除了非固定权重线性网络和非线性网络以外，还包括固定权重线性网络。本实施例所提的基于插值法和混合式神经网络的ADC校准方法中：将第一数字码d_A的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第一数字码d_A的其余有效位信号输入固定权重线性网络以获得第一神经网络输出信号。

基于第一神经网络输出信号和第二数字码d_B获得神经网络损失函数，并基于神经网络损失函数调整混合式神经网络的权重。可以理解的是，在此处调整混合式神经网络的权重指的是，基于神经网络损失函数调整非固定权重线性网络和非线性网络组成的整体的权重。

可以理解的是，输入非固定权重线性网络和非线性网络的数字码为第一数字码d_A的前1～B位的有效位信号即d_A[1～B]，将其余有效位信号即d_A[(B+1)～N]输入固定权重线性网络。其中，B的值基于本领域技术人员对ADC输出结果精度的需要进行设定。

本实施例将ADC的第一数字码分为两部分，一部分输入至非固定权重线性网络和非线性网络，一部分输入固定权重线性网络，非固定权重线性网络和非线性网络的输出以及固定权重线性网络的输出相加得到最终的输出结果。因为数字码的高位部分对ADC的精度影响最大，所以输入非固定权重线性网络和非线性网络的数字码为数字码的高位部分，输入固定权重线性网络的数字码为数字码的低位部分。本实施例的优点是更容易收敛，更具有稳定性。

实施例7

如图13所示，对于实施例1～6提出的基于插值法和混合式神经网络的ADC校准方法，本发明为了解决混合式神经网络需要大量数据的问题，在多个待模数转换的模拟输入信号间插入了一个由电路内部提供的第一输入信号，以增加输入的多样性。

一实施方式中，输入信号包括第一输入信号Vin1和模拟输入信号Vin2，将模拟输入信号Vin2输入ADC模块，并周期性将模拟输入信号Vin2切换为第一输入信号Vin1。

一实施方式中，基于插值法处理第一数字信号digital out以获得输出信号包括：第一数字信号digital out包括多组基于模拟输入信号Vin2获得的第一信号和基于第一输入信号Vin1获得的第二信号，基于多组第一信号获得第三信号，并将第二信号替换为第三信号。如图10所示，每2n+1个采样点中注入一个第一输入信号Vin1，其余2n个采样点为模拟输入信号Vin2，即在第一数字信号digital out中每2n+1个信号中包括一个第二信号，其余2n个信号为第一信号。

可以理解的是，在第一数字信号digital out中存在周期性插入的基于第一输入信号Vin1获得的第二信号，导致第一数字信号digital out并不完全是通过待进行模数转换的目标模拟信号得到的，本实施例通过插值法来补充被跳过的模拟输入信号，从而消除由于数据缺失对ADC精度的影响。

一实施方式中，采用拉格朗日插值法通过第二信号前n个第一信号与后n个第一信号获得第三信号。

进一步地，通过基于模拟输入信号Vin2获得的第一信号构建插值公式：

其内插系数为

式中，x(0)为第三信号，x(k)为第k个基于模拟输入信号Vin2获得的第一信号。

实施例8

如图14所示，本实施例提供一种基于插值法和混合式神经网络的ADC校准系统，基于实现本发明提供的基于插值法和混合式神经网络的ADC校准方法，系统包括输入信号产生模块1、ADC模块、混合式神经网络校准模块和插值法校准模块。

输入信号产生模块1与ADC模块相连，ADC模块用于基于输入信号Vin以及失调电压获得第一数字码d_A和第二数字码d_B。

可以理解的是，在可选地实施方式中，混合式神经网络校准模块包括非固定权重线性网络和非线性网络，混合式神经网络校准模块用于将第一数字码d_A和第二数字码d_B分别输入非固定权重线性网络和非线性网络以获得第一神经网络输出信号和第二神经网络输出信号，并基于第一神经网络输出信号和第二神经网络输出信号获得第一数字信号digital out。混合式神经网络校准模块还用于基于第一神经网络输出信号和第二神经网络输出信号获得神经网络损失函数以调整混合式神经网络的权重。

在另一实施方式中，混合式神经网络校准模块包括非固定权重线性网络、非线性网络和固定权重线性网络，混合式神经网络校准模块用于将第一数字码d_A的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第一数字码d_A的其余有效位信号输入固定权重线性网络以获得第一神经网络输出信号；并将第二数字码d_B的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第二数字码d_B的其余有效位信号输入固定权重线性网络以获得第二神经网络输出信号；基于第一神经网络输出信号和第二神经网络输出信号digital out获得神经网络损失函数，并基于神经网络损失函数调整混合式神经网络的权重。

插值法校准模块用于基于插值法处理第一数字信号digital out以获得输出信号Vout。

如图14所示，输入信号产生模块1包括第一输入信号产生单元11和开关单元12，第一输入信号产生单元11用于产生第一输入信号Vin1，开关单元12的第一端与输入信号产生单元11相连用于输入第一输入信号Vin1，开关单元12的第一端用于输入模拟输入信号Vin2，即待转换的目标模拟信号，开关单元12的第三端与ADC模块相连，用于将模拟输入信号Vin2输入ADC模块并且基于开关控制，周期性地将模拟输入信号Vin2切换为第一输入信号Vin1。

如图15所示，一实施方式中，第一输入信号产生单元11包括振荡器，振荡器用于基于脉冲信号获得第一输入信号Vin1。在可选地实施方式中，振荡器的结构可以为如图16所示，a点产生的信号为短暂的高电平脉冲信号，经过d触发器后在b点产生方波信号，方波信号包含高频成分并且仅包含两个有效输入电平，该信号经过低通滤波器后在c点产生适合ADC的第一输入信号Vin1。

如图17所示，一实施方式中，第一输入信号产生单元11包括数字正弦波产生模块和DAC，数字正弦波产生模块用于获得数字正弦波信号，DAC用于将数字正弦波信号转换为模拟正弦波信号以获得第一输入信号Vin1。

如图18所示，一实施方式中，第一输入信号产生单元11包括数字三角波产生模块和DAC，数字三角波产生模块用于获得数字三角波信号，DAC用于将数字三角波信号转换为模拟三角波信号以获得第一输入信号Vin1。

如图19所示，一实施方式中，第一输入信号产生单元11包括全摆幅波形产生模块和DAC，全摆幅波形产生模块用于获得全摆幅波形信号，DAC用于将全摆幅波形信号转换为模拟全摆幅波形信号以获得第一输入信号Vin1

实施例9

本实施例提供一种基于插值法和混合式神经网络的ADC校准系统，基于实现本发明提供的基于插值法和混合式神经网络的ADC校准方法，本实施例的系统结构与实施例8类似，系统包括输入信号产生模块1、ADC模块、混合式神经网络校准模块和插值法校准模块。

输入信号产生模块1与ADC模块相连，ADC模块用于基于输入信号Vin获得第一数字码d_A和第二数字码d_B。

可以理解的是，在可选地实施方式中，混合式神经网络校准模块包括非固定权重线性网络和非线性网络，混合式神经网络校准模块用于将第一数字码d_A输入非固定权重线性网络和非线性网络以获得第一神经网络输出信号，并基于第一神经网络输出信号获得第一数字信号digital out。混合式神经网络校准模块还用于基于第一神经网络输出信号和第二数字码d_B获得神经网络损失函数以调整混合式神经网络的权重。

在另一实施方式，混合式神经网络校准模块包括非固定权重线性网络、非线性网络和固定权重线性网络，混合式神经网络校准模块用于将第一数字码d_A的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第一数字码d_A的其余有效位信号输入固定权重线性网络以获得第一神经网络输出信号digital out。混合式神经网络校准模块还用于基于第一神经网络输出信号digital out和第二数字码d_B获得神经网络损失函数以调整混合式神经网络的权重。插值法校准模块用于基于插值法处理第一数字信号digitalout以获得输出信号Vout。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (13)

1.一种基于插值法和混合式神经网络的ADC校准方法，其特征在于，所述混合式神经网络包括非固定权重线性网络和非线性网络，所述方法包括：

将输入信号以及失调电压输入ADC模块以获得多组第一数字码和第二数字码；

将第一数字码和第二数字码分别输入混合式神经网络以获得第一神经网络输出信号和第二神经网络输出信号；

基于第一神经网络输出信号和第二神经网络输出信号获得神经网络损失函数以调整混合式神经网络的权重，并基于第一神经网络输出信号和第二神经网络输出信号获得第一数字信号；

基于插值法处理第一数字信号以获得输出信号。

2.如权利要求1所述的基于插值法和混合式神经网络的ADC校准方法，其特征在于，所述ADC模块包括第一逐次逼近流水线型ADC和第二逐次逼近流水线型ADC；

所述将输入信号以及失调电压输入ADC模块以获得多组第一数字码和第二数字码包括：

将输入信号以及反向失调电压输入第一逐次逼近流水线型ADC进行模数转换以获得第一数字码；

将输入信号以及正向失调电压输入第二逐次逼近流水线型ADC进行模数转换以获得第二数字码。

3.如权利要求1所述的基于插值法和混合式神经网络的ADC校准方法，其特征在于，所述ADC模块包括第三逐次逼近流水线型ADC；

所述将输入信号以及失调电压输入ADC模块以获得多组第一数字码和第二数字码包括：将输入信号以及正向失调电压输入第三逐次逼近流水线型ADC进行模数转换以获得第一数字码；

将输入信号以及反向失调电压输入第三逐次逼近流水线型ADC进行模数转换以获得第二数字码。

4.如权利要求1所述的基于插值法和混合式神经网络的ADC校准方法，其特征在于，所述方法包括：

将所述第一数字码的除最高有效位信号以外的其余有效位信号输入混合式神经网络以获得第一神经网络输出信号，将第二数字码输入混合式神经网络以获得第二神经网络输出信号；

基于第一神经网络输出信号、第二神经网络输出信号和第一数字码的最高有效位信号获得神经网络损失函数，并基于神经网络损失函数调整混合式神经网络的权重。

5.如权利要求1所述的基于插值法和混合式神经网络的ADC校准方法，其特征在于，所述方法还包括：基于第一神经网络输出信号、第二神经网络输出信号和第一数字码的最高有效位信号获得第一数字信号。

6.如权利要求1所述的基于插值法和混合式神经网络的ADC校准方法，其特征在于，所述混合式神经网络还包括固定权重线性网络，所述方法包括：

将第一数字码的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第一数字码的其余有效位信号输入固定权重线性网络以获得第一神经网络输出信号；

将第二数字码的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第二数字码的其余有效位信号输入固定权重线性网络以获得第二神经网络输出信号。

7.如权利要求6所述的基于插值法和混合式神经网络的ADC校准方法，其特征在于，所述方法还包括：基于第一神经网络输出信号和第二神经网络输出信号获得第一数字信号。

8.一种基于插值法和混合式神经网络的ADC校准方法，其特征在于，所述混合式神经网络包括非固定权重线性网络和非线性网络，所述方法包括：

将输入信号输入ADC模块以获得第一数字码和第二数字码；

将第一数字码输入混合式神经网络以获得第一神经网络输出信号；

基于第一神经网络输出信号和第二数字码获得神经网络损失函数以调整混合式神经网络的权重，并基于第一神经网络输出信号获得第一数字信号；

基于插值法处理第一数字信号以获得输出信号。

9.如权利要求8所述的基于插值法和混合式神经网络的ADC校准方法，其特征在于，所述ADC模块包括第四逐次逼近流水线型ADC和参考ADC，将输入信号输入第四逐次逼近流水线型ADC进行模数转换以获得第一数字码，将输入信号输入参考ADC进行模数转换以获得第二数字码。

10.如权利要求8所述的基于插值法和混合式神经网络的ADC校准方法，其特征在于，所述混合式神经网络还包括固定权重线性网络，所述方法包括：

将第一数字码的设定数量的有效位信号输入非固定权重线性网络和非线性网络并将第一数字码的其余有效位信号输入固定权重线性网络以获得第一神经网络输出信号。

11.如权利要求1或8所述的基于插值法和混合式神经网络的ADC校准方法，其特征在于，所述输入信号包括第一输入信号和模拟输入信号，所述第一数字信号包括多组基于模拟输入信号获得的第一信号和基于第一输入信号获得的第二信号；

所述将输入信号输入ADC模块包括：将模拟输入信号输入ADC模块，并周期性将模拟输入信号切换为第一输入信号；

所述基于插值法处理第一数字信号以获得输出信号包括：基于多组第一信号进行插值运算以获得第三信号，并将第一数字信号中的第二信号替换为第三信号。

12.基于插值法和混合式神经网络的ADC校准系统，基于如权利要求1～8中任意一项或权利要求11所述的基于插值法和混合式神经网络的ADC校准方法，其特征在于，所述系统包括ADC模块、混合式神经网络校准模块和插值法校准模块；

所述ADC模块用于基于输入信号以及失调电压获得第一数字码和第二数字码；

所述混合式神经网络校准模块用于将第一数字码和第二数字码分别输入混合式神经网络以获得第一神经网络输出信号和第二神经网络输出信号，并基于第一神经网络输出信号和第二神经网络输出信号获得第一数字信号；

所述混合式神经网络校准模块还用于基于第一神经网络输出信号和第二神经网络输出信号获得神经网络损失函数以调整混合式神经网络的权重；

所述插值法校准模块用于基于插值法处理多组第一数字信号以获得输出信号。

13.基于插值法和混合式神经网络的ADC校准系统，基于如权利要求8～11中任意一项所述的基于插值法和混合式神经网络的ADC校准方法，其特征在于，所述系统包括ADC模块、混合式神经网络校准模块和插值法校准模块；

所述ADC模块用于基于输入信号获得第一数字码和第二数字码；

所述混合式神经网络校准模块用于将第一数字码输入混合式神经网络以获得第一神经网络输出信号，并基于第一神经网络输出信号获得第一数字信号；

所述混合式神经网络校准模块还用于基于第一神经网络输出信号和第二数字码获得神经网络损失函数以调整混合式神经网络的权重；

所述插值法校准模块用于基于插值法处理第一数字信号以获得输出信号。