申请/专利权人：复旦大学

申请日：2021-11-24

公开（公告）日：2024-04-23

公开（公告）号：CN114095022B

主分类号：H03M1/10

分类号：H03M1/10;G06N3/0499;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.03.15#实质审查的生效;2022.02.25#公开

摘要：本发明属于集成电路技术领域，具体为一种基于机器学习的分裂流水线逐次逼近模数转换器校准方法。本发明方法包括：使用开环余量放大器的分裂式流水线逐次逼近型模数转换器模型，完成输入模拟信号到数字码值的转换；采用神经网络失真补偿模块，通过补偿模拟电路引入的失真，完成对输出结果的数字后台校准。对该神经网络的训练不需要关于ADC结构的相关信息，且输出的数据具有稀疏性。通过对矩阵稀疏情况分析并剪枝，以降低神经网络的计算量；同时可由稀疏情况预测ADC的级数分配等结构信息。本发明对使用开环余量放大器的分裂式流水线逐次逼近型模数转换器电路结构具有广泛适用性，并且可以得到超过LMS校准算法的精度。

主权项：1.一种基于机器学习的分裂式流水线逐次逼近型模数转换器的校准方法，其特征在于，具体步骤为：（1）首先使用开环余量放大器的分裂式流水线逐次逼近型模数转换器，完成输入模拟信号到数字码值的转换，同时产生神经网络损失函数；（2）使用神经网络失真补偿模块，通过补偿模拟电路引入的失真，完成对流水线逐次逼近型模数转换器输出结果的数字后台校准；其中，一个流水线逐次逼近型模数转换器的每一级包括采样保持电路、CDAC阵列、逐次逼近控制逻辑、比较器和开环的余量放大器；并分裂成两个完全相同的半通道，各占用一半的面积与功耗；两个半通道同时对输入信号进行采样，并使用电容权重进行信号重建；两个半通道重建结果相减后的差值用于校准逐次逼近型模数转换器的失真，相加后结果求平均为最终数字输出；所述神经网络失真补偿模块具有三层网络，依次为输入层、隐藏层、输出层；其中，隐藏层中的节点结构就是多层感知机基本单元；输入层是抽头，不包含内部结构；输出层包含激活函数或不包含激活函数；各级流水线比较器的输出结果进入到神经网络的输入层。

全文数据：

权利要求：

百度查询： 复旦大学 基于机器学习的分裂流水线逐次逼近模数转换器校准方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD