【了解ADC差分非线性(DNL)错误】

了解可能影响系统响应的缺陷,即ADC的非线性,即微分非线性(DNL)和积分非线性(INL)规范。

本文引用地址:https://www.eepw.com.cn/article/202409/462774.htm

真实世界的模数转换器(ADC)的传递函数可能由于诸如偏移和增益误差的影响而偏离理想响应。另一个可能影响系统响应的缺陷是ADC的非线性。不同的规格通常用于表征ADC的线性。对于测量和控制应用,微分非线性(DNL)和积分非线性(INL)规范是有用的性能指标。然而,当处理通信系统时,杂散自由动态范围(SFDR)规范通常是评估ADC线性性能

的更好方法。

微分非线性(DNL)

深入来看,让我们来看图1中的蓝色曲线,它显示了3位单极ADC的理想传递函数。

显示3位单极ADC理想传递函数的示例。

1.png

•图1。显示3位单极ADC理想传递函数的示例。

理想的响应表现出均匀的梯段输入输出特性,这意味着每个转变都发生在前一个转变的1LSB(最低有效位)。实际上,台阶宽度可能与理想值(1LSB)不同。上面的紫色曲线显示了假设的ADC的响应,其中步骤不均匀。在这个例子中,代码010的宽度是1.25LSB,而下一个代码呈现更小的0.54LSB的宽度。DNL规范描述了ADC步距如何偏离理想值。

对于ADC,第k个代码的DNL由以下方程式定义:

2.png

其中W(k)和Wideal分别表示第k个码的宽度和理想步长。举个例子,对于上图中的代码1(或001),我们有:

3.png

这意味着代码1的宽度比理想值大0.125 LSB。代码3(或011)具有0.54 LSB的宽度,产生-0.46 LSB的负DNL。注意,非理想代码转换可能导致"代码缺失"

例如,上述ADC不产生任何输入值的代码5(101)。对于缺少的代码,我们可以假设步长为零,导致DNL为-1。最后,在我们的例子中,代码6(110)具有理想的宽度,即DNL(6)=0。当计算DNL值时,我们假设ADC的偏移和增益误差已经被校准掉。这意味着第一个和最后一个转变发生在理想值处,并且因此对于第一个和最后一个步骤不定义DNL误差。

使用ADS8860表示ADC数字降噪信息

我们可以将上述信息表示为针对代码值的DNL图。对于以上实例,我们得出以下图。

DNL与代码值的关系图。

4.png

•图2。DNL与代码值的关系图。

DNL通常也表示为所有代码中的最小值和最大值。我们假设的ADC的DNL介于-1 LSB和+1.1 LSB之间。

全文链接:https://www.eepw.com.cn/article/202409/462774.htm

相关推荐
aimmon1 分钟前
深度学习之微积分预备知识点
人工智能·深度学习·线性代数·微积分
不是很强 但是很秃18 分钟前
秃姐学AI系列之:实战Kaggle比赛:狗的品种识别(ImageNet Dogs)
图像处理·人工智能·pytorch·深度学习·神经网络·计算机视觉·分类
我是瓦力33 分钟前
PointNet++改进策略 :模块改进 | EdgeConv | DGCNN, 动态图卷积在3d任务上应用
人工智能·深度学习·计算机视觉·3d
咔咔学姐kk1 小时前
2024最新版,人大赵鑫老师《大语言模型》新书pdf分享
数据库·人工智能·语言模型·自然语言处理·pdf·知识图谱·产品经理
z千鑫1 小时前
【人工智能】OpenAI发布GPT-o1模型:推理能力的革命性突破,这将再次刷新编程领域的格局!
人工智能·gpt·agent·ai编程·工作流·ai助手·ai工具
AIBox3651 小时前
GPT撰写开题报告教程——课题确定及文献调研
人工智能·chatgpt
AIBigModel1 小时前
关于GPT5训练失败的思考
人工智能·知识图谱
绎岚科技1 小时前
深度学习自编码器 - 随机编码器和解码器篇
人工智能·深度学习·算法·机器学习
吃什么芹菜卷1 小时前
2024.9最新:CUDA安装,pytorch库安装
人工智能·pytorch·笔记·python·深度学习
ymchuangke2 小时前
评价类——熵权法(Entropy Weight Method, EWM),完全客观评价
人工智能·python·算法·机器学习·数学建模