【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
EkihzniY3 小时前
AI+OCR:解锁数字化新视界
人工智能·ocr
东哥说-MES|从入门到精通3 小时前
GenAI-生成式人工智能在工业制造中的应用
大数据·人工智能·智能制造·数字化·数字化转型·mes
铅笔侠_小龙虾4 小时前
深度学习理论推导--梯度下降法
人工智能·深度学习
kaikaile19954 小时前
基于遗传算法的车辆路径问题(VRP)解决方案MATLAB实现
开发语言·人工智能·matlab
lpfasd1234 小时前
第1章_LangGraph的背景与设计哲学
人工智能
Aevget4 小时前
界面组件Kendo UI for React 2025 Q3亮点 - AI功能全面提升
人工智能·react.js·ui·界面控件·kendo ui·ui开发
桜吹雪5 小时前
LangChain.js/DeepAgents可观测性
javascript·人工智能
&&Citrus5 小时前
【杂谈】SNNU公共计算平台:深度学习服务器配置与远程开发指北
服务器·人工智能·vscode·深度学习·snnu
乌恩大侠5 小时前
Spark 机器上修改缓冲区大小
人工智能·usrp
STLearner5 小时前
AI论文速读 | U-Cast:学习高维时间序列预测的层次结构
大数据·论文阅读·人工智能·深度学习·学习·机器学习·数据挖掘