【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
智慧地球(AI·Earth)1 小时前
GPT-5.1发布!你的AI更暖更智能!
人工智能·gpt·神经网络·aigc·agi
宁渡AI大模型1 小时前
从生成内容角度介绍开源AI大模型
人工智能·ai·大模型·qwen
xier_ran1 小时前
深度学习:Mini-Batch 梯度下降(Mini-Batch Gradient Descent)
人工智能·深度学习·batch
Microvision维视智造2 小时前
变速箱阀芯上料易错漏?通用 2D 视觉方案高效破局,成汽车制造检测优选!
人工智能
AAA小肥杨2 小时前
探索K8s与AI的结合:PyTorch训练任务在k8s上调度实践
人工智能·pytorch·docker·ai·云原生·kubernetes
飞哥数智坊2 小时前
TRAE Friends 落地济南!首场线下活动圆满结束
人工智能·trae·solo
m0_527653902 小时前
NVIDIA Orin NX使用Jetpack安装CUDA、cuDNN、TensorRT、VPI时的error及解决方法
linux·人工智能·jetpack·nvidia orin nx
wbzuo2 小时前
Clip:Learning Transferable Visual Models From Natural Language Supervision
论文阅读·人工智能·transformer
带土12 小时前
2. YOLOv5 搭建一个完整的目标检测系统核心步骤
人工智能·yolo·目标检测
1***Q7843 小时前
PyTorch图像分割实战,U-Net模型训练与部署
人工智能·pytorch·python