本发明涉及模数转换器校准的,具体而言,涉及一种基于神经网络的流水线模数转换器后台校准方法。
背景技术:
1、模数转换器(analog to digital converter,adc)作为模拟域与数字域的桥梁,将模拟世界的连续信号转换为数字世界的离散信号,是众多领域的关键部件,其性能影响整个系统的效率;随着集成电路工艺的进步,模拟电路在等比例缩小方面遇到了一些限制;这种限制主要涉及阈值电压的调整困难、供电电压的降低及晶体管本征增益的下降等问题;这些因素共同导致模拟电路的动态范围减小,带宽受到限制,稳定性变差。
2、流水线adc(pipeline adc)作为一种兼顾转换速度与精度的adc,在分辨率涵盖8bit~16bit、速度涵盖mhz~ghz范围内均有良好表现,广受欢迎,对齐校准技术的研究较为普遍,取得效果并不优异。
3、近些年神经网络算法被广泛应用于仪器与传感器的非线性误差模型构建与校准工作,并随着模型优化的研究,性能表现日益进步。采用神经网络算法进行adc的误差校准具有理论基础与应用前景。
技术实现思路
1、本发明的目的在于:针对现有流水线adc误差校准效果不佳问题,提供一种基于神经网络的流水线模数转换器后台校准方法。
2、本发明的技术方案是:提供了一种基于神经网络的流水线模数转换器后台校准方法,该方法包括:
3、s1、将待校准的流水线adc和sigma-delta adc接入同一个模拟信号源,构建神经网络并初始化后设置目标值,将待校准的流水线adc的输出的数字信号作为训练集输入神经网络;
4、s2、神经网络输出训练集的结果,将神经网络输出的结果与sigma-delta adc输出的结果作为损失函数的元素,损失函数计算损失值,将损失值与目标值进行比较,在损失值高于目标值的情况下进入训练模式,利用训练优化算法调整神经网络的权值,迭代优化神经网络;
5、s3、在损失值小于等于目标值的情况下,神经网络完成训练,神经网络退出训练模式并进入输出模式,将神经网络的输出结果作为流水线adc的输出。
6、上述任一项技术方案中,进一步地,神经网络包括三层:输入层、隐藏层和输出层,前后层的节点间相互连接,其中输入层节点数为n,隐藏层节点数为m,输出层节点数为k,其中n、m、k均为正整数。
7、上述任一项技术方案中,进一步地,流水线adc有两种向神经网络输出的模式:
8、向神经网络输出流水线adc的总输出,此时神经网络输入层节点数与流水线adc的输出精度相同;
9、向神经网络输出所有子流水级的中间结果,此时神经网络输入层节点数与流水线adc所有子流水级的总输出位数相同,流水线adc所有子流水级的总输出位数大于流水线adc的输出精度;神经网络的训练集包含子流水级输出未经叠加的部分,训练效果更佳。
10、上述任一项技术方案中,进一步地,神经网络的神经元输入值进行乘累加运算,神经元的计算公式如下:
11、
12、其中,y为输出,xi为输入,wi为突触权值,θ为偏置,f为该神经元所使用的激活函数。
13、上述任一项技术方案中,进一步地,神经网络采用的损失函数为均方误差mse,其计算公式如下:
14、
15、其中yi为神经网络输出结果,为sigma-delta adc输出的结果。
16、上述任一项技术方案中,进一步地,神经网络处于输出模式时,当所述损失函数的损失值的阶段变化率大于第一预定值时,所述神经网络自动进入训练模式,所述阶段变化率δe计算步骤包括:
17、计算损失值变化率δmset:
18、
19、其中,t表示当前时刻,t-1为上一时刻,损失值变化率δmset表示当前时刻与上一时刻的损失值差值;
20、损失值的阶段变化率δe表示在过去p个时刻内,损失值变化率δmset大于预先设定的损失值变化率阈值δmsethreshold的过去时刻个数占比,p为正整数。
21、上述任一项技术方案中,进一步地,当神经网络处于训练模式,满足终止条件时,神经网络自动进入输出模式,具体方法为:
22、计算神经网络中所有梯度值的均方根grms:
23、
24、其中g1、g2…gd为神经网络中的所有梯度值,包括:对隐藏层权值的梯度值对隐藏层偏置的梯度值对输出层权值的梯度值对输出层偏置的梯度值c=1~n,j=1~m,k=1,c表示输入层神经元,j表示隐藏层神经元,k表示输出层神经元;
25、计算梯度值均方根的变化率:
26、
27、梯度值均方根的变化率δgrmst表示当前时刻与上一时刻的梯度值均方根的差值,梯度值均方根的阶段变化率δg表示在过去p个时刻内,梯度值均方根变化率δgrmst大于预先设定的变化率阈值δgthreshold的过去时刻个数占比,p为正整数;
28、终止条件为:梯度值均方根的阶段变化率δg小于第二预定值。
29、上述任一项技术方案中,进一步地,sigma-delta adc的输出精度高于待校准的流水线adc的输出精度,待校准流水线adc和sigma-delta adc采用同一个时钟源,训练集以sigma-delta adc采样数据为标准,将神经网络输出数据下采样后按时刻对齐。
30、上述任一项技术方案中,进一步地,在训练模式的情况下,向神经网络输入特定指令要求神经网络将结果输出。
31、上述任一项技术方案中,进一步地,sigma-delta adc的输出精度为24位,待校准的流水线adc的输出精度为14位,待校准的流水线adc所有子流水级的总输出位数为19位。
32、本发明的有益效果是:
33、本发明中的技术方案,无需对误差种类和来源进行区分处理,只需要利用神经网络迭代训练,优化权值即可完成对adc的校准工作;
34、流水线adc具有两种输出模式:总输出和中间结果输出,将总输出作为训练集时神经网络结构较为简单,将中间结果输出作为训练集时校准效果更优,可以根据实际情况选择;
35、神经网络具有训练模式和输出模式,当用户认为adc输出精度下降,无需拆卸随时重启训练;
36、在输出模式中,神经网络监控损失值的阶段变化率,并自动进入训练模式,在训练模式中神经网络监控梯度值均方根的阶段变化率并自动结束训练进入输出模式;
37、当采用流水线adc总的输出结果作为训练集时,可以移植到任何类型adc校准任务中,不必限于流水线adc;
38、本发明提供的技术方案可以在不同工作信号频率、不同温度的环境中工作,环境适应性强,并且输出结果的精度比输入数据更高,校准效果优异。
1.一种基于神经网络的流水线模数转换器后台校准方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于神经网络的流水线模数转换器后台校准方法,其特征在于,所述神经网络包括三层:输入层、隐藏层和输出层,前后层的节点间相互连接,其中输入层节点数为n,隐藏层节点数为m,输出层节点数为k,其中n、m、k均为正整数。
3.如权利要求2所述的基于神经网络的流水线模数转换器后台校准方法,其特征在于,所述流水线adc有两种向神经网络输出的模式:
4.如权利要求2所述的基于神经网络的流水线模数转换器后台校准方法,其特征在于,所述神经网络的神经元输入值进行乘累加运算,神经元的计算公式如下:
5.如权利要求1所述的基于神经网络的流水线模数转换器后台校准方法,其特征在于,所述神经网络采用的损失函数为均方误差mse,其计算公式如下:
6.如权利要求5所述的基于神经网络的流水线模数转换器后台校准方法,其特征在于,所述神经网络处于输出模式时,当所述损失函数的损失值的阶段变化率大于第一预定值时,所述神经网络自动进入训练模式,所述阶段变化率δe计算步骤包括:
7.如权利要求2所述的基于神经网络的流水线模数转换器后台校准方法,其特征在于,当所述神经网络处于训练模式,满足终止条件时,所述神经网络自动进入输出模式,具体方法为:
8.如权利要求1所述的基于神经网络的流水线模数转换器后台校准方法,其特征在于,所述sigma-delta adc的输出精度高于所述待校准的流水线adc的输出精度,待校准流水线adc和sigma-delta adc采用同一个时钟源,所述训练集以sigma-delta adc采样数据为标准,将所述神经网络输出数据下采样后按时刻对齐。
9.如权利要求1所述的基于神经网络的流水线模数转换器后台校准方法,其特征在于,在所述训练模式的情况下,向神经网络输入特定指令要求神经网络将结果输出。
10.如权利要求3所述的基于神经网络的流水线模数转换器后台校准方法,其特征在于,所述sigma-delta adc的输出精度为24位,所述待校准的流水线adc的输出精度为14位,所述待校准的流水线adc所有子流水级的总输出位数为19位。