[发明专利]一种模数转换器的非线性校正方法、装置及电子设备

说明书

本申请公开了一种模数转换器的非线性校正方法、装置及电子设备。其中的方法包括：获取多个样本数据，每个样本数据包括模数转换器的采集数据、以及根据采集数据构造的误差标签信号；构造适于信号处理的卷积神经网络；使用多个样本数据对卷积神经网络进行训练得到训练好的卷积神经网络；将待校正信号数据输入至训练好的卷积神经网络，得到训练好的卷积神经网络输出的误差校正信号，将待校正信号减去误差校正信号，得到非线性校正后的信号数据。本申请实施例是基于卷积神经网络对模数转换器采集的待校正信号数据进行非线性校正，可以适于各种不同规格的模数转换器的非线性校正，具有通用性。

技术领域

本申请涉及信号处理技术领域，特别涉及一种模数转换器(Analog to DigitalConverter,ADC)的非线性校正方法、装置及电子设备。

背景技术

模数转换器(ADC)是模拟信号与数字信号之间的纽带，在无线通信、视频和音频等应用领域不可或缺。但是，ADC中普遍存在采样时钟抖动、量化步长不均匀、编码宽度不均匀等现象，这些现象最终会以非线性差分和非线性积分的参数形式表现出来。ADC的非线性失真极大地制约着接收机性能的进一步提升。为了提升ADC的性能，可以用纯数字化后进行补偿的方式对非线性失真进行线性化处理。其基本思想是在数字域寻找与ADC的传输函数互为逆关系的参数化模型。现有的数字域补偿方法一般都是基于人工经验的非线性模型，如Volterra级数模型、Wiener模型、Hammerstein模型以及记忆多项式模型等。然而，ADC的非线性问题是一个比较复杂的综合性失真问题，其实际模型往往与人工模型存在一定差异，从而会导致现有的数字域补偿方法性能下降。因此，需要寻找一种不依赖人工建模的非线性校正方法。

发明内容

本申请实施例提供了一种模数转换器(ADC)的非线性校正方法、装置及电子设备，不依赖于人工建模，可以适于各种不同规格的ADC的非线性校正，具有通用性。

依据本申请的第一方面，提供了一种模数转换器的非线性校正方法，包括：

获取多个样本数据，每个样本数据包括所述模数转换器的采集数据、以及根据所述采集数据构造的误差标签信号；

构造适于信号处理的卷积神经网络；

使用所述多个样本数据对所述卷积神经网络进行训练得到训练好的卷积神经网络；

将待校正信号数据输入至所述训练好的卷积神经网络，得到所述训练好的卷积神经网络输出的误差校正信号，将所述待校正信号减去所述误差校正信号，得到非线性校正后的信号数据。

依据本申请的第二方面，提供了一种模数转换器的非线性校正装置，包括：

样本获取单元，用于获取多个样本数据，每个样本数据包括所述模数转换器的采集数据、以及根据所述采集数据构造的误差标签信号；

网络构造单元，用于构造适于信号处理的卷积神经网络；

训练单元，用于使用所述多个样本数据对所述卷积神经网络进行训练得到训练好的卷积神经网络；

校正单元，用于将待校正信号数据输入至所述训练好的卷积神经网络，得到所述训练好的卷积神经网络输出的误差校正信号，将所述待校正信号减去所述误差校正信号，得到非线性校正后的信号数据。

依据本申请的第三方面，提供了一种电子设备，包括：处理器，存储计算机可执行指令的存储器，

所述可执行指令在被所述处理器执行时，实现前述的模数转换器的非线性校正方法。

依据本申请的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现前述的模数转换器的非线性校正方法。

本申请的有益效果是：