[发明专利]基于机器学习的分裂流水线逐次逼近模数转换器校准方法

权利要求书

1.一种基于机器学习的分裂式流水线逐次逼近型模数转换器的校准方法，其特征在于，具体步骤为：

（1）首先使用开环余量放大器的分裂式流水线逐次逼近型模数转换器，完成输入模拟信号到数字码值的转换，同时产生神经网络损失函数；

（2）使用神经网络失真补偿模块，通过补偿模拟电路引入的失真，完成对流水线逐次逼近型模数转换器输出结果的数字后台校准；

其中，一个流水线逐次逼近型模数转换器的每一级包括采样保持电路、CDAC阵列、逐次逼近控制逻辑、比较器和开环的余量放大器；并分裂成两个完全相同的半通道，各占用一半的面积与功耗；两个半通道同时对输入信号进行采样，并使用电容权重进行信号重建；两个半通道重建结果相减后的差值用于校准逐次逼近型模数转换器的失真，相加后结果求平均为最终数字输出；

所述神经网络失真补偿模块具有三层网络，依次为输入层、隐藏层、输出层；其中，隐藏层中的节点结构就是多层感知机基本单元；输入层是抽头，不包含内部结构；输出层包含激活函数或不包含激活函数；

各级流水线比较器的输出结果进入到神经网络的输入层。

2.根据权利要求1所述的校准方法，其特征在于，神经网络的损失函数为两个半通道转换结果相减后的差值的平方。

3.根据权利要求1所述的校准方法，其特征在于，神经网络的训练采用基于随机梯度下降的误差反向传播算法。

4.根据权利要求1所述的校准方法，其特征在于，神经网络失真补偿模块仅对两个半通道输出结果的失真进行补偿。

5.根据权利要求1所述的校准方法，其特征在于，基于神经网络输出数据具有稀疏性，采用剪枝的方法，降低神经网络的计算量。