在直接采样 RF 设计中，数据转换器的特征通常是 NSD、IM3 和 ACLR 参数，而不是 SNR 和 ENOB 等传统指标。在软件定义无线电和类似的窄带用例中，量化落入感兴趣频段的数据转换器噪声量更为重要；遗留数据转换指标不适合这样做。
本白皮书首先介绍了传统 ADC 参数（SFDR、SNR、SNDR (SINAD) 和 ENOB）背后的数学关系，并说明了为什么这些指标可以很好地表征宽带应用（例如超外差接收器）中的数据转换器。然后描述了为什么这些指标不适用于不能在其全部奈奎斯特带宽上运行的数据转换器，如在 SDR 等直接射频采样应用中。详细介绍了 NSD、IM3 和 ACLR 的推导和测量。

介绍

基于真空管技术的模拟数据转换器是在二战期间为消息加密系统开发的。从早期开始，行业就定义并采用了关键参数（例如 SNR、SFDR 和 ENOB）来量化数据转换器的性能。这些历史参数是为使用混频器和滤波器进行通道选择的传统架构以及传统奈奎斯特速率（即低频采样）数据转换器开发的。
最近，已经开发了许多新的 RF 采样数据转换器，用于在软件定义无线电 (SDR) 应用中实现，但是传统数据转换器采用的参数不能完全表征 RF 采样转换器。需要一组新的参数，例如噪声频谱密度 (NSD)、三阶互调比 (IM3) 和邻道泄漏比 (ACLR) 来定义射频采样数据转换器的动态性能，尤其是对于直接 -RF 采样应用。
一段时间以来，Xilinx 一直在为一系列 SDR 应用提供高度灵活的数字处理解决方案。最近，赛灵思发布了其业界首款 Zynq® UltraScale+™ RFSoC，集成了 UltraScale™ 架构可编程逻辑 (PL)、软决策 FEC 以及多通道 RF-ADC 和 RF-DAC。在这些 RF-ADC（12 位）和 RF-DAC（14 位）中，NSD、IM3 和 ACLR 指标与顶级模拟 IC 供应商提供的相同分辨率位数据转换器相比毫不逊色——但 Xilinx Zynq UltraScale+ RFSoC 提供更低的功耗、更高的可编程性和更高的集成度。因此，Zynq UltraScale+ RFSoC 使系统设计人员能够创建高度灵活的 SDR 应用程序，同时解决与竞争性直接 RF 采样解决方案相关的许多挑战。
本白皮书介绍了传统数据转换器和新型 RF 采样数据转换器的指标，并确定了 RF 采样转换器的首选参数。

传统 ADC 指标：SFDR、SNR、SNDR、ENOB

无杂散动态范围 (SFDR)

无杂散动态范围 (SFDR) 通常用于在杂散分量干扰或使基波失真之前测量数据转换器的可用动态范围信号。
SFDR 定义为基波正弦波信号的均方根 (RMS) 值与输出中峰值杂散信号的 RMS 值之比，从 0Hz (DC) 到数据转换器采样率的二分之一测量（即 fs/2）。峰值杂散分量可以是谐波或非谐波相关的。
SFDR 可以通过以下公式计算：

数据转换器的 SFDR 通常受输入信号的二次或三次谐波限制，但通过仔细的滤波器设计和最佳频率规划，通常可以避免 HD2 和/或 HD3，从而大大提高 SFDR。

信噪比 (SNR)

信噪比 (SNR) 是通常用于量化数据转换器中噪声的参数，它是输入信号功率与噪声功率之比，是通常以 dB 表示。同样，也可以使用信号和噪声幅度的 RMS 值来评估 SNR，如公式 2 所示：

由于采样抖动，SNR 通常在较高频率下会降低。噪声来自三个来源：

量化噪声
ADC 的热噪声
抖动或采样不确定性噪声

具有满量程正弦波输入的 ADC 的理论最大 SNR 来自量化噪声。 SNR 有另一种公式表示：

在奈奎斯特带宽上，其中 N 是理想 ADC 的位数。该公式可在整个奈奎斯特带宽内提供最佳 SNR，假设理想 N 位数据转换器的正弦波输入（不包括谐波失真）。数据转换器的 SNR 还受到其自身热噪声和采样时钟相位噪声的限制。当输入信号带宽低于奈奎斯特速率时，SNR 会提高。

信噪比 (SNDR)

SNDR（也称为 SINAD）是 RMS 信号功率与 (a) 总噪声功率和 (b) 所有其他频谱分量功率加上所有其他谐波的 RMS 总和之比当输入为正弦波时，输出（不包括 DC）的组件功率。
SNDR 是用于测量数据转换器动态性能的关键参数之一，因为 SNDR 包括奈奎斯特带宽上的所有噪声和杂散。 SNDR 表示输入信号的质量；更高的 SNDR 意味着更强的输入功率与噪声和杂散性能的区别。 SNDR 方程可以表示为：

其中 P Signal 是感兴趣的信号、噪声和失真分量的平均功率。SNDR 通常以 dB（分贝）、dBc（相对于载波的分贝）或 dBFS（相对于满量程的分贝）表示。

SNDR 有另一种等式表示：

SNDR 是 SNR 和 THD 规范的组合，因此 SNDR 将所有不需要的频率分量与输入频率进行比较，这显示了数据转换器动态性能的整体衡量标准。

有效位数 (ENOB)

有效位数 (ENOB) 是用于表征数据转换器相对于奈奎斯特带宽上的输入信号的转换质量（以位为单位）的参数。 ENOB 意味着转换器的性能就好像它是理论上完美的转换器。完美的数据转换器绝对没有失真，它表现出的唯一噪声是量化噪声，因此 SNR 将等于公式 3 中的 SNDR，即 SNR(dBFS) = 6.02N + 1.76。因此，ENOB 是指定 SNDR 的另一种表示：

然而，对于非理想数据转换器，SNDR 和 ENOB 退化包括噪声和缺陷，例如设备热噪声、丢失输出代码、谐波、AC/DC 非线性、增益/偏移误差和孔径时钟相位噪声或抖动。外部偏置参考和电源轨上的噪声也会降低 ENOB。

此外，ENOB 值会随着频率的增加而降低，其原因与 THD 因非线性问题而随输入频率而降低的原因相同。 ENOB来自SNDR，与THD和SNR有关。为了显示数据转换器的准确 ENOB，数据表中突出显示了所需的详细规格和条件。

由于上述标准，大多数模拟数据转换器IC供应商通常倾向于在理想情况下宣传其ENOB，尤其是数据表标题中的ENOB值。然而，许多系统工程师和采购经理仍然很好奇为什么测得的 ENOB 值与数据表中的理想值不同。关于 ENOB 的几个关键点： • 通常在数据转换器数据表标题中显示的“位数”（12 位或 14 位）是指数字位或电压分辨率。这与 ENOB 无关。

ENOB 主要是噪声、非线性和输入频率的函数。
ENOB 会因许多外部不确定性（例如，时钟源、电源）而降低。
ENOB 是在整个奈奎斯特带宽（DC 至 fs/2）上计算的。
ENOB 不是分析直接射频系统（如 SDR）的好指标。

传统数据转换器指标和 SDR

根据定义，SFDR、SNR、SNDR 和 ENOB 都是从数据转换器相对于单音正弦波输入的完整奈奎斯特带宽得出的指标。

传统的高中频超外差接收器架构如上图所示。在本例中，1,800MHz RF 输入通过与 1,500MHz 本机振荡器 (LO) 混频被下变频至 300MHz 的中频 (IF)。通过以 245.76MSPS 对 ADC 进行采样，IF 信号被混叠回 54.24MHz。在这种情况下，感兴趣的信号占据了大部分 ADC 奈奎斯特带宽。
因此，SNR 和 ENOB 参数可有效用于表征 ADC 的动态性能。

当与软件定义无线电 (SDR) 中使用的直接射频采样进行比较时，很明显 ENOB 不是表征数据转换器的准确参数。在上图所示的 SDR 示例中，RF-ADC 对包含感兴趣信号的大带宽进行采样，并在数字域中进行下变频和滤波。直接射频实现中最大的问题是下采样和滤波频带中的伪影。在奈奎斯特带宽上定义的 SNR、SFDR 和 ENOB 不相关，因为可以通过良好的频率规划滤除带外失真。
最重要的指标是灵敏度，而不是奈奎斯特带宽上定义的 ENOB、SNR 或 SFDR。 NSD、IM3 和 ACLR 是量化 RF 采样数据转换器性能的更相关规范，因为它们反映了噪声和失真对感兴趣的抽取频带的真实影响。

RF 采样数据转换器指标

RF 采样数据转换器规格随着半导体工艺几何尺寸变得越来越小，晶体管最大频率 (fmax) 一直在迅速增加。因此，用于直接采样通信应用的射频采样数据转换器产品的可用性和性能得到了显着提高。因此，模拟数据转换器制造商在很大程度上同意使用噪声频谱密度 (NSD)、三阶互调失真 (IM3) 和邻道泄漏比 (ACLR) 来表征射频采样数据转换器在其数据中的性能。

噪声频谱密度 (NSD)

如前所述，SNR 和 ENOB 指标考虑了数据转换器的整个奈奎斯特带宽，这与当今的 RF 采样数据转换器无关，尤其是对于 SDR 应用。在实际应用中，通常会在感兴趣的频带周围使用紧密的带通滤波器，而且许多 RF 采样 ADC 都包含抽取功能，以仅提取感兴趣的信号带宽。这两个方面总是消除这些频段之外的所有噪声。因此，NSD 是量化 RF 采样数据转换器能力的更合适的指标，因为 NSD 为数据转换器提供了 1Hz 带宽中的噪声能量。
尽管 NSD 应用于数据转换器已有一段时间，但对于一些工程师和 IC 采购经理来说，它仍然是新鲜事物。根据定义，NSD 是指相对于 RF-ADC 满量程输入音调每赫兹频率的噪声功率，通常表示为 dBFS/Hz，用于检查具有不同采样率的数据转换器的噪声性能。
要获得数据转换器的 NSD，必须从 SNR 方程中获得整个奈奎斯特带宽上的 RMS 量化噪声功率，该方程定义为基频信号的功率与第一奈奎斯特上积分的噪声功率的比值区。

该 NSD 方程可用于评估具有不同采样频率的不同 RF 采样数据转换器，以表征哪些设备在 SDR 应用中具有最低的频带特定噪声。

对于具有 4GSPS 采样时钟的理想 12 位 ADC，

对于非理想数据转换器，NSD 方程为：

公式 11 中测量的满量程 SNR 应通过直接测量或从供应商提供的数据表中获得。

三阶互调失真 (IM3)

任何复杂信号都同时包含多个频率的分量。转换器传递函数中的非线性不仅会导致纯音失真，还会导致两个或多个信号频率相互作用并产生互调产物。发生这种情况时，结果称为互调失真或 IM3。

通常，“双音测试”通常用于测量各种射频设备（尤其是数据转换器）的非线性行为（即 IM3）。例如，将具有小间隔的双音输入信号 (f1, f2) 注入 RF 设备（即 ADC），如果 ADC 是完全线性的。然而，对于非线性 ADC，会产生 2f1–f2 和 2f2–f1 互调失真产物，以及 nf1 和 nf2 谐波分量。双音测试如图下所示。

某些应用，尤其是与 RF 信号处理相关的应用，对某些调制产物比对其他调制产物更敏感。例如，在 RF 应用中，三阶差分乘积 2f1–f2 或 2f2–f1 很重要，因为它们最接近输入频率，其他分量可以被数字过滤掉。因此，在为 RF 应用指定 IMD 时，通常会忽略 IM3 以外的术语。

IM3 会导致 RF 通信系统出现严重问题，这些问题会在调制信号的相邻频段中产生额外的频率分量（称为“频谱再生”）。在接收路径中，频谱再生会导致带外信号干扰感兴趣的信号。另一方面，在传输路径中，不良 IM3 会影响相邻信道，从而无法通过无线协议的频率掩码。

相邻信道泄漏比 (ACLR)

随着无线需求的急剧增加，分配的频谱变得越来越拥挤。如今，无线基础设施需要更大的数据容量和带宽，才能向更多用户和移动设备提供 IP 服务。在通过空中接口传输信号时，从传输信号泄漏到相邻信道的功率会干扰相邻信道的传输并损害整体无线电系统性能。

ACLR 是一种符合关键标准的频谱测量，设计用于无线电系统，例如 3GPP 5G、LTE 和 W-CDMA。如下图所示，它表征了调制信号功率与发射或泄漏到通信系统相邻信道的功率之比。在各种通信协议的上下文中需要改变信道带宽和相邻信道间隔的能力。为了测量被测设备 (DUT) 的 ACLR，通常使用调制信号发生器或 DAC。

总结

SNR 和 ENOB 是常用参数，用于在全奈奎斯特带宽上设置正弦输入时表征和评估数据转换器。但是，直接采样应用不推荐使用这些和其他传统指标，因为此类设计中采用的 RF 数据转换器不需要在整个奈奎斯特带宽上运行。相反，NSD、IM3 和 ACLR 参数与直接采样设计中使用的设备评估更相关。在此类用例中，量化落入感兴趣频段的数据转换器噪声量更为重要。因此，不同的 RF 应用需要不同的参数规范集来准确评估系统设计性能。对于窄带和更传统的宽带应用，需要对带内噪声、杂散信号和失真进行准确测量（使用合适的指标），以选择正确的 RF 数据处理解决方案。

reference

wp509-rfsampling-data-converters

Xilinx - WP509阅读笔记 - 了解射频采样数据转换器的关键参数相关推荐

Xilinx AXI USB2.0 Device IP 手册阅读笔记
目录 1. 前言 2. 概要 2.1 USB2.0协议特点: 2.2 The AXI USB 2.0 Device介绍 2.2.1 Endpoint0: 2.2.2 Endpoint1~7: 3. 详 ...
T5: Text-to-Text Transfer Transformer 阅读笔记
作者:徐啸知乎专栏:自然语言处理学习之旅 https://zhuanlan.zhihu.com/p/89719631 写在前面谷歌用一篇诚意满满(财大气粗)的基于实验的综述,试图帮助研究者们「拨开 ...
推荐算法炼丹笔记：推荐系统采样评估指标及线上线下一致性问题
本文对于推荐系统中的采样评估指标进行了讨论,内容略多, 还有一些数学推导, 有兴趣的可以去阅读文末给出的原始论文链接, 此处直接列出核心观点: 在评估推荐算法的效果时,能不采样就不采样! 除了AUC, ...
[python Cookbook]阅读笔记
@toc] 前记:为了补充一下python语法知识,感谢网友的推荐阅读了pythonCookbook,这本书确实不错,以问题为导向,引导解决思路. 这个博文是从阅读笔记typora中直接复制过来的没有 ...
全卷积（FCN）论文阅读笔记：Fully Convolutional Networks for Semantic Segmentation
论文阅读笔记:Fully Convolutional Networks forSemantic Segmentation 这是CVPR 2015拿到best paper候选的论文. 论文下载地址:Fu ...
word2vec原理_word2vec论文阅读笔记
word2vec算是NLP中的经典算法,之前在课程中简单的学过,但面试时经不起深问.痛定思痛,参考Jack(@没搜出来)的总结,笔者重点阅读了Mikolov的原始论文[1]和Xin Rong的详细推导 ...
Learning Multiview 3D point Cloud Registration论文阅读笔记
Learning multiview 3D point cloud registration Abstract 提出了一种全新的,端到端的,可学习的多视角三维点云配准算法. 多视角配准往往需要两个阶段 ...
FCGF论文阅读笔记
FCGF论文阅读笔记 0. Abstract 从三维点云或者扫描帧中提取出几何特征是许多任务例如配准,场景重建等的第一步.现有的领先的方法都是将low-level的特征作为输入,或者在有限的感受野上提 ...
PointConv论文阅读笔记
PointConv论文阅读笔记 Abstract 本文发表于CVPR. 其主要内容正如标题,是提出了一个对点云进行卷积的Module,称为PointConv.由于点云的无序性和不规则性,因此应用卷积比 ...
q learning 参数_Soft Q-Learning论文阅读笔记
标题|作者 Reinforcement Learning with Deep Energy-Based Policies Tuomas Haarnoja, Haoran Tang, Pieter Ab ...

Xilinx - WP509阅读笔记 - 了解射频采样数据转换器的关键参数

介绍