ad采样信噪比与噪声_在AD转换中的过采样和噪声形成
1. 直接量化的过采样AD转换
此类系统的模型可以用下图表示。
图中xa(t)是输入信号,e(t)是量化引入的噪声,xd[n]是最终得到的数字信号,包含分量xda和xde。
对于M倍过采样,信号与量化噪声的功率谱如下图。
从上图可以看出,M越大,信号与噪声之间的重叠部分就越少。
现在将上面的信号通过一个截止频率为PI/M的理想数字滤波器,信号功率不受影响,而PI/M之外的量化噪声将被滤除。再经过M倍降采样后,信号与量化噪声的功率谱就变成下面的样子(量化噪声只有滤波降采样前的1/M):
计算表明(参考《离散时间信号处理》,奥本海默),为达到给定的信号量化噪声比,过采样率M每增加1倍,就可减少1/2位;或者说,为达到期望精度所能减少的位数N与过采样比M的关系为M=4N。
2. 用噪声成形的过采样AD转换
前文述方法可以使用过采样的方法改善信噪比,但过采样比随着所需改善的位数提高而急剧增加。例如16b->20b,所需过采样比就是256。噪声成形的思路是将低频段的量化噪声“搬移”到高频部分去。如下图所示。
量化后的结果反馈回了输入端。
D/A转换器:1个采样周期延时
积分器:离散时间电容积分器,使用累加器建模,y[n]=x[n]+y[n-1],对应传递函数$H(z)=frac{1}{1-z^{-1} }$
于是这种方法的等效模型如下图:
从x[n]到y[n]的传递函数Hx(z)和从e[n]到y[n]的传递函数He[z]可以按系统叠加性质计算出来(分别置e[n]和x[n]为0):
Hx(z)=1
He(z)=1-z-1
它们的单位脉冲响应分别是
yx[n]=x[n]
e'[n]=e[n]-e[n-1]
这样,y[n]=x[n]+e'[n]
e'[n]可看做将e[n]通过一个单位冲击响应为δ[n]-δ[n-1]的系统而得到。对于LTI系统,输出功率谱是输入功率谱乘以系统频响函数的模平方,因此(设e[n]的功率谱为σe2):
Φe'e'(ejω)=σe2|He(ejω)|2=σe2[2sin(ω/2)]2
与此对应的功率谱如下图。相比于直接过采样,噪声功率更多的位于PI/M之外。
有些文章将该系统对量化噪声的处理称作“滤波”,因为滑动差分的频率响应确实是高通。不过从滑动差分的频率响应来看,称之为“噪声形成”更合适一点。
以上所述即Delta-Sigma ADC的基本原理。这种方法可以进行级联,以进一步将量化噪声“推”到PI/M之外。
进一步的量化分析参考教科书。
ad采样信噪比与噪声_在AD转换中的过采样和噪声形成相关推荐
- adc采样的值跳动_嵌入式er必知:模数采样知多少(最全总结)
[导读] 生活环境周围信号万万千,对于一个嵌入式er.我们利用技术去了解世界.改变世界.而一个产品要与外界物理环境打交道,一个至关重要的触角就是采样真实模拟世界的信号,翻译成芯片可理解的数字信号,进 ...
- c2000 电阻采样_关于PMSM控制中使用电阻采样的方案比较
最近有时间把TI ST还有Microchip三家关于PMSM控制中使用电阻采样相的电路看了一下,发现各家都有自己的特点,就做个总结吧. 1.TI C2000系列双电阻采样法 原理说明 在U相和V相的下 ...
- python图像条状状噪声_一起学opencv-python十(给图像加噪声,模糊处理和图像锐化)...
参考了https://www.bilibili.com/video/av24998616/?p=9 https://www.bilibili.com/video/av24998616/?p=10和 h ...
- ad被锁定的账户_大量AD域帐号自动被锁定
设置域帐号登陆次数后自动锁定完则,有大量AD域帐号自动被锁定.在2003域安全策略中,设置登陆3次密码错误后,自动锁定帐号:在登封3次后,帐号可以自动锁定.但是有大批帐号没有登陆错误情况下自动锁定,而 ...
- ad中装配图如何导出_如何把endnote中的research note和title等一起导出成表格或者txt?...
问题源于:如何把endnote中的research note和title等一起导出成表格或者txt? 应该没有现成的style可以实现这个功能,需要自己新建一个, 1.在Endnote中依次点击Edi ...
- 深度卷积神经网络_深度卷积神经网络中的降采样
加入极市专业CV交流群,与6000+来自腾讯,华为,百度,北大,清华,中科院等名企名校视觉开发者互动交流!更有机会与李开复老师等大牛群内互动! 同时提供每月大咖直播分享.真实项目需求对接.干货资讯汇总 ...
- pcm 降采样_深度卷积神经网络中的降采样
降采样指的是成比例缩小特征图宽和高的过程,比如从(W,H)变为(W/2,H/2).深度卷积神经网络中降采样的方法主要有三种: 1.stride大于1的pooling 2.stride大于1的conv ...
- 转换pdf时共享有冲突_共享元素转换中的隐藏错误
转换pdf时共享有冲突 There is a good practice to make your application beautiful and live, and nowadays there ...
- 图像语义分割中的上采样(Upsampling)和下采样(subsampling)
图像语义分割中的上采样和下采样 1. 下采样(subsampled) 2. 上采样(upsampled) 2.1 线性插值 2.2 单线性插值 2.3 双线性插值 2.4 双线性插值举例 2.5 插值 ...
最新文章
- 1.IocDI和Spring
- MySql常用命令总结[转]
- Android内存控制小技巧-使用矢量图来节省你的内存并简化你的开发。
- redis 的一主二从三哨兵模式
- leetcode算法题--Wiggle Subsequence
- 【C++教程】03.第一个程序解析
- aop简介-基于jdk的动态代理
- fedora java环境变量_Fedora Linux,JDK安装与配置环境变量
- 打印矩阵 java_【Java】 剑指offer(29) 顺时针打印矩阵
- PHP公鸡五文钱,公鸡
- 不重复数字(洛谷 P4305)
- 数据科学和人工智能技术笔记 十三、树和森林
- 【docker】【pycharm】pycharm配置docker远程连接
- 基于OP放大器的有源模拟滤波器设计--一阶有源滤波器
- 手机网站注册页面html模板,手机网页登录注册自适应模版
- python查找excel中重复数据_python实现查找excel里某一列重复数据并且剔除后打印的方法...
- 第五章 整合视图层技术
- V2X消息之MAP消息解读
- 模块1--BH1750的应用(IIC)
- 多个绝对值相加求最大值问题_多个绝对值求和型函数最值问题的求解方法
热门文章
- android 阅读器上下滑动_科研党利器——文石13.3寸墨水屏阅读器BOOX Max3
- xcode工程间的引用,iOS静态库
- 《『若水新闻』客户端开发教程》——17.软件自动更新
- net core 2 读取appsettings.json
- JavaScript设计模式第一弹-创建型设计模式
- 如何隐藏所有的导航栏
- 详细解读Android中的搜索框(二)—— Search Dialog
- java io-字节流/字符流-继承图
- Entity Framework第三篇IQueryable和list本地集合
- [转]模拟芯片设计的四重境界