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

  1. 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 ...

  2. 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 ...

  3. 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 ...

  4. 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 ...

  5. 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 ...

  6. 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 ...

  7. 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 ...

  8. 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 ...

  9. 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. 1.IocDI和Spring
  2. MySql常用命令总结[转]
  3. 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。
  4. redis 的一主二从三哨兵模式
  5. leetcode算法题--Wiggle Subsequence
  6. 【C++教程】03.第一个程序解析
  7. aop简介-基于jdk的动态代理
  8. fedora java环境变量_Fedora Linux,JDK安装与配置环境变量
  9. 打印矩阵 java_【Java】 剑指offer(29) 顺时针打印矩阵
  10. PHP公鸡五文钱,公鸡
  11. 不重复数字(洛谷 P4305)
  12. 数据科学和人工智能技术笔记 十三、树和森林
  13. 【docker】【pycharm】pycharm配置docker远程连接
  14. 基于OP放大器的有源模拟滤波器设计--一阶有源滤波器
  15. 手机网站注册页面html模板,手机网页登录注册自适应模版
  16. 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...
  17. 第五章 整合视图层技术
  18. V2X消息之MAP消息解读
  19. 模块1--BH1750的应用(IIC)
  20. 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

  1. 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
  2. xcode工程间的引用,iOS静态库
  3. 《『若水新闻』客户端开发教程》——17.软件自动更新
  4. net core 2 读取appsettings.json
  5. JavaScript设计模式第一弹-创建型设计模式
  6. 如何隐藏所有的导航栏
  7. 详细解读Android中的搜索框(二)—— Search Dialog
  8. java io-字节流/字符流-继承图
  9. Entity Framework第三篇IQueryable和list本地集合
  10. [转]模拟芯片设计的四重境界