[發明專利]一種模數轉換器的非線性校正方法、裝置及電子設備

在審

• 申請號: 202011054006.9
• 申請日: 2020-09-29
• 公開（公告）號: CN112187266A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 朱佳偉;陳仕川;鄭仕鏈;楊小牛
• 申請（專利權）人: 中國電子科技集團公司第三十六研究所
• 主分類號: H03M1/10
• 分類號: H03M1/10
• 代理公司: 北京市隆安律師事務所 11323
• 代理人: 權鮮枝;吳昊

1.一種模數轉換器的非線性校正方法，其特征在于，所述方法包括：

獲取多個樣本數據，每個樣本數據包括所述模數轉換器的采集數據、以及根據所述采集數據構造的誤差標簽信號；

構造適于信號處理的卷積神經網絡；

使用所述多個樣本數據對所述卷積神經網絡進行訓練得到訓練好的卷積神經網絡；

將待校正信號數據輸入至所述訓練好的卷積神經網絡，得到所述訓練好的卷積神經網絡輸出的誤差校正信號，將所述待校正信號減去所述誤差校正信號，得到非線性校正后的信號數據。

2.根據權利要求1所述的方法，其特征在于，所述獲取多個樣本數據，每個樣本數據包括所述模數轉換器的采集數據、以及根據所述采集數據構造的誤差標簽信號包括：

利用模數轉換器采集不同頻點、不同幅度的信號數據，采集信號的樣式包含單音、雙音以及其他窄帶信號；

對采集的信號數據進行M次采樣，每次采樣點數為N，得到M個樣本信號；

將每個樣本信號構造成一個長度為N的列向量，并對每個樣本信號構造誤差標簽信號，得到M個樣本數據(x_i,y_i)，其中x_i為第i個樣本信號對應的列向量，y_i為根據x_i構造的誤差標簽信號。

3.根據權利要求2所述的方法，其特征在于，所述對每個樣本信號構造誤差標簽信號包括：

對第i個樣本信號x_i(n)，n＝0,1,2,...,N-1，N為信號長度，進行快速傅里葉變換變換，得到頻域信號X_i(k)：

對X_i(k)取絕對值，得到信號功率譜S_i(k)：

在所述信號功率譜S_i(k)上進行非線性雜散檢測；

根據檢測得到的雜散位置，對頻域信號X_i(k)進行雜散抑制，得到抑制雜散后頻域信號X′_i(k)；

對抑制雜散后頻域信號X′_i(k)進行快速傅立葉反變換，得到雜散抑制后的信號數據x′_i(n)：

將原信號數據x_i(n)減去雜散抑制后的信號數據x′_i(n)，得到構造完成的誤差標簽信號。

4.根據權利要求3所述的方法，其特征在于，所述在所述信號功率譜S_i(k)上進行非線性雜散檢測包括：

對于某一個檢測頻點序號k_m，k_m∈(0,1,2,...,N-1)，利用下列公式計算該頻點的檢測量γ：

其中，M為檢測長度，λ為保護間隔；

將該檢測量γ與預設門限值η₁和η₂(η₁＜η₂)進行比較，若γ≥η₁且γ≤η₂，則該頻點序號k_m上存在非線性雜散；反之，則不存在非線性雜散；

遍歷所有的頻點序號k_m，k_m∈(0,1,2,...,N-1)，得到存在雜散的頻點序號集不存在雜散的頻點序號集合

5.根據權利要求4所述的方法，其特征在于，所述根據檢測得到的雜散位置，對頻域信號X_i(k)進行雜散抑制包括：

其中，G為抑制因子。

6.根據權利要求1所述的方法，其特征在于，所述構造適于信號處理的卷積神經網絡包括：

構造包括輸入層、中間層和輸出層的卷積神經網絡；其中，所述卷積神經網絡的輸入層的大小為N行1列，N為每次采樣點數；所述卷積神經網絡的中間層至少包含一個卷積層和一個非線性激活層；所述卷積神經網絡的輸出層為回歸層，且所述卷積神經網絡輸出的長度與所述的待校正信號數據的長度保持一致。