[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

本申請公開了一種模數轉換器的非線性校正方法、裝置及電子設備。其中的方法包括：獲取多個樣本數據，每個樣本數據包括模數轉換器的采集數據、以及根據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；使用多個樣本數據對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訓練好的卷積神經網絡，得到訓練好的卷積神經網絡輸出的誤差校正信號，將待校正信號減去誤差校正信號，得到非線性校正后的信號數據。本申請實施例是基于卷積神經網絡對模數轉換器采集的待校正信號數據進行非線性校正，可以適于各種不同規格的模數轉換器的非線性校正，具有通用性。

技術領域

本申請涉及信號處理技術領域，特別涉及一種模數轉換器(Analog to DigitalConverter,ADC)的非線性校正方法、裝置及電子設備。

背景技術

模數轉換器(ADC)是模擬信號與數字信號之間的紐帶，在無線通信、視頻和音頻等應用領域不可或缺。但是，ADC中普遍存在采樣時鐘抖動、量化步長不均勻、編碼寬度不均勻等現象，這些現象最終會以非線性差分和非線性積分的參數形式表現出來。ADC的非線性失真極大地制約著接收機性能的進一步提升。為了提升ADC的性能，可以用純數字化后進行補償的方式對非線性失真進行線性化處理。其基本思想是在數字域尋找與ADC的傳輸函數互為逆關系的參數化模型。現有的數字域補償方法一般都是基于人工經驗的非線性模型，如Volterra級數模型、Wiener模型、Hammerstein模型以及記憶多項式模型等。然而，ADC的非線性問題是一個比較復雜的綜合性失真問題，其實際模型往往與人工模型存在一定差異，從而會導致現有的數字域補償方法性能下降。因此，需要尋找一種不依賴人工建模的非線性校正方法。

發明內容

本申請實施例提供了一種模數轉換器(ADC)的非線性校正方法、裝置及電子設備，不依賴于人工建模，可以適于各種不同規格的ADC的非線性校正，具有通用性。

依據本申請的第一方面，提供了一種模數轉換器的非線性校正方法，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。

依據本申請的第二方面，提供了一種模數轉換器的非線性校正裝置，包括：

樣本獲取單元，用于獲取多個樣本數據，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；

網絡構造單元，用于構造適于信號處理的卷積神經網絡；

訓練單元，用于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；

校正單元，用于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。

依據本申請的第三方面，提供了一種電子設備，包括：處理器，存儲計算機可執行指令的存儲器，

所述可執行指令在被所述處理器執行時，實現前述的模數轉換器的非線性校正方法。

依據本申請的第四方面，提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲一個或多個程序，所述一個或多個程序當被處理器執行時，實現前述的模數轉換器的非線性校正方法。

本申請的有益效果是：