【ADC】噪声(1)噪声分类

概述

本文学习于TI 高精度实验室课程,总结 ADC 的噪声分类,并简要介绍量化噪声和热噪声。


文章目录

  • 概述
  • 一、ADC 中的噪声类型
  • 二、量化噪声
  • 三、热噪声
  • 四、量化噪声与热噪声对比


一、ADC 中的噪声类型

ADC 固有噪声由两部分组成:第一部分是量化噪声,这实际上是由于需要将无限数量的可能模拟输入映射到有限数量的数字输出代码而产生的误差。该误差将平滑的正弦波输入转换为阶梯形输出,如下图所示。

在这里插入图片描述

第二种噪声是热噪声,它是由电导体的固有特性引起的。由于这种噪声不是模数转换过程的产物,因此即使没有输入信号,它仍然是存在的。上图右侧显示了 ADC 的输入短路至中间电源的情况。蓝色输出信号是时域热噪声信号。


二、量化噪声

所有 ADC 中都存在这两种类型的噪声,但通常其中一种噪声占主导地位,具体取决于 ADC 的分辨率。下图是 ADC 的理想传递函数。如果此处显示的图表上的绿线代表纯模拟信号,则红线代表量化输出,不受偏移或增益误差的影响。注意,此传递函数延伸到象限 1 和 3,假设 ADC 使用二进制补码编码格式。

在这里插入图片描述

如前所述,量化噪声源于将无限数量的模拟输入电压映射到有限数量的可用数字代码之一的过程。例如,假设这个 4 位 ADC 的满量程输入为 ±2.5 V,则输出代码 0100 可以对应 1.093 至 1.406V 之间的任何模拟输入电压。对于任何 ADC,这个步长称为最低有效位,LSB。1 LSB 的值是 ADC 理论上可以解析的最小信号,但实际限制通常使 ADC 无法真正解析到 1LSB 的水平。如屏幕上的公式所示,LSB 大小与 ADC 的参考电压成正比,与 ADC 的分辨率成反比。这种关系有助于解释为什么分辨率更高的 ADC 通常提供更好的噪声性能。更多可用代码会降低 LSB 大小,从而降低量化噪声。

下图显示的是绿色波形是通用正弦波输入。如果将上一张图片中的 4 位 ADC 传递函数应用于此正弦波,则输出将类似于右侧的量化结果。与 ADC 传递函数一样,红色显示的量化输出具有“阶梯”形状。每个阶梯代表一个 ADC 代码,每个代码与无限数量的可能模拟输入电压相关,这些电压受 ADC 的 LSB 大小限制。

在这里插入图片描述

从这些图中可以看出,量化输出不一定能很好地再现输入正弦波。由于我们在本例中使用的是 4 位 ADC,因此转换器没有足够的分辨率来精确复制输入信号。如前所述,更高分辨率的 ADC 会同时减小右侧图中“阶梯”的宽度和高度,从而产生更接近正弦波的量化输出。

下图显示的是组合图,红色量化输出叠加在绿色模拟正弦波输入上。此图下方是另一张图,绘制了模拟输入和量化输出之间的差异。此紫色图表表示组合图上每个点的量化噪声幅度,称为“锯齿”形误差。

在这里插入图片描述

如果放大 LSB 误差图的一部分,可以看到连续模拟输入和阶梯形输出之间的差异如何导致锯齿波形。注意,LSB 误差图在正负半个 LSB 之间变化。在一个 LSB 内,ADC 无法确定实际模拟输入电压的位置。直流信号也是如此,但没有频率分量,量化“噪声”实际上在 ADC 输出中表现为偏移误差,也称为量化误差。

三、热噪声

当量化直流信号(例如 2.5V)时,理想情况下期望没有量化误差,并输出单个代码,如下图顶部所示。然而,对于许多 ADC,即使没有信号,也能观察到噪声。例如,前文所述的热噪声框图将 ADC 的输入短路至中间电源。在这种情况下测量的噪声称为热噪声。与特定于模拟到数字或数字到模拟转换过程的量化噪声不同,由于电导体内电荷的随机运动,热噪声是所有电气元件所固有的。下图显示了热噪声在时域中的样子,以及 ADC 输出的可能分布代码。

在这里插入图片描述

热噪声很大程度上是 ADC 设计的结果,当 ADC 的 LSB 大小较小时,可以观察到热噪声,这通常仅在高分辨率 ADC 中出现。对于低分辨率 ADC,时域噪声图看起来更类似于理想情况,即具有单个输出代码且几乎没有量化噪声。其次,ADC 中的热噪声被认为是除量化噪声之外的所有其他内部噪声源的组合。在系统级,包括放大器和电压基准在内的其他组件可能会影响测量到的热噪声。最后,热噪声频率是具有高斯分布的宽带,因此总 ADC 噪声性能应使用平方和根将量化和热噪声相加。


四、量化噪声与热噪声对比

在频域中,量化噪声和热噪声在整个频率范围内通常看起来是均匀的,如下图的功率与频率图所示。热噪声通常具有宽频谱,显示为蓝色频率图。量化噪声也是宽带的,这是因为之前看到的“锯齿”形波形的频谱很宽,混叠回 0 Hz 至采样频率一半的频率范围。虽然热噪声显示低于量化噪声水平,但情况并非总是如此。对于许多 ADC,热噪声的幅度大于量化噪声。对于其他 ADC,热噪声和量化噪声可能大致相等。ADC 的分辨率通常决定了不同噪声水平的幅度。对于这个特定的频率图,可以得出结论这是一个低分辨率 ADC,因为量化噪声占主导地位。在这种情况下,与热噪声相比,ADC 具有相对较大的 LSB 大小。

在这里插入图片描述

另一方面,如果观察高分辨率 ADC 中的噪声水平,会看到量化噪声水平低于热噪声水平,如图所示。量化噪声水平较低是由于高分辨率 ADC 中的 LSB 大小要小得多。例如,使用5 伏参考电压且无增益的 24 位 delta-sigma ADC 的 LSB 大小小于 300 nV,远低于 ADC的热噪声水平。

在这里插入图片描述

ADC 的分辨率通常决定哪种类型的噪声占主导地位。对于较低分辨率的 ADC,LSB 大小较大,导致量化噪声水平高于热噪声水平,如下图左侧所示。相反,在较高分辨率的 ADC 中,我们可以观察到由于量化噪声水平相对较低而产生的热噪声,如右图所示。

在这里插入图片描述

热噪声是 ADC 的一个特性,用户无法改变。但是,由于量化噪声是 ADC 分辨率和参考电压的乘积,因此可以在此处进行更改以提高系统性能。例如,如果系统允许,可以在较低分辨率 ADC 中使用较小的参考电压来降低 LSB 大小和随后的量化噪声幅度,这可以降低 ADC 的总噪声。对于热噪声占主导地位的较高分辨率 ADC,实际上可以使用更大的参考电压来增加 ADC 的输入范围,同时确保将量化噪声水平保持在热噪声以下。假设其他系统没有变化,增加的参考电压可以实现更好的信噪比。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/440371.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

鸿蒙开发(NEXT/API 12)【穿戴设备传感器获取】手机侧应用开发

手机侧应用可以通过Wear Engine获取穿戴设备上的传感器信息,并通过打开、关闭命令控制获取传感器数据。 使用传感器相关接口前,需要向手机侧用户申请获取对应权限的授权 传感器类型申请权限ECG、PPG、HR[HEALTH_SENSOR]人体传感器ACC、GYRO、MAG[MOTIO…

C#医学影像分析源码,医院影像中心PACS系统源码

医学影像系统源码,影像诊断系统PACS源码,C#语言,C/S架构的PACS系统全套源代码。 PACS系统是医院影像科室中应用的一种系统,主要用于获取、传输、存档和处理医学影像。它通过各种接口,如模拟、DICOM和网络,以…

计算机毕业设计 玩具租赁系统的设计与实现 Java实战项目 附源码+文档+视频讲解

博主介绍:✌从事软件开发10年之余,专注于Java技术领域、Python人工智能及数据挖掘、小程序项目开发和Android项目开发等。CSDN、掘金、华为云、InfoQ、阿里云等平台优质作者✌ 🍅文末获取源码联系🍅 👇🏻 精…

通信工程学习:什么是RARP反向地址解析协议

RARP:反向地址解析协议 RARP(Reverse Address Resolution Protocol,反向地址解析协议)是一种网络协议,其主要作用是在设备只知道物理地址(如MAC地址)时,允许其从网关服务器的地址解析…

LLM prompt提示设计与优化

参看: https://help.aliyun.com/zh/model-studio/use-cases/prompt-engineering-guide?spma2c4g.11186623.0.0.136d55ceDnHbPK https://tenten.co/learning/co-star-tidd-ec-prompt-framework/ 大语言模型中 Prompt 的设计和优化方法,包括使用 Prompt 框…

深度学习中的结构化概率模型 - 使用图来描述模型结构篇

序言 在深度学习的探索之路上,结构化概率模型以其独特的视角和强大的表达能力,成为了研究复杂数据关系的重要工具。这一模型的核心在于其巧妙地利用图来描述模型结构,将随机变量间的复杂交互关系可视化、结构化。图的引入,不仅为…

CPU 多级缓存

在多线程并发场景下,普通的累加很可能错的 CPU 多级缓存 Main Memory : 主存Cache : 高速缓存,数据的读取存储都经过此高速缓存CPU Core : CPU 核心Bus : 系统总线 CPU Core 和 Cache 通过快速通道连接,Main menory 和 Cache 都挂载到 Bus 上…

python爬虫 - 初识requests模块

🌈个人主页:https://blog.csdn.net/2401_86688088?typeblog 🔥 系列专栏:https://blog.csdn.net/2401_86688088/category_12797772.html 前言 requests 是一个用于发送 HTTP 请求的 Python 库,设计简单且功能强大&am…

强制删除了windows自带的edge浏览器,重装不了怎么办【已解决】

#最近我的edge浏览器出了点问题,点击打不开但是能在下面的任务栏看到他开启了,就是不能够显示在桌面,小窗口叫我配置设置。 我不懂,感觉很烦,就把他强制卸载了。但是windows是不允许将他卸载的,使用window…

Java | Leetcode Java题解之第461题汉明距离

题目: 题解: class Solution {public int hammingDistance(int x, int y) {int s x ^ y, ret 0;while (s ! 0) {s & s - 1;ret;}return ret;} }

二叉树进阶学习——从中序和后续遍历序列构建二叉树

1.题目解析 题目来源:106.从中序和后序遍历序列构造二叉树 测试用例 2.算法原理 后序遍历:按照左子树->右子树->根节点的顺序遍历二叉树,也就是说最末尾的节点是最上面的根节点 中序遍历:按照左子树->根节点->右子树…

Qt操作主/从视图及XML——实例:汽车管理系统

目录 1. 主界面布局2.连接数据库3.主/从视图应用 1. 主界面布局 先创建一个QMainwindow&#xff0c;不带设计界面 #ifndef MAINWINDOW_H #define MAINWINDOW_H#include <QMainWindow> #include <QGroupBox> #include <QTableView> #include <QListWidg…

探索Python文本处理的新境界:textwrap库揭秘

文章目录 **探索Python文本处理的新境界&#xff1a;textwrap库揭秘**一、背景介绍二、textwrap库是什么&#xff1f;三、如何安装textwrap库&#xff1f;四、简单函数使用方法4.1 wrap()4.2 fill()4.3 shorten()4.4 dedent()4.5 indent() 五、实际应用场景5.1 格式化日志输出5…

Study-Oracle-11-ORALCE19C-ADG集群搭建

一、ORACLE--ADG VS ORACLE--DG的区别 1、DG是Oracle数据库的一种灾难恢复和数据保护解决方案&#xff0c;它通过在主数据库和一个或多个备用数据库之间实时复制数据&#xff0c;提供了数据的冗余备份和故障切换功能。它的主要作用是灾难恢复&#xff0c;可以在主数据库发生故…

Html批量转word工具2.1

2024年10月7日记录&#xff1a; 有客户反馈&#xff0c;2.0刚运行就提示转换完成 有问题就解决。正好国庆假期这几天有空&#xff0c;2.1版就出炉了。 2.1 更新记录&#xff1a; 修复了1个bug&#xff1a;刚运行就提示转换完成 下载地址&#xff1a;Html 转 word 批量处理工具…

基于SpringBoot vue3 的山西文旅网java网页设计与实现

博主介绍&#xff1a;专注于Java&#xff08;springboot ssm springcloud等开发框架&#xff09; vue .net php phython node.js uniapp小程序 等诸多技术领域和毕业项目实战、企业信息化系统建设&#xff0c;从业十五余年开发设计教学工作☆☆☆ 精彩专栏推荐订阅☆☆☆☆…

curses函数库简介及使用

curses函数库简介及使用 导语curses简介屏幕输出读取清除移动字符 键盘键盘模式输入 窗口WINDOW常用函数屏幕刷新优化 子窗口keypad彩色显示pad总结参考文献 导语 curses函数库主要用来实现对屏幕和光标的操作&#xff0c;它的功能定位处于简单文本行程序和完全图形化界面之间…

Prompt 模版解析:诗人角色的创意引导与实践

Prompt 模版解析&#xff1a;诗人角色的创意引导与实践 Prompt 模版作为一种结构化工具&#xff0c;旨在为特定角色——本例中的“诗人”——提供明确的指导和框架。这一模版详尽地描绘了诗人的职责、擅长的诗歌形式以及创作规则&#xff0c;使其能在自动化系统中更加精确地执…

[C#]C# winform部署yolov11-pose姿态估计onnx模型

【算法介绍】 在C# WinForms应用中部署YOLOv11-Pose姿态估计ONNX模型是一项具有挑战性的任务。YOLOv11-Pose结合了YOLO&#xff08;You Only Look Once&#xff09;的高效物体检测算法和Pose Estimation&#xff08;姿态估计&#xff09;专注于识别人体关键点的能力&#xff0…

【Nacos架构 原理】内核设计之Nacos寻址机制

文章目录 前提设计内部实现单机寻址文件寻址地址服务器寻址 前提 对于集群模式&#xff0c;集群内的每个Nacos成员都需要相互通信。因此这就带来一个问题&#xff0c;该以何种方式去管理集群内部的Nacos成员节点信息&#xff0c;即Nacos内部的寻址机制。 设计 要能够感知到节…