共查询到20条相似文献,搜索用时 125 毫秒
1.
2.
该文提出一种用于电荷域流水线模数转换器(ADC)的高精度输入共模电平不敏感采样保持前端电路。该采样保持电路可对电荷域流水线ADC中由输入共模电平误差引起的共模电荷误差进行补偿。所提出的高精度输入共模电平不敏感采样保持电路被运用于一款14位210 MS/s电荷域ADC中,并在1P6M 0.18 μm CMOS工艺下实现。测试结果显示,该14位ADC电路在210 MS/s条件下对于30.1 MHz单音正弦输入信号得到的无杂散动态范围为85.4 dBc,信噪比为71.5 dBFS,而ADC内核功耗仅为205 mW,面积为3.2 mm2。 相似文献
3.
在分析传统CMOS宽共模输入级结构基础上,设计了一种新型CMOS电路结构实现超宽共模输入范围(ICMR)的运算放大器。此设计通过提取输入共模电平与参考共模电平比较放大,反馈到输入信号端,使信号在放大前共模电平趋近参考共模电平,可扩大输入共模电平范围,并有利于OP core性能保持稳定。电路采用TSMC 0.13μm CMOS工艺进行设计,利用Cadence仿真,结果表明:在3.3 V电源电压下,输入共模范围为-1.5 V~4.8 V,开环增益为74 dB,单位增益带宽为11.4MHz,相位裕度为74°。 相似文献
4.
采用0.18 μm BCD工艺,设计了一种高精度电流检测电路。分析了失调电压对电流采样精度的影响,采用斩波差动差分放大器和交叉采样电路,得到好的共模电平设置。采用分时采样的方法,利用逐次逼近模数转换器对电流检测结果进行采样。利用数字电路,对ADC采样结果进行求和并取平均值操作,大幅度消除了失调电压的影响,得到较高的精度。该电流检测电路可用于锂电池保护监测芯片。室温下,输入信号幅度在-10~10 mV范围时,检测误差小于30 μV,输入信号幅度在-170~70 mV范围时,检测误差小于70 μV。 相似文献
5.
6.
7.
为适应低压低功耗设计的应用,设计了一种超低电源电压的轨至轨CMOS运算放大器。采用N沟道差分对和共模电平偏移的P沟道差分对来实现轨至轨信号输入.。当输入信号的共模电平处于中间时,P沟道差分对的输入共模电平会由共模电平偏移电路降低,以使得P沟道差分对工作。采用对称运算放大器结构,并结合电平偏移电路来构成互补输入差分对。采用0.13μm的CMOS工艺制程,在0.6V电源电压下,HSpice模拟结果表明,带10pF电容负载时,运算放大器能实现轨至轨输入,其性能为:功耗390μw,直流增益60dB,单位增益带宽22MHz,相位裕度80°。 相似文献
8.
9.
在分析运算放大器一般输入级电路结构的基础上,文章设计出一种新颖的电路结构以实现运算放大器的超宽共模输入范围,摆脱了电源电压对信号共模电平范围的限制,解决了一般运放输入级中容易出现的输入管饱和问题。电路采用1.6μm的P衬N阱BiCMOS工艺制程,HSPICE仿真结果表明:电源电压为2.7V时,运算放大器的共模电平VCM输入范围为1V~7V,带宽为3MHz(相位裕度72.5),开环增益为62.5dB。 相似文献
10.
比较器在模数转换及其他模拟功能模块中都是非常重要的器件,其速度和精度直接影响模块的功能.采用SMIC 0.18 CMOS混合信号工艺,设计了一种轨到轨电压比较器,电路结构主要包括前置放大器、锁存器和输出缓冲电路,此外,采用一种β倍增的自偏置基准电路提供偏置电流.结果表明,在3.3V的供电电压下,提供共模范围为300 mV~3.3 V的信号,可分辨输入信号的最小频率为200 MHz,单级运放相位裕度大于60°,输出信号占空比为40%~60%,比较阈值约为10 mV,输入输出延时小于5 ns,功耗小于18 mW,版图面积小于200 μm× 150 μm.该比较器的失真较小,在整个输入信号范围内有较高的共模抑制比,较大限度地提高了电路的性能. 相似文献
11.
二相编码脉冲信号的距离多普勒信号处理 总被引:1,自引:0,他引:1
基于伪随机二相编码连续波和相干脉冲串信号的特点,提出一种脉间二相编码脉冲雷达信号及其处理的一般模型和等效简化模型,同时给出了该信号处理方法用于点目标的仿真结果。最后,结合雷达高度表回波信号的特点,较为详细地讨论了脉间二相编码信号在雷达高度表中的应用,也给出了仿真结果。 相似文献
12.
13.
14.
15.
《IEEE transactions on medical imaging》2009,28(12):1997-2006
16.
17.
Beth Jelfs Soroush Javidi Phebe Vayanos Danilo Mandic 《Journal of Signal Processing Systems》2010,61(1):105-115
A novel method for online tracking of the changes in the nonlinearity within both real-domain and complex–valued signals is
introduced. This is achieved by a collaborative adaptive signal processing approach based on a hybrid filter. By tracking
the dynamics of the adaptive mixing parameter within the employed hybrid filtering architecture, we show that it is possible
to quantify the degree of nonlinearity within both real- and complex-valued data. Implementations for tracking nonlinearity
in general and then more specifically sparsity are illustrated on both benchmark and real world data. It is also shown that
by combining the information obtained from hybrid filters of different natures it is possible to use this method to gain a
more complete understanding of the nature of the nonlinearity within a signal. This also paves the way for building multidimensional
feature spaces and their application in data/information fusion. 相似文献
18.
19.
20.