目录

一、静态特性

1、失调误差(offset error)

2、增益误差(gain error)

3、微分非线性(DNL)

4、积分非线性(INL)

二、动态特性

1、信噪比(SNR)

2、总谐波失真(THD)

3、信噪失真比(SNDR or SINAD)

4、无杂散动态范围(SFDR)

5、有效位数(ENOB)及6.02N+1.76db的推导


一、静态特性

说明ADC的静态特性前,得知道ADC是干嘛用的,它的输入是什么,输出是什么,用函数的观点去理解它,或者说用模块的思维去理解它,更容易。

显然ADC输入是模拟电压,输出是数字编码。从函数的角度看,其函数图像如下:

这是一个自变量为连续的模拟电压,因变量为特定值的分段阶梯函数。

有了这个理解,关于它的静态特性就变得很简单了。用数学的话说叫函数图像,用专业的话说叫传输特性曲线。如果位数足够多,那么这个传输特性曲线肉眼是看不清这样的阶梯状的。如下图

局部放大图是长这样的:

有这个理解后,静态特性指标描述的是什么就很容易理解了。

理想情况下,函数图像是一条过原点的,有斜率的直线。

实际情况下,函数图像可能不过原点(失调误差),斜率可能有变化(增益误差),甚至不是直线(积分非线性),每个码字宽度非理想(微分非线性)

有了这样的理解,至于是用什么单位度量这些指标都不是最重要的了,可以是LSB,可以是百分比。就像说一个人的身高,可以说他1.75m,也可以说他175cm,还可以说他比XX高10cm。

1、失调误差(offset error)

失调误差是描述模数转换器零输入情况下的输出偏移。在没有输入的情况下,输出码不是0;或者有一定输入的情况下,输出码居然是0。在图像上就体现为截距。

2、增益误差(gain error)

增益误差是指输出量化阶梯曲线的直线斜率与理想输出之间的误差。如下图所示。

3、微分非线性(DNL)

可以理解为实际码字对应的模拟电压范围与1LSB的差距,或者说偏离的百分比,如本来理想情况下一个码字对应1LSB,而某个码字居然是1.5LSB,那么这个码字的DNL就是0.5LSB,或者你也可以说是50%,通常用LSB衡量。

也就是DNL是针对一个码字来说的。如果是衡量整个ADC的DNL当然用所有DNL中偏差最大的那个衡量。

4、积分非线性(INL)

积分非线性,可以理解为是求和,每个码字的DNL累加求和。积分的本质就是求和。

由于每从此码字有一点偏差,累加到一起,可能对于某个码字偏离理想值最大,这个偏离的最大值就是INL。

二、动态特性

静态特性是静态的,也就是低频时的特征。

动态特性描述的是ADC性能随着信号频率变化而变化的特征。

既然是与频率有关,当然分析的函数图像就不是上面的传输特性曲线,而是与频率相关的频谱图。

这部分可以重点参考TI的视频:11 交流和直流参数_哔哩哔哩_bilibili

为了理解这些指标,同样的,首先得有个图像:

经FFT分析后,频谱中会包含有信号、失真、噪声这三个量。而相关指标的计算就是基于这三个量的。

1、信噪比(SNR)

信噪比就是信号功率与噪声功率的比,或者说信号均方根电压与噪声均方根电压的比值。这里的噪声就包括:ADC本身的量化噪声、热噪声、其它噪声。计算方式如下:

2、总谐波失真(THD)

谐波失真,是由于当传输特性曲线的非线性引起的,什么是非线性,也就是非直线,如下图:

左图中实际传输曲线电压较高时斜率较大,也就是增益较大,在实际转换中,高电压将放大,如右图所示,就会产生非线性失真。

总谐波失真计算方式如下:

谐波一般取前10次谐波,从计算公式可知信号在分母位置,计算出来小于1或为负dB。

3、信噪失真比(SNDR or SINAD)

SNDR:THD+N,

SINAD:Signal-to-noise and distortion ratio,信纳比/信噪比(不管怎么叫,东西就是这么个东西,算式就是这么个算式)。与SNDR互为倒数,或互为相反数(用dB表示)

4、无杂散动态范围(SFDR)

SFDR:Spurious-free Dynamic Range

是指基波强度与最大杂波或谐波的强度之比,所以SFDR值越大则说明系统的噪声水平越低,灵敏度越高。峰值杂散分量可以是谐波关系,也可以是非谐波关系

从图像看,是这样的:SFDR 参数分析_染不尽的流年的博客-CSDN博客_sfdr性能

5、有效位数(ENOB)及6.02N+1.76db的推导

由于ADC本身有量化噪声,因此理想情况下(仅考虑量化噪声),其SNR可以参考下图的推导。本质就是信号均方根电压除以噪声均方根电压。

详细推导视频参见:1. 模数转换器评价参数_哔哩哔哩_bilibili,第20分钟位置。By the way,该UP主有很多干货内容,值得认真看看。

ADC性能指标(INL/DNL/GE/OE/SNR/THD/SINAD/SFDR/ENOB)(用函数的观点来理解)相关推荐

  1. 高速模数转换器(ADC)的INL/DNL测量

    高速模数转换器(ADC)的INL/DNL测量 Aug 20, 2009 摘要:尽管积分非线性和微分非线性不是高速.高动态性能数据转换器最重要的参数,但在高分辨率成像应用中却具有重要意义.本文简要回顾了 ...

  2. inl和dnl matlab_matlab仿真inl dnl

    高速模数转换器ADC的INLDNL测量 美国美信公司关于ADC参数INL和DNL的测试方法介绍美国美信公司关于ADC参数INL和DNL的测试方法介绍隐藏>> Maxim > App ...

  3. Matlab计算THD、SNR、SINAD

    Matlab计算THD.SNR.SINAD %计算THD.SNR.SINAD的脚本 clc;clear; datas = load('C:\test.txt'); %数据路径 fs = 100000; ...

  4. matlab波形的thd波形,Matlab图片处理函数小记

    function ha = tight_subplot (Nh, Nw, gap, marg_h, marg_w) %TIGHT_SUBPLOT suplot子图间距调整,自适应调整间距.空白 % 代 ...

  5. dcdc芯片效率不高的原因_半导体厂商如何做芯片的出厂测试?

    本文来源于知乎,已获作者授权,谢谢. 作者:温戈 链接: https://www.zhihu.com/question/20584576/answer/1538640891 知乎网友提问:半导体厂商如 ...

  6. 一篇NS SAR ADC的学习记录

    一篇NS SAR ADC的学习记录 内容包含: OverSampling Noise Shaping Dynamic Amplifier DAC with Redundancy 最近看了些有意思的SA ...

  7. 【虹科分享】影响数字化仪精度的因素

    数字化仪的两个关键参数是带宽和幅度分辨率.这两个参数不是独立的--随着带宽的降低,分辨率会提高.用户必须权衡选择数字化仪以满足他们的测量需求.在实际测量中,噪声和失真对数字化仪可实现的分辨率也有一定影 ...

  8. 高速ADC的关键指标:量化误差、offset/gain error、DNL、INL、ENOB、分辨率、RMS、SFDR、THD、SINAD、dBFS、TWO-TONE IMD

    (一)一个基本概念 分贝(dB):按照对数定义的一个幅度单位.对于电压值,dB以20log(VA/VB)给出:对于功率值,以10log(PA/PB)给出.dBc是相对于一个载波信号的dB值:dBm是相 ...

  9. adc量化单位_高速ADC的关键指标:量化误差、offset/gain error、DNL、INL、ENO...

    (一)一个基本概念 分贝(dB):按照对数定义的一个幅度单位.对于电压值,dB以20log(VA/VB)给出:对于功率值,以10log(PA/PB)给出.dBc是相对于一个载波信号的dB值:dBm是相 ...

最新文章

  1. js 万年历农历转阳历 方法_Python 农历公历算法转换
  2. Retrofit 原理解析
  3. 你应该学会的接口调试神器——Postman高级用法
  4. 【Linux】Linux 目录结构
  5. 六、springboot(三)配置双数据源
  6. RTX5 | 内存池02 - 剩下几个API
  7. linux java mail 时间,Javamail在Windows上工作,而不是在Linux上
  8. Hadoop热添加删除节点(含Hbase)
  9. Android-动画-view 动画笔记
  10. SSH整合开发基本步骤
  11. python人口普查数据数据分析_利用人口普查的收入数据来选一个好学校!
  12. jsp 默认select option 默认选中方法
  13. 让你的 commit 更有价值(规范)
  14. josn转bln的方法
  15. 双重福利:计算机图书满100减50+满99 减10叠加券,更有抽奖送书活动,点击查看!...
  16. 【数据结构Python描述】手动实现一个list列表类并分析常用操作时间复杂度
  17. 2022 Q2 GO开发者问卷调查结果
  18. js元素选择器-js更具name获取元素中的元素
  19. 深度学习之COLA-Net
  20. 读《Python Algorithms: Mastering Basic Algorithms in the Python Language》

热门文章

  1. java课程设计抽奖程序源码_java课程设计---个人博客 彩票抽奖程序 201821123098 钟海清...
  2. 如何用区块链解决滴滴美团打车大战的补贴困境!
  3. 中国老板:是商人还是企业家?
  4. 【组合数学】排列组合与各种计数数列
  5. Python程序设计 第4章:复合数据类型
  6. ChatGPT为什么不能代替人
  7. 畅想未来计算机英语作文带翻译,关于未来的英语作文带翻译
  8. 世界500强的用人标准
  9. 大数据可视化课程笔记 7
  10. react 高阶组件HOC实现组件复用