训练机器学习系统以进行ADC补偿的制作方法

技术特征：
1.一种设备，其特征在于，包括：模数转换器“adc”，所述adc被配置成将模拟输入信号转换成数字输出信号；以及机器学习系统，所述机器学习系统被配置成补偿所述adc的电路系统内产生的模数转换误差，其中所述机器学习系统已被训练以通过误差信号补偿所述模数转换误差，所述误差信号是神经网络的输出与所述adc的滤波后输出之间的差。2.根据权利要求1所述的设备，其特征在于，来自所述adc的所述滤波后输出由滤波器产生，所述滤波器被配置成从所述数字输出信号重构所述输入信号。3.根据权利要求1所述的设备，其特征在于，另外包括被配置成将过程-电压-温度“pvt”参数输入到所述机器学习系统中的电路系统，其中所述adc的输出随所述pvt参数的值而变化，其中所述机器学习系统已被训练以补偿所述模数转换误差，同时考虑所述pvt参数的一个或多个值对所述adc的所述输出的影响。4.根据权利要求1所述的设备，其特征在于，所述机器学习系统是已在训练阶段被预先配置成使用接收所述误差信号的成本函数补偿所述模数转换误差的神经网络，其中所述误差信号是所述训练阶段期间所述神经网络的输出与目标信号之间的差，所述目标信号包括所述adc的未滤波输出与所述adc的所述滤波后输出之间的差。5.一种方法，其特征在于，包括将模拟信号输入到模数转换器“adc”中，所述adc被配置成将所述模拟信号转换成数字输出信号；以及通过机器学习系统修改所述数字输出信号，其中所述机器学习系统的计算参数被配置成补偿所述模拟信号到所述数字输出信号的转换期间由所述adc产生的失真，其中所述计算参数在所述机器学习系统的训练阶段期间使用对误差信号进行运算的成本函数预先配置，所述误差信号由所述机器学习系统的输出与目标信号之间的差产生，所述目标信号作为来自所述adc的滤波后输出的函数而产生。6.根据权利要求5所述的方法，其特征在于，所述计算参数包括分配给所述机器学习系统内的节点的权重和偏差。7.根据权利要求5所述的方法，其特征在于，来自所述adc的所述滤波后输出由数字滤波器产生，所述数字滤波器被配置成滤除所述机器学习系统被训练以补偿的预定量的失真。8.一种方法，其特征在于，包括将第一模拟信号输入到模数转换器“adc”中，所述adc被配置成将所述第一模拟信号转换成第一数字输出信号；以及训练机器学习系统以补偿失真误差，所述失真误差是所述第一模拟信号到所述第一数字输出信号的转换期间由所述adc在所述第一数字输出信号内产生的。9.根据权利要求8所述的方法，其特征在于，另外包括：在所述机器学习系统的所述训练之后，将第二模拟信号输入到所述adc中以产生第二数字输出信号；以及通过经过训练的机器学习系统修改所述第二数字输出信号以产生校正后输出信号，其中所述校正后输出信号的失真误差比所述第二数字输出信号少。10.根据权利要求8所述的方法，其特征在于，所述训练使用对误差信号进行运算的成
本函数来配置所述机器学习系统内的计算参数，所述误差信号由所述机器学习系统的输出与目标信号之间的差产生，所述目标信号作为来自所述adc的滤波后输出的函数而产生，其中来自所述adc的所述滤波后输出由被配置成滤除预定量的所述失真误差的数字滤波器产生。

技术总结
通过使用例如神经网络等机器学习系统来补偿由模数转换器中的非线性或其它失真源引起的模数转换误差。基于模拟或测量数据训练所述机器学习系统，所述训练利用了所述模数转换器的滤波后输出，其失真误差比所述模数转换器的未滤波输出小。过程-电压-温度参数对所述模数转换误差的影响可以并入到所述机器学习系统的所述训练中。统的所述训练中。统的所述训练中。


技术研发人员：罗伯特
受保护的技术使用者：恩智浦有限公司
技术研发日：2021.07.19
技术公布日：2022/1/21