ADC噪聲全面分析 -04- 有效噪聲帶寬簡介

為什么要了解ENBW?

了解模數轉換器 (ADC) 噪聲可能具有挑戰性,即使對于最有經驗的模擬設計人員也是如此。 Delta-sigma ADC 具有量化和熱噪聲的組合,這取決于 ADC 的分辨率、參考電壓和輸出數據速率 (ODR)。 在系統級別,額外的信號鏈組件使噪聲分析變得更加復雜,其中許多組件具有不同的噪聲特性,難以進行比較。
但是,如果希望能夠估計系統中的噪聲,則必須了解每個組件貢獻了多少噪聲、一個組件的噪聲如何影響另一個組件以及哪些噪聲源占主導地位。 盡管這似乎是一項艱巨的任務,但您可以使用信號鏈的有效噪聲帶寬 (ENBW) 來幫助簡化流程。

有效噪聲帶寬基礎

由于 ENBW 是一個抽象概念,讓我們用寒冷夜晚的門窗做個簡單的類比來更容易地理解它。 為了降低能源成本并節省資金,您需要盡可能關閉所有門窗,以限制進入家中的冷空氣量。 在這種情況下,您的家是系統,您的門窗是過濾器,冷空氣是噪音,而 ENBW 是衡量您的開口打開(或關閉)的程度。 間隙 (ENBW) 越大,進入您家 (系統) 的冷空氣 (噪音) 就越多,反之亦然,如下圖所示。

image-20220726142627945

在一般信號處理術語中,濾波器的 ENBW 是理想磚墻濾波器的截止頻率 fC,其噪聲功率大約等于原始濾波器的噪聲功率 H(f)。 將此定義與門窗類比聯系起來,系統的 ENBW 相當于將每個門窗的開口寬度(可能都不同)組合成一個可定義的值,該值同樣適用于所有門窗。

例如,讓我們將單極低通電阻電容 (RC) 濾波器(圖a)簡化為理想的濾波器(圖b)。 為此,請使用積分計算實際濾波器響應下的噪聲功率。 該計算值是原始濾波器的 ENBW,然后成為類似的理想磚墻濾波器的截止頻率 fC。

image-20220726142825973

在這種情況下,可以使用直接積分法計算單極點低通濾波器的 ENBW,也可以使用公式,它將原始 RC 濾波器的 3-dB 點與其 ENBW 相關聯:
E N B W 1 – p o l e R C f i l t e r = 1.57 × f – 3 d B ENBW_{1–pole\ RC\ filter} = 1.57 × f_{–3\ dB} ENBW1–pole?RC?filter?=1.57×f–3?dB?
通過這個簡單的示例,ENBW 被定義為從現實世界的濾波器響應到理想濾波器響應的轉換。 但讓我們討論一下使用這種技術的動機,看看它如何幫助簡化您的噪聲分析計算。

為什么 ENBW 很重要?

為了理解 ENBW 為何如此重要,我們假設您想使用不帶濾波的 ADC 來測量典型滿量程輸出可低至 10 mV 的低電平電阻橋信號。 為此,您需要在 ADC 的輸入端添加一個放大器,以將您感興趣的信號放大到 ADC 的本底噪聲之上,并擴大 ADC 的動態范圍。 在沒有其他濾波的情況下,放大器幾乎將所有噪聲傳遞給 ADC。 在這種情況下,噪聲僅受放大器帶寬的限制,可能為數千赫茲或更高。
幸運的是,您還需要在放大器之后添加一個抗混疊濾波器。 該濾波器執行兩個功能:首先,它限制不需要的信號折回通帶; 其次,它降低信號鏈的 ENBW 遠遠超過放大器的帶寬,因為公式 通常是正確的:
B W F i l t e r < < B W A M P BW_{Filter } << BW_{AMP} BWFilter?<<BWAMP?
下圖模擬了新的 ADC 輸入階段。

image-20220726143633471

鑒于公式中的條件,您知道抗混疊濾波器限制了進入 ADC 的放大器噪聲,但它去除了多少噪聲? 或者,更重要的是,還有多少噪聲會通過影響 ADC 和結果測量? 為了計算這一點,您需要查看放大器的噪聲特性。

下圖顯示了具有較大 1/f(flicker)區域的放大器的電壓噪聲頻譜密度圖。 就其本身而言,該圖幾乎不會告訴您放大器的實際噪聲貢獻(以藍綠色突出顯示)。事實上,非恒定噪聲密度(非斬波穩定放大器的一個常見特性)使得計算傳遞到 ADC 的噪聲變得更具挑戰性。

image-20220726143939144

要了解有多少噪聲傳遞到 ADC,您需要計算系統的 ENBW。 一旦您確定了理想的濾波器響應,您就可以將其疊加在放大器的噪聲頻譜密度曲線上,如下圖中的紅色區域所示。

image-20220726144107570

圖中的抗混疊濾波器經過設計,可提供 200Hz的ENBW,有效地充當放大器噪聲的截止點。 剩下要做的就是計算這個噪聲,由圖 中的深灰色區域表示。當寬帶噪聲占主導地位時,可以使用公式來計算均方根 (RMS) 電壓噪聲:

如果器件具有較大的 1/f 噪聲分量,類似于上圖中所示的放大器,可以使用直接積分或簡化公式來計算器件的噪聲貢獻。

在這種情況下,計算得出的傳遞到 ADC 的 RMS 電壓噪聲為 43.6 nVRMS。

什么有助于系統的 ENBW?

通過這個簡單的放大器/抗混疊濾波器分析,我無意中定義了兩個有助于確定信號鏈 ENBW 的源。 但是,任何設計中都可以存在多個過濾源,并且每個設計中至少存在一些過濾。 即使是不包含傳統濾波的印刷電路板 (PCB) 也具有走線阻抗和并聯走線電容。 這些寄生效應可能會產生一個無意的 RC 濾波器,盡管它具有非常大的帶寬,因此對整體 ENBW 的影響很小。

下圖突出顯示了典型數據采集 (DAQ) 系統中最常見的濾波來源:電磁干擾 (EMI) 濾波器等外部濾波器、放大器的帶寬、抗混疊濾波器、delta-sigma ADC 的數字濾波器和/或任何后置濾波器 - 在 MCU 或現場可編程門陣列中以數字方式創建的處理濾波器。 需要注意的是,并非所有這些濾波源都出現在每個信號鏈中。 例如,許多基于 delta-sigma 的 DAQ 系統不需要后處理濾波器,因為這些 ADC 內部集成了濾波器。

image-20220726144839705

如果您的信號鏈有多個濾波器組件,您必須通過組合信號鏈中的所有下游濾波器來計算每個組件的 ENBW。 例如,要計算上圖中放大器的噪聲貢獻,您必須將放大器的帶寬與抗混疊濾波器、ADC 的數字濾波器和任何后處理濾波器相結合。 但是,您可以忽略 EMI 濾波器。

幸運的是,即使一個電路有多個濾波源,某些濾波器類型通常對整體 ENBW 的影響比其他類型更大。 因此,您可能只需要計算該組件的 ENBW 并忽略其他過濾源。 例如,在較低的輸出數據速率 (ODR) 下,Δ-Σ ADC 的數字濾波器通常提供信號鏈中最窄的帶寬,因此支配了系統的 ENBW。 相反,如果您要使用更快的 ODR 和非常寬的輸入信號帶寬,抗混疊濾波器通常會限制系統的 ENBW。

小結

  1. ENBW 表示給定通用濾波器的理想濾波器的截止頻率 H(f)。
  2. 必須確定系統中每個噪聲源的 ENBW。
  3. 要計算每個噪聲源的 ENBW,請結合系統中的所有下游濾波器。
  4. ENBW 有助于確定每個組件進入系統的噪聲量。
  5. ENBW 通常由具有最小截止頻率的濾波器主導,該濾波器通常是抗混疊濾波器或數字濾波器,尤其是對于精密 deltasigma ADC。

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/web/73128.shtml
繁體地址,請注明出處:http://hk.pswp.cn/web/73128.shtml
英文地址,請注明出處:http://en.pswp.cn/web/73128.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

STM32單片機uCOS-Ⅲ系統10 內存管理

目錄 一、內存管理的基本概念 二、內存管理的運作機制 三、內存管理的應用場景 四、內存管理函數接口講解 1、內存池創建函數 OSMemCreate() 2、內存申請函數 OSMemGet() 3、內存釋放函數 OSMemPut() 五、實現 一、內存管理的基本概念 在計算系統中&#xff0c;變量、中…

考研課程安排(自用)

文章目錄 408數據結構&#xff08;王道&#xff09;計算機組成原理&#xff08;王道&#xff09;操作系統&#xff08;王道&#xff09;計算機網絡&#xff08;湖科大版&#xff09; 數學一高等數學&#xff08;微積分&#xff09;線性代數和概率論 408 數據結構&#xff08;王…

ultraiso制作u盤啟動

UltraISO制作U盤啟動盤的方法 UltraISO是一款功能強大的工具&#xff0c;可以幫助用戶將ISO鏡像文件寫入U盤&#xff0c;從而制作成可啟動的系統安裝盤。以下是詳細的步驟和注意事項&#xff1a; 1. ?準備工作? ?硬件準備?&#xff1a;一個容量至少為8GB的U盤&#xff0…

C語言-發布訂閱模式詳解與實踐

文章目錄 C語言發布訂閱模式詳解與實踐1. 什么是發布訂閱模式&#xff1f;2. 為什么需要發布訂閱模式&#xff1f;3. 實際應用場景4. 代碼實現4.1 UML 關系圖4.2 頭文件 (pubsub.h)4.3 實現文件 (pubsub.c)4.4 使用示例 (main.c) 5. 代碼分析5.1 關鍵設計點5.2 實現特點 6. 編譯…

藍橋杯2023年第十四屆省賽真題-異或和之差

題目來自DOTCPP&#xff1a; 思路&#xff1a; 什么是異或和&#xff1f; ①題目要求我們選擇兩個不相交的子段&#xff0c;我們可以枚舉一個分界線i&#xff0c;子段1在 i 的左邊&#xff0c; 子段2在 i 的右邊&#xff0c;分別找到子段1和子段2的最大值、最小值。 ②怎么確…

Linux作業2——有關文件系統權限的練習

1、創建/www目錄&#xff0c;在/www目錄下新建name和https目錄&#xff0c;在name和https目錄下分別創建一個index.html文件&#xff0c;name下面的index.html文件中包含當前主機的主機名&#xff0c;https目錄下的index.html文件中包含當前主機的ip地址。 #創建/www目錄&…

leeCode 70. 爬樓梯

假設你正在爬樓梯。需要 n 階你才能到達樓頂。 每次你可以爬 1 或 2 個臺階。你有多少種不同的方法可以爬到樓頂呢&#xff1f; 示例 1&#xff1a; 輸入&#xff1a;n 2 輸出&#xff1a;2 解釋&#xff1a;有兩種方法可以爬到樓頂。 1. 1 階 1 階 2. 2 階 示例 2&#x…

算法題(105):小貓爬山

審題&#xff1a; 本題需要我們找出將n個小貓放在有限重的纜車上運下山所需的最小纜車數 時間復雜度分析&#xff1a;本題的數據量小于等于18&#xff0c;所以我們在做好剪枝的前提下可以使用深度優先搜索解題 思路&#xff1a; 方法一&#xff1a;dfs 搜索策略&#xff1a;將小…

第十六章:Specialization and Overloading_《C++ Templates》notes

Specialization and Overloading 一、模板特化與重載的核心概念二、代碼實戰與測試用例三、關鍵知識點總結四、進階技巧五、實踐建議多選題設計題代碼測試說明 一、模板特化與重載的核心概念 函數模板重載 (Function Template Overloading) // 基礎模板 template<typename…

多協議兼容+高并發處理:EasyCVR如何破解AI安防規模化落地難題?

隨著AI技術在安防領域的深入應用&#xff0c;規模化部署面臨兩大核心挑戰&#xff1a;設備協議碎片化導致的接入壁壘與海量視頻流并發帶來的性能瓶頸。TSINGSEE青犀視頻的EasyCVR平臺通過“多協議兼容高并發處理”雙引擎驅動&#xff0c;結合云邊端協同架構與智能算法優化&…

IntelliJ IDEA 中 Git 高頻問題與操作詳解|新手避坑指南

標簽&#xff1a;IntelliJ IDEA Git操作, Git教程, 版本控制, 沖突解決, 分支管理 引言 你是否遇到過這些問題&#xff1f; 代碼提交后想撤銷怎么辦&#xff1f;合并分支時沖突不會解決&#xff1f;不小心把錯誤代碼推送到遠程倉庫&#xff1f; 本文針對 IntelliJ IDEA 中 Git …

【聊聊層次式架構設計:像搭樂高一樣構建軟件大廈】

文章目錄 聊聊層次式架構設計&#xff1a;像搭樂高一樣構建軟件大廈理論篇&#xff1a;層次式架構的“千層套路”最底層&#xff1a;基礎設施層——默默付出的“基石俠”數據訪問層&#xff1a;“數據快遞員”業務邏輯層&#xff1a;智慧的“大腦中樞”表示層&#xff1a;軟件的…

N列股票收盤價為起點的馬科維茨(Markowitz)均值—方差理論

1. 數據準備與收益率計算 輸入數據&#xff1a; 假設你有一個矩陣&#xff0c;每一列代表一只股票的歷史收盤價序列。每一行對應一個時間點的收盤價。 計算收益率&#xff1a; 馬科維茨理論要求使用資產的收益率而非價格。常用的收益率計算方法有對數收益率或簡單收益率。 2.…

Conda常用命令匯總(持續更新中)

原文章&#xff1a;安裝和使用Miniconda來管理Python環境-CSDN博客 一、Miniconda的使用 Miniconda沒有GUI界面&#xff0c;只能通過conda命令對Python環境和軟件包進行管理&#xff0c;所以這里主要介紹一下conda的常用命令。 1. Conda相關 (1)查詢conda版本 conda --vers…

Redis Cluster 詳解

Redis Cluster 詳解 1. 為什么需要 Redis Cluster&#xff1f; Redis 作為一個高性能的內存數據庫&#xff0c;在單機模式下可能會遇到以下問題&#xff1a; 單機容量受限&#xff1a;Redis 是基于內存存儲的&#xff0c;單機的內存資源有限&#xff0c;單實例的 Redis 只能…

利用 MATLAB/Simulink 建立完整的控制系統模型,并進行階躍響應和負載擾動響應仿真

-利用 MATLAB/Simulink 建立完整的控制系統模型,包括單一控制回路(電流、速度、位置)和整個系統的級聯模型 仿真任務包括驗證各回路的階躍響應、負載擾動響應等,確保系統在動態性能上滿足設計要求。 以下是在MATLAB/Simulink中建立完整控制系統模型(包含單一控制回路和級聯…

python基于spark的心臟病患分類及可視化(源碼+lw+部署文檔+講解),源碼可白嫖!

摘要 時代在飛速進步&#xff0c;每個行業都在努力發展現在先進技術&#xff0c;通過這些先進的技術來提高自己的水平和優勢&#xff0c;汽車數據分析平臺當然不能排除在外。本次我所開發的心臟病患分類及可視化系統是在實際應用和軟件工程的開發原理之上&#xff0c;運用Pyth…

3.milvus索引-HNSW

索引作用 加速大型數據集上的查詢。 向量字段&#xff0c;僅只能創建一個索引。 milvus支持的向量索引類型大部分使用 近似最近鄰搜索算法。ANNS該算法的核心不局限于返回最準確的結果&#xff0c;而是僅搜索目標的鄰居。ANNS通過在可接受的范圍內犧牲準確性提高檢索效率。 …

Python(學習二)

列表&#xff1a;[] 列表是可以容納不同類型的數據的 列表取&#xff1a; 列表切片&#xff1a;一次去獲取多個元素 第三個參數&#xff0c;設置跨度值&#xff1a; 列表倒序輸出 列表增&#xff1a; 列表后面添加元素&#xff1a; 切片&#xff1a;實現添加元素 任意位置…

【中文翻譯】第1章-The Algorithmic Foundations of Differential Privacy

為方便閱讀&#xff0c;故將《The Algorithmic Foundations of Differential Privacy》翻譯項目內容搬運至此&#xff1b; 教材原文地址&#xff1a;https://www.cis.upenn.edu/~aaroth/Papers/privacybook.pdf 中文翻譯版 Github 項目地址1&#xff1a;https://github.com/gu…