【PLL】ISSCC 2024 Tutorial: Calibration Techniques in PLLs

1. 数字辅助模拟电路

为什么要辅助,或替换模拟电路?

  • 利用CMOS管子尺寸缩小,降低功耗 减小面积
  • 校正模拟电路的 非线性行为失配

数字辅助的好处:

  • 简化模拟电路设计
  • 提高能源效率,提高准确度

2. 锁相环基础

2.1 概述

锁相环是一个【频率跟随器】(Frequency Follower):输出频率跟随输入频率

 稳定状态时,输入信号 in(t)输出信号 out(t) 有 固定的相位偏移

2.1.1 整数N分频

  • 整数N分频综合器:分频器反馈回路
  • 输出频率= 参考时钟频率(fref) * 分频比(N)
  • PLL相当于一个【频率DAC】:调节 N,输出频率不同

2.1.2 分数N分频

  • ΔΣ modulator把分频器控制信号MC打散,使其平均值为分数分频比:输出频率=(N+m)*Fref
  • 相当于一个【ΔΣ-频率-DAC】

2.2 应用

  • 时钟倍增
    • 固定频率倍增系数
    • e.g. 用于A/D转换器的时钟发生器
  • 频率综合器
    • 可编程倍频系数
    • e.g. 无线收发机的本振
      • QAM应用于毫米波需要本振低相噪
      • e.g. 集成抖动 PN <-36 dBc,或 据对抖动 < 90fs (5G NR at 28 GHz)
  • 频移抑制
    • 将内部时钟与I/O时钟对齐
  • 时钟恢复
    • 从传入数据流中提取时钟频率
  • FM调制/解调

2.3 实现

2.3.1 电荷泵模拟锁相环

  • 在工业中广泛应用:简单,可靠
  • 模拟滤波器:占用很大面积;容易受泄漏电流影响
  • 电荷泵:存在失配;限制输出电阻;增加噪声
  • 面积、功耗、设计成本不能随着CMOS工艺节点进步而减小

2.3.2 基于TDC的数字锁相环

时间数字转换器:

 数字振荡器:

数字滤波器:

  • 数字滤波器代替 面积大的模拟滤波器
  • 没有电荷泵(噪声、功率、面积较小)
  • 更容易校准
  • TDC和DCO引入量化噪声和截断噪声 
ΔΣ噪声消除

  • ΔΣ噪声可以倍准确的完全消除
  • 需要增益校准 H(z)匹配分频器和TDC增益
  • 如果 a_0=K_{tdc}*T_{v0},则可以完全消除

3. 自适应滤波器基础

  • 调制滤波器系数,以估计输入信号 x[k] 中的未知量 d[k]
  • 如果 x[k]变化,则自适应算法更新滤波器系数

3.1 线性估计案例:

3.2 最陡下降算法:

  • 均方误差J(w)=E{\{|e|^2\}}是经典的成本函数
  • 其全局最小值的搜索方向与 J(w) 的梯度相反(即,沿着成本值递减的路径)
  • J(w) 的梯度取决于 x[k]、d[k] 的统计量

3.3 收敛与稳定性:

  • 收敛速度却决于步长 μ
  • 稳定性要求 μ 是正的和有限的。

3.4 随机梯度算法:LMS 案例

计算成本为 2 个乘法器和 2 个加法器(假设μ是2的幂次方)

3.5 自适应滤波器应用的类别

  • 干扰消除
  • 逆向建模
    • e.g 通道均衡
  • 系统识别
    • e.g. 信道估计、回声消除
  • 线性预测
    • e.g. 预测编码、线路增强

3.5.1 干扰消除

  • 所需信号 s[k] 被噪声或干扰 n[k] 破坏
  • 滤波器根据 n’[k](与 n[k] 相关)估计 s[k]

3.5.2 逆向建模

  • 滤波器成为未知系统的逆
  • 延迟使系统具有因果性
  • 典型应用:通道均衡

3.5.3 系统识别

  • 滤波器模仿未知系统的行为
  • 两个系统均由相同的输入x[k]
  • 典型应用:信道估计、回声消除

3.5.4 线性预测

  • 滤波器使用过去的样本预测输入信号的未来值
  • 典型应用:预测编码、线路增强

4. 校准案例

4.1 PLL量化噪声消除(干扰消除)

4.1.1 数字锁相环 ΔΣ噪声消除

  • 在 TDC 输出处执行干扰消除(数字后处理)
  • 量化误差q[k]的增益 a0 被校准

LMS环路

  • 增益 a0 收敛到 q[k]·e'[k]的平均值
  • 自适应滤波器估计分频器/TDC级联的增益

TDC非线性带来的问题

  • TDC非线性导致 量化噪声不能完美消除
  • 增益 a0 收敛到使均方误差最小的值

  • 相位插值减小TDC范围 --> 提高TDC线性度,节省功耗
  • 相位插值失配导致杂散

  • 通过估计每个 PI 相位的单个 hj 来纠正相位失配

4.1.2 DTC辅助 Bang-Bang数字PLL

  • ΔΣ 量化误差通过数字/时间转换器 (DTC) 消除
  • 增益a0在DTC(数字预处理)的输入处校准
  • 校准可以通过单增益 LMS 完成

  • 分段 DTC 中,可以通过 LMS 环路估计多个增益
  • 多路径 LMS 校准可以替代单增益 LMS 来校正 DTC 非线性

4.1.3 现代 DTC辅助数字PLL

4.1.4 DTC辅助采用PLL

  • LMS 的 DTC 辅助已扩展到模拟 PLL
  • 采样相位检测器 (SPD) 减少后续块的噪声影响

4.2 PLL自动带宽控制(系统识别)

4.2.1 环路增益敏感度

  • 开环增益取决于通过BPD增益的抖动
  • BPD和VCO增益对PVT变化都很敏感
  • 系统带宽对PVT变化很敏感

4.2.2 环路增益归一化

  • DCO控制信号w[k]误差信号e[k],是与G成比例
  • 训练序列q[k]被加入DCO调谐w[k]

工作原理:

  • 具有自适应增益g[k]的数字积分器模仿环路行为
  • LMS设置g[k],使e[k]-\hat e[k]为零

4.2.3 PLL自动带宽控制

  • ΔΣ DCO量化噪声q[k]训练自适应滤波器
  • 当环路误差e[k]除以估计增益g[k]时,开环增益现在与模拟参数无关

4.3 PLL 线性FM调制(逆向建模)

4.3.1 直接FM调制

  • 优点:低功耗、高分辨率、线性
  • 缺点:扫频速度慢,具有分数杂散

4.3.2 两点调制

  • 实现PLL快速直接FM调制
  • 需要增益校准

两点调制数学模型

增益不平衡

相关性 c[k]=E{e[k}·n[k]}增益不平衡 ΔK 成比例

增益校准

LMS使ĉ[k]为零,从而使得增益不平衡 ΔK为零

DCO非线性

  • 增益不平衡εK 导致调制泄漏到环路中
  • 仅当调制在PLL BW范围内时,PLL才能校正增益不平衡
  • 环路不校正带外频率误差

解决方法:自适应 数字预失真 算法

DPD减轻了DCO INL和DCO不匹配

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.mzph.cn/bicheng/64447.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩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

STM32-笔记5-按键点灯(中断方法)

1、复制03-流水灯项目&#xff0c;重命名06-按键点灯&#xff08;中断法&#xff09; 在\Drivers\BSP目录下创建一个文件夹exti&#xff0c;在该文件夹下&#xff0c;创建两个文件exti.c和exti.h文件&#xff0c;并且把这两个文件加载到项目中&#xff0c;打开项目工程文件 加载…

Mvc、Springmvc框架

一.Mvc&#xff1a; 1.概念&#xff1a; MVC它是一种设计理念。把程序按照指定的结构来划分: Model模型 、View视图 、Controller控制层&#xff1b; 结构图&#xff1a; 二.Springmvc: 1.概念&#xff1a; springmvc框架它是spring框架的一个分支。它是按照mvc架构思想设计…

spring使用rabbitmq当rabbitmq集群节点挂掉 spring rabbitmq怎么保证高可用,rabbitmq网络怎么重新连接

##spring rabbitmq代码示例 Controller代码 import com.alibaba.fastjson.JSONObject; import com.newland.mi.config.RabbitDMMQConfig; import org.springframework.amqp.core.Message; import org.springframework.amqp.core.MessageProperties; import org.springframewo…

前端面试问题集合

0 HTML5相关 websocket WebSocket 使用ws或wss协议&#xff0c;Websocket是一个持久化的协议&#xff0c;相对于HTTP这种非持久的协议来说。WebSocket API最伟大之处在于服务器和客户端可以在给定的时间范围内的任意时刻&#xff0c;相互推送信息。WebSocket并不限于以Ajax(或X…

RabbitMQ如何构建集群?

大家好&#xff0c;我是锋哥。今天分享关于【RabbitMQ如何构建集群&#xff1f;】面试题。希望对大家有帮助&#xff1b; RabbitMQ如何构建集群&#xff1f; 1000道 互联网大厂Java工程师 精选面试题-Java资源分享网 在RabbitMQ中&#xff0c;集群&#xff08;Cluster&#x…

3大Excel免费功能

推荐几个免费excel图表绘制工具 Power Map Power Map是Excel的内置功能 Power Map可在Windows用户的Excel 2013或者Excel 2016或者Office 365中使用,如下图, 看案例 动态地图1 动态地图2

概率论得学习和整理31: 连续型随机变量的概率本质是求面积,均匀分布等

目录 1 连续性随机变量 2 连续性随机变量和 离散型随机变量&#xff0c;分布的区别 3 不要混淆概念 4 均匀分布的相关 4.1 定义 4.2 例子 1 连续性随机变量 连续性随机变量最大的特点&#xff0c;单个点上的概率0多了一个分布函数&#xff0c;因为从1维变2维了&#xff…

素数回文数的个数

素数回文数的个数 C语言代码C 代码Java代码Python代码 &#x1f490;The Begin&#x1f490;点点关注&#xff0c;收藏不迷路&#x1f490; 求11到n之间&#xff08;包括n&#xff09;&#xff0c;既是素数又是回文数的整数有多少个。 输入 一个大于11小于1000的整数n。 输出…

FFmpeg库之ffmpeg

文章目录 ffmpeg命令行使用基本命令选择流 -map选项 主要命令视频选项音频选项多媒体格式转换滤镜裁剪加水印画中画 录制查看可用的录制设备查看录制设备选项参数录制桌面录制窗口录制摄像头录制麦克风录制系统声音同时录制桌面和麦克风 直播推流拉流 ffmpeg命令行使用 ffmpeg…

牛客周赛 Round 72 题解

本次牛客最后一个线段树之前我也没碰到过&#xff0c;等后续复习到线段树再把那个题当例题发出来 小红的01串&#xff08;一&#xff09; 思路&#xff1a;正常模拟&#xff0c;从前往后遍历一遍去统计即可 #include<bits/stdc.h> using namespace std; #define int lo…

SKETCHPAD——允许语言模型生成中间草图,在几何、函数、图算法和游戏策略等所有数学任务中持续提高基础模型的性能

概述 论文地址&#xff1a;https://arxiv.org/pdf/2406.09403 素描是一种应用广泛的有效工具&#xff0c;包括产生创意和解决问题。由于素描能直接传达无法用语言表达的视觉和空间信息&#xff0c;因此从古代岩画到现代建筑图纸&#xff0c;素描在世界各地被用于各种用途。儿童…

SpringBoot整合druid数据源

SprintBoot默认使用的是HikariDataSource数据源&#xff0c;而且上次课中我们也说了这个数据源访问速度很快&#xff0c;但是这里还要给大家介绍一个第三方的数据源druid&#xff0c;它是阿里开发的一款开源的数据源&#xff0c;被很多人认为是Java语言中最好的数据库连接池&am…

Dubbo 3.x源码(26)—Dubbo服务引用源码(9)应用级服务发现订阅refreshServiceDiscoveryInvoker

基于Dubbo 3.1&#xff0c;详细介绍了Dubbo服务的发布与引用的源码。 此前我们学习了MigrationRuleHandler这个处理器&#xff0c;它用于通过动态更改规则来控制迁移行为。MigrationRuleListener的onrefer方法是Dubbo2.x 接口级服务发现与Dubbo3.x应用级服务发现之间迁移的关键…

Qt Creator 为同一个项目切换不同的构建套件(Kit)

如下图所示&#xff0c;我只有一个构建套件&#xff1a; 切换构建套件(Kit)的步骤如下&#xff1a; 选中上图中的步骤②后&#xff0c;可以看到如下图所示的结果&#xff0c;构建套件就已经添加成功了&#xff1a; 此时&#xff0c;我们可以自由选择使用哪一个构建套件。 如…

vue3实现商城系统详情页(前端实现)

目录 写在前面 预览 实现 图片部分 详情部分 代码 源码地址 总结 写在前面 笔者不是上一个月毕业了么&#xff1f;找工作没找到&#xff0c;准备在家躺平两个月。正好整理一下当时的毕业设计&#xff0c;是一个商城系统。还是写篇文章记录下吧 预览 商品图片切换显示…

Java深拷贝和浅拷贝区别?

大家好&#xff0c;我是锋哥。今天分享关于【Java深拷贝和浅拷贝区别?】面试题。希望对大家有帮助&#xff1b; Java深拷贝和浅拷贝区别? 1000道 互联网大厂Java工程师 精选面试题-Java资源分享网 在Java中&#xff0c;深拷贝&#xff08;Deep Copy&#xff09;和浅拷贝&am…

React 第十七节 useMemo用法详解

概述 useMemo 是React 中的一个HOOK&#xff0c;用于根据依赖在每次渲染时候缓存计算结果&#xff1b; 大白话就是&#xff0c;只有依赖项发生变化时候&#xff0c;才会重新渲染为新计算的值&#xff0c;否则就还是取原来的值&#xff0c;有点类似 vue 中的 computed 计算属性…

全国数据资源入表年度发展报告(2024)(附下载)

近日&#xff0c;在“数据要素暨第二届数据资产价值大会”上&#xff0c;青岛、潍坊、湖州、广西等地的数据资产登记评价中心&#xff0c;联合发布了《全国数据资源入表年度发展报告&#xff08;2024&#xff09;》。 报告内容包括全国数据资源入表的总体发展概述、政策指引、…

【Mybatis】MyBatis 探秘:#{} 与 ${} 参传差异解码,数据库连接池筑牢数据交互根基

前言 &#x1f31f;&#x1f31f;本期讲解关于Spring IOC&DI的详细介绍~~~ &#x1f308;感兴趣的小伙伴看一看小编主页&#xff1a;GGBondlctrl-CSDN博客 &#x1f525; 你的点赞就是小编不断更新的最大动力 &#x1f386;那么…

解锁 draw.io 流程图制作工具的强大功能与应用(1/2)

一、draw.io 简介 &#xff08;一&#xff09;基本概述 draw.io 是一款由 JGraph 公司开发的基于网页的在线图表绘制工具。它最大的优势之一就是无需进行繁琐的下载和安装步骤&#xff0c;只要打开浏览器&#xff0c;访问其官网&#xff0c;就能立即开始使用。无论是在 Window…