CHAPTER 14 Nonlinearity and Mismatc

CHAPTER 14 Nonlinearity and Mismatch

第6,7章我们介绍了两种非理想: 频率响应和噪声. 这一章我们介绍另外两种非理想现象: 非线性和失配.

我们首先定量化nonlinearity, 学习差分电路和反馈系统的非线性, 以及线性化技术. 然后学习差分电路中的失配和dc offset. 最后学习一些消除offset的方法.

14.1 Nonlinearity

14.1.1 General Considerations

对于输入小信号, 输出能线性放大, 对于输入大信号变化, 输出会饱和, 因此斜率发生变化.

14.1.2 Nonlinearity of Differential Circuits

推导可得, 提供相同电压增益和输出摆幅, 相比于单端CS结构, 差分CS结构的distortion更小, 减小为 2 \sqrt2 2

14.1.3 Effect of Negative Feedback on Nonlinearity

负反馈能降低distortion (1 + βα1)^2倍, 降低gain (1 + βα1)倍

14.1.4 Capacitor Nonlinearity

14.1.5 Nonlinearity in Sampling Circuits

当Vin=VDD/2时, Ron达到最大, 造成distortion.

14.1.6 Linearization Techniques

linearization的本质就是让电路的增益不受输入电压的影响. 即让gain不受transistor bias电流影响.

对于单管, 最简单的linearization是source degeneration.

通过加入Rs, 可以减少Vgs受Vin的变化, 增加 linearization
G m = g m 1 + g m R S G_{m}=\frac{g_m}{1+g_mR_S} Gm=1+gmRSgm
gmRs很大时, Gm=1/Rs. Voltage Gain, GmRd, 也和输入电压无关, 因此放大器是线性的.

对于差分运放, 可采用上图Fig 14.12(b)的source degeneration结构, 这样不会消耗IssRss/2的headroom.

可用下图的MOS替代 Fig 14.12(b)的电阻. 当Vin=0V时, M3和M4在深线性区. 随着Vin增加, M1 gate增加, M3保持线性区, 因为VD3=VG3-Vgs1, M3 gate和drain均增加. M4最终进入饱和区, 因为M4 drain上升, gate和source下降. 因此, 即使一个管子进入饱和区, 还有一个管子在线性区. 建议设计(W/L)1,2 ≈ 7(W/L)3,4.

除了用电阻, 还有一种线性化技术, 就是让MOS工作在线性区, 而且保持Vds恒定, 这样ID/Vgs是线性的. 因为 ID = (1/2)μCox (W/L)[2(VGS − VTH)VDS − VDS^2]. 如图Fig 14.16所示

这个电路的缺点是: 1, M1和M2的gm=μnCox (W/L)VDS 值较小, 因为Vds需要较低保证工作在线性区. 2, 对输入电压Vin有限制, 需要跟随Vb. 3, M3,M4和Op-amp会贡献噪声.

另外一种线性化方法是"post correction" 后处理. 即把输入电压信号转化为电流信号, 再把电流信息转化成输出电压信号. 如下图Fig 14.17所示

电压增益为
A v = ( W / L ) 1 ( W / L ) 3 A_v=\sqrt{\frac{(W/L)_1}{(W/L)_3}} Av=(W/L)3(W/L)1
Gain与bias电流无关. 但是当Vin增加时M1和M2进入亚阈值区, Gain会迅速减小.

可以加入feedback让degenerated的差分对更加线性化, sense M1/2 drain输出XY, return to M1,M2的source. 如下图所示

ID1=I3, ID2=I4, 无论VIN如何变化, M1和M2保持相同Vgs. 流过Rs的电流只能由M3和M4提供.

输入压差与流过M3/M4的电流差成正比: Vin=Vgs1+Isig*Rs-Vgs2=Isig *Rs

在实际设计中, 为了避免M3和M4没有电流被挤死, 需设计I1=I2 > I3=I4. 这就是super source follower的结构.

再把M3和M4的电流copy 出来M5,M6做差分输出, 接到RD上, 如(b)所示
V o u t = 2 R D R s V i n V_{out}=\frac{2R_{D}}{R_s}V_{in} Vout=Rs2RDVin
如果去掉RD, 这就是电压-电流转换器 “transconductor”

14.2 Mismatch

在实际生产中, MOS管有各种偏差. 增加WL尺寸能减少ΔW/W 和ΔL/L的误差, 以及其他参数, 包括Vth, uCox误差

14.2.1 Effect of Mismatch

mismatch会造成三个影响: DC offset, 有限偶数阶distortion 和 更低的共模抑制比.

DC Offsets

当Vin=0V, Vout=0V, 实际电路由于offset, 等同在输入添加一个Vos, 会被差分运放放大, 影响输出Vout.

输入Vos=Vgs1-Vgs2

根据上式可推导出输入offset的重要表达式:

  1. offset和override电压即Vgs-Vth成正比, 也和RD与 W/L的mismatch成正比.
  2. offset和Vth直接相关.

为了减小输入电压offset, 需要减小override (Vgs-Vth), 可减少尾电流 tail current或者增加W/L. 另外需要减小Vth, 即增加WL尺寸.

运放管子对输入offset的贡献, 输入对管offset上式所示, pmos负载管的贡献为Vos_p gmp/gnm, 即要通过gm折算到输入.

对于电流镜, 减小current mismatch需要增大override (Vgs-Vth), 即减小W/L. 另外需要减小Vth, 即增加WL尺寸.

电压电流的offset和Chapter 7的噪声类似. 对于给定电流, 差分对的input noise voltaga和gm成反比, 和override成正比, 因为gm=2Id/(Vgs-Vth). 电流源的output noise current和gm成正比, 和overide成反比.

偶次界distortion

差分结构免于偶次谐波distortion, 但是mismatch导致对称性打折, 引入偶次distortion.

在实际电路中, 温度梯度也会导致适配. 例如差分对一边靠近热源, 一边不靠近, 会带来Vth和迁移率的不同.

14.2.2 Offset Cancellation Techniques

为了消除offset, 可以通过short input, 再用输出电容来储存Vos, 然后想办法消除Av*Vos.

为了避免Av*Vos saturate 运放, Av的值较小, 在10以内.

对于需要Av较大的结构, 可以采用下图input offset存储.

Vout=Vxy, (Vout-Vos)Av=Vout. 因此

Vout=Av/(1+Av)Vos, Vout=Vos

这样折算到输入端\的Vos减小了Av倍.

input and output storage techniques的缺点在于在信号链中引入了电容, 对运放和副反馈系统带来影响, 电容的下极板的噪声会传入到输入信号.

为了解决这个问题, 可采用额外的auxiliary运放来分开信号通路和offset.

C1和C2存储Vos的信息. Vos1* A1 = V1 * Aaux.

实际电路中采用两级运放输出不现实, 因此采用下图gm-R结构

input referred offset

需要注意的是, 对于上述offset消除技术, 需要周期性refresh, 因为管子PN节, threshold leakage. refresh频率至少KHz.

14.2.3 Reduction of Noise by Offset Cancellation

14.2.4 Alternative Definition of CMRR

共模抑制比代表差分输出变化/共模输入电压变化.

CMRR=差分增益Gain/输入共模变化.

VOS,out/ADM 就是input-referred offset, 因此CMRR=输入共模变化/输入offset

这是一个很重要的公式, 即共模抑制比CMRR和输入offset成反比.

考虑下图, (a) 消除body effect, 因此Vth和输入Vin,cm无关. (b)中M1, M2由于body effect, Vth受到input CM电压变化, Vos,in更大, CMRR更差.

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/diannao/58120.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

51单片机之蜂鸣器驱动

1.简介 蜂鸣器是一种一体化结构的电子讯响器,采用直流电压供电,广泛应用于计算机、打印机、 复印机、报警器、电子玩具、汽车电子设备、电话机、定时器等电子产品中作发声器件。蜂鸣器主要分为压电式蜂鸣器和电磁式蜂鸣器两种类型。   压电式蜂鸣器主要…

【C++】vector<string>-动态数组存储多个string

#1024程序员节 | 征文# //demo #include <iostream> #include <vector> #include <string>using namespace std; int main() {// 创建一个存储字符串的向量vector<string> Record;// 向向量中添加字符串Record.push_back("example");Record…

css-画一个三角形

<span class"triangle"></span>.triangle {display: inline-block; /* 使 span 能够接受宽高 */width: 0; /* 宽度为 0 */height: 0; /* 高度为 0 */border-left: 50px solid transparent; /* 左边边框 */border-right: 50px solid transparent; /* 右边…

**深入浅出:TOGAF中的应用架构**

摘要&#xff1a; 在企业架构&#xff08;EA&#xff09;领域&#xff0c;TOGAF&#xff08;The Open Group Architecture Framework&#xff09;是一个广泛应用的框架。本文将带你深入了解TOGAF中的应用架构&#xff0c;帮助你理解其核心概念和实际应用。无论你是初学者还是有…

Node-RED的面板的认识及操作

&#x1f3ac; 江城开朗的豌豆&#xff1a;个人主页 &#x1f525; 个人专栏 :《 VUE 》 《 javaScript 》 &#x1f4dd; 个人网站 :《 江城开朗的豌豆&#x1fadb; 》 ⛺️ 生活的理想&#xff0c;就是为了理想的生活 ! 目录 &#x1f4d8; 文章引言 &#x1f4df; 面板…

深入探索:深度学习在时间序列预测中的强大应用与实现

引言&#xff1a; 时间序列分析是数据科学和机器学习中一个重要的研究领域&#xff0c;广泛应用于金融市场、天气预报、能源管理、交通预测、健康监控等多个领域。时间序列数据具有顺序相关性&#xff0c;通常展示出时间上较强的依赖性&#xff0c;因此简单的传统回归模型往往…

tornado,flaskd这两个框架主要是干什么的

Tornado是一个Python的Web框架&#xff0c;主要用于构建高性能的异步Web应用程序。它基于非阻塞的网络I/O模型&#xff0c;可以处理大量并发连接&#xff0c;适用于需要处理实时性要求较高的应用场景&#xff0c;如实时聊天、实时数据推送等。 Flask是另一个Python的Web框架&a…

论文略读:Less is More: on the Over-Globalizing Problem in Graph Transformers

2024 ICML 主要观点&#xff1a;Graph Transformer 中的过全局化问题 (Over-Globalizing Problem) 当前 Graph Transformer 的注意力机制过度关注那些远端节点&#xff0c;而实际上包含了大部分有用信息的近端节点则被相对忽视了——>提出了一种新的采用协同训练的两级全局…

【人工智能原理】合肥工业大学 宣城校区 实验三 神经网络之网络基础

第1关&#xff1a;神经网络概述 下列说法错误的是 D A、 激活函数可以使神经元搭建输入到输出之间的映射关系。 B、 反馈网络模型在不同 的时刻有属于当前不同的状态&#xff0c;具有一定的记忆功能。 C、 所有神经网络一定都包含输入层、隐藏层、输出层三部分。 D、 …

Springboot项目中使用WebSocket与前端通信时,AOP的before注解未起作用

原因&#xff1a; 在 Spring AOP 的 Before 切面阶段&#xff0c;WebSocket 连接可能还没有完全建立&#xff0c;尤其是在请求处理流程的早期阶段。因此&#xff0c;前端无法立即接收到消息。而 AfterReturning 会在控制器方法执行完毕后触发&#xff0c;此时 WebSocket 连接一…

【Ubuntu】服务器系统重装SSHxrdpcuda

本文作者&#xff1a; slience_me Ubuntu系统重装操作合集 文章目录 Ubuntu系统重装操作合集1.1 系统安装&#xff1a;1.2 安装openssh-server更新系统包安装OpenSSH服务器检查SSH服务的状态配置防火墙以允许SSH测试SSH连接配置SSH&#xff08;可选&#xff09; 1.3 安装远程连…

力扣之612.平面上的最近距离

文章目录 1. 612.平面上的最近距离1.1 题目说明1.2 准备数据1.3 解法1.4 结果截图 1. 612.平面上的最近距离 1.1 题目说明 Point2D 表&#xff1a; ----------------- | Column Name | Type | ----------------- | x | int | | y | int | ----------------- (x, y) 是该表的…

Python小白学习教程从入门到入坑------第十七课 内置函数拆包(语法基础)

一、内置函数 1.1 查看所有内置函数 内置函数&#xff1a;Python 提供了许多内置函数&#xff0c;这些函数无需导入任何模块即可直接使用。它们涵盖了各种用途&#xff0c;从数学运算到类型检查&#xff0c;再到输入输出操作等。 如何查看内置函数呢&#xff1f; 在Pycharm…

详解TCP三次握手和四次断开

本来想自己写&#xff0c;发现一篇非常详细的文章&#xff0c;直接转载&#xff0c;上链接~~ 详解TCP三次握手和四次断开

微信小程序——消息订阅

首先用到的就是wx.requestSubscribeMessage接口。 注意&#xff1a;用户发生点击行为或者发起支付回调后&#xff0c;才可以调起订阅消息界面 requestSubscribeMessage() {uni.requestSubscribeMessage({tmplIds: [],//需要订阅的消息模板的id的集合&#xff0c;一次调用最多可…

git 如何查看两次commit之间有多少次提交

可以使用 git rev-list 命令来查看两次提交之间的提交次数。具体来说&#xff0c;使用以下命令来统计两次提交之间的提交数&#xff1a; git rev-list --count <commit1>..<commit2>其中&#xff1a; <commit1> 是起始的提交&#xff08;较旧的提交&#x…

阿里云用STS上传oss的完整程序执行流程图 和前端需要哪些参数uniapp

H5 微信小程序可用的前端直传阿里云OSS(STS临时凭证前端签名)直接下载插件 阿里云sts使用官方文档 下面是原理说明&#xff1a; 前端上传文件到阿里云OSS需要携带的具体参数&#xff1a; 从服务器获取的 STS 凭证&#xff1a; // 这些参数需要从你的后端服务器获取 {acc…

66Analytics 汉化版,网站统计分析源码,汉化前台后台

66Analytics 汉化版,网站统计分析源码,汉化前台后台 本源码汉化前台后台&#xff0c;非其他只汉化前台版 网络分析变得容易。自托管、友好、一体化的网络分析工具。轻量级跟踪、会话回放、热图、用户旅程等 简单、好看、友好-大多数网络分析解决方案做得太多了&#xff0c;在大…

Linux 重启命令全解析:深入理解与应用指南

Linux 重启命令全解析&#xff1a;深入理解与应用指南 在 Linux 系统中&#xff0c;掌握正确的重启命令是确保系统稳定运行和进行必要维护的关键技能。本文将深入解析 Linux 中常见的重启命令&#xff0c;包括功能、用法、适用场景及注意事项。 一、reboot 命令 功能简介 re…

ReactNative 启动应用(2)

ReactNative 启动应用 简述 本节我们来看一下ReactNative在Android上启动Activity的流程&#xff0c;ReactNative在Android上也是一个Apk&#xff0c;它的实现全部都在应用层&#xff0c;所以它肯定也是符合我们Android应用的启动流程的&#xff0c;UI页面的载体也是一个Acti…