基于fwnn預測網絡的流水線結構的模數(shù)轉換系統(tǒng)的制作方法
【專利摘要】基于FWNN預測網絡的流水線結構的模數(shù)轉換系統(tǒng)，由FWNN預測網絡模塊、數(shù)據(jù)合成模塊、兩個高速低位寬的AD芯片、一個差分放大器及一個DA芯片組成。兩個AD芯片組成兩級AD轉換的流水線，輸入模擬信號經第一級AD轉換后輸入到FWNN預測網絡模塊，得到此后某時刻逼近輸入模擬信號的數(shù)據(jù)，將該數(shù)據(jù)DA轉換得到模擬信號，與輸入模擬信號的差值做高增益放大，再送入第二級AD轉換，最后將兩次AD轉換的數(shù)據(jù)經數(shù)據(jù)合成模塊得到對應于輸入模擬信號的高精度AD轉換數(shù)據(jù)。本發(fā)明通過兩片高速低位寬的AD來實現(xiàn)高速、高精度的AD轉換系統(tǒng)，可用于高速、高精度、大動態(tài)范圍及高信噪比要求的模擬信號轉換中。
【專利說明】基于FWNN預測網絡的流水線結構的模數(shù)轉換系統(tǒng)
【技術領域】
[0001]本發(fā)明涉及一種模數(shù)轉換系統(tǒng)，可用于高速、大動態(tài)范圍、高信噪比的模擬信號采集。
【背景技術】
[0002]傅里葉變換光譜(FTS)技術是一種以邁克爾遜干涉儀為核心的光譜分析技術，干涉信號的特點在于零光程差附近的信號非常強、最大光程差附近的信號非常弱，信號幅度相差可達IOOdB以上。
[0003]基于FTS的探測技術首先把干涉光經光電轉換環(huán)節(jié)變?yōu)槲⑷醯碾娏餍盘?，再進行信號調理。放大電路包括前置放大，主放和低通濾波電路并具有增益可調功能，主要是為了實現(xiàn)對探測器輸出的電信號進行放大并濾除高頻噪聲，以適應ADC的采樣動態(tài)范圍。根據(jù)信號的特性，為獲得很高的信噪比，通常需通過高速過采樣和數(shù)字濾波技術來達到，故對數(shù)據(jù)采集系統(tǒng)的速度和精度提出了非常高的要求，如采樣速度為80MHz、有效位數(shù)大于18位
坐坐寸寸o
[0004]由于FTS技術中，信號動態(tài)范圍非常大、信噪比要求非常高。受模數(shù)轉換芯片發(fā)展水平的限制，尚沒有單片ADC能夠滿足這種需求，更沒有應用于宇航級設備上的芯片產品，一定程度上限制了 FTS技術的探測精度。

【發(fā)明內容】

[0005]本發(fā)明的技術解決問題是:本發(fā)明克服現(xiàn)有技術的不足，提供了一種基于FWNN預測網絡的流水線結構的高精度模數(shù)轉換系統(tǒng)，可以在保證高速采樣的前提下提高AD系統(tǒng)的有效位數(shù)，進而提高系統(tǒng)的轉換精度。
[0006]本發(fā)明的技術解決方案是:基于FWNN預測網絡的流水線結構的模數(shù)轉換系統(tǒng)，包括兩個AD轉換模塊、一個FWNN預測網絡、一個DA轉換模塊、一個延時模塊、一個誤差放大器和一個數(shù)據(jù)合成模塊，其中:
[0007]第一 AD轉換模塊:位寬為M1，對外部輸入的模擬信號Al進行數(shù)字采樣后得到數(shù)字信號Dl并送至FWNN預測網絡；
[0008]延時模塊:對外部輸入的模擬信號Al進行時長為T的延時后得到延時模擬信號A2并送至誤差放大器的同向輸入端；所述的時長T為第一 AD轉換模塊的模數(shù)轉換時間、FffNN預測網絡的預測時間以及DA轉換模塊的數(shù)模轉換時間之和；
[0009]FffNN預測網絡:利用數(shù)字信號D1，采用BFGS訓練算法構建FWNN預測模型，并利用FWNN預測模型預測得到模擬信號Al在進行時長為T的延時后對應的數(shù)字信號D2并送至DA轉換模塊；利用誤差數(shù)字信號Diff_D對構建的FWNN預測模型的參數(shù)進行校正，提高FWNN預測模型的預測精度；
[0010]DA轉換模塊:對數(shù)字信號D2進行數(shù)模轉換得到預測模擬信號A3并送至誤差放大器的反向輸入端；[0011]誤差放大器:對延時模擬信號A2和預測模擬信號A3進行誤差放大，放大倍數(shù)為G，得到放大后的誤差模擬信號Diff_A并送至第二 AD轉換模塊，其中G〈l/ Λ，Λ為FWNN預測網絡的相對誤差；
[0012]第二 AD轉換模塊:位寬為M2，對放大后的誤差模擬信號Diff_A進行模數(shù)轉換得到誤差數(shù)字信號Diff_D并同時送至FWNN預測網絡和數(shù)據(jù)合成模塊，其中N>M1≥M2 ；
[0013]數(shù)據(jù)合成模塊:對數(shù)字信號D2和誤差數(shù)字信號Diff_D進行信號合成，得到M3位的數(shù)字信號向外部輸出，其中M3=Ml+[log2(G)]-l，其中符號[X]表示取不大于X的最大整數(shù)。[0014]本發(fā)明與現(xiàn)有技術相比的優(yōu)點在于:本發(fā)明將兩個高速低位寬的AD芯片構成一個二級流水線結構，通過FWNN預測網絡模塊來預測T時刻后的輸入信號，進而最小化輸入信號與預測信號之間的誤差，從而通過高增益的差分放大器，將誤差放大后，進行二級AD轉換，最后將兩級AD轉換的數(shù)據(jù)送入數(shù)據(jù)合成模塊，獲得高精度的AD轉換數(shù)據(jù)。本發(fā)明結合單片AD芯片的速度優(yōu)勢和FWNN網絡的預測功能，采用二級流水線的AD轉換結構，構成了 AD轉換系統(tǒng)，實現(xiàn)了高速高精度的模數(shù)轉換功能。本發(fā)明構成的AD轉換系統(tǒng)的轉換速度取決于單片AD和DA芯片的速度，可達80MHz~120MHz，系統(tǒng)位寬大于20位，可以滿足許多高速、大動態(tài)范圍、高信噪比的模擬信號的采集領域，尤其是基于FTS技術的干涉信號的數(shù)據(jù)采集。
【專利附圖】

【附圖說明】
[0015]圖1為本發(fā)明系統(tǒng)的組成原理框圖；
[0016]圖2為本發(fā)明FWNN預測網絡模塊結構圖。
【具體實施方式】
[0017]如圖1所示，為本發(fā)明模數(shù)轉換系統(tǒng)的原理框圖，主要包括:一個二級流水AD轉換結構、一個FWNN預測網絡模塊、一個DA轉換環(huán)節(jié)、一個延時單元、一個高增益誤差放大器和一個數(shù)據(jù)合成模塊。
[0018]數(shù)模轉換的主要流程為:輸入的模擬信號經第一級ADC后產生位數(shù)為Ml的數(shù)字信號D1，數(shù)字信號Dl經FWNN預測網絡模塊后，產生預測后的延時T時刻的數(shù)字信號D2，數(shù)字信號D2又經N位的DAC產生預測后的延時T時刻的模擬信號A3。此時，經過時長為T的延時后，模擬信號變?yōu)锳2，將模擬信號A2與模擬信號A3送入增益為G的高增益誤差放大器，得到放大后的誤差模擬信號Diff_A，將此放大后的誤差模擬信號送入第二級ADC進行第二次AD轉換，產生誤差數(shù)字信號Diff_D。誤差數(shù)字信號Diff_D與數(shù)字信號D2均送入數(shù)據(jù)合成模塊，產生最終的位寬為M3的AD轉換數(shù)據(jù)。其中，Diff_D送入FWNN預測網絡模塊的一路用于模型學習訓練時確定網絡參數(shù)。
[0019]以下對各組成部分進行詳細的說明。
[0020]一、二級流水線AD轉換結構
[0021]兩個ADC組成的二級流水流線AD轉換結構是本發(fā)明轉換系統(tǒng)的主體結構。由于FPGA或DSP的處理速度較高，故該系統(tǒng)的轉換速度主要取決于兩個ADC和一個DAC的轉換速度，在選取這三個芯片時需要遵循速度匹配的原則，即使三者其速度匹配起來，以提高轉換速度的效率。通常，該系統(tǒng)的轉換速率可達80MHz~120MHz，但在低于該轉換速度的應用中，將更容易實現(xiàn)。
[0022]在選擇AD、DA芯片位寬時，應遵循以下原則:①Ml盡量大，且Ml≤M2，因為第一個ADC是主要轉換芯片，在滿足轉換速度要求的前提下，選擇可以獲得的最大位寬的ADC;②第二級ADC用于對第一級的AD轉換環(huán)節(jié)進行修正，并進一步提高轉換精度，M2的選擇要結合誤差放大器的倍數(shù)G而定，通常M2可取為[log2(G)]+l，其中符號[X]表示取不大于X的最大整數(shù)。過大的M2對提高系統(tǒng)精度并沒有意義；?DAC位寬的選擇原則通常為N=M1+1，這是因為在對Dl進行預測時，可能會衍生出I位，使Dl的數(shù)據(jù)位寬變寬，但通常情況下，增加I位即可滿足精度要求。
[0023]二、高增益誤差放大器
[0024]高增益誤差放大器可由差分放大器、儀用放大器或減法器構成，主要實現(xiàn)A2與A3信號的誤差放大。其放大倍數(shù)G決定了轉換系統(tǒng)的精度，該值越高，系統(tǒng)轉換精度越高，但G的選擇要結合預測網絡模塊的性能進行選取，不使誤差信號放大至失真或飽和狀態(tài)，故G〈l/A( A為預測網絡模塊的相對誤差，通?？尚∮?%)。通常，根據(jù)預測網絡模塊的性能，保守選取G=32。
[0025]三、FWNN預測網絡
[0026]FWNN預測網絡，即模糊小波神經網絡(Fuzzy Wavelet Neural Network),其模型結構包括輸入層、模糊層、模糊規(guī)則層、歸一化層、規(guī)則加權輸出層和最終輸出層等6 層，詳細內容見參考文獻 Fuzzy Wavelet Neural Network Models for Predictionand Identification of Dynamical Systems, Sevcan Yilmaz and Yusuf Oysal, IEEETransactions on Neural Networks, Vol.21, N0.10，0ctober2010。
[0027]在本發(fā)明中:
[0028]1、模型結構:如圖2所示為本發(fā)明的FWNN預測網絡模型結構圖，采用MIS0(multiinput single output)結構。根據(jù)輸入信號的復雜程度,在輸入層中采用4個神經元(采樣點，每個采樣點的位寬為Ml)輸入的網絡結構，在模糊層中，每個神經元輸入對應有2個隸屬關系(圖中用A表不),隸屬關系的每種可能的組合共形成16個模糊規(guī)則,模糊規(guī)則輸出經歸一化后與輸入層的各個神經兀輸入作為小波加權輸出層的輸入，最后小波加權輸出層的16個輸出求和后作為FWNN網絡的輸出。
[0029]當選用更多的神經元輸入和更多的隸屬關系時，會增加預測的精度，但同時也會使算法的復雜度和預測效率降低。
[0030]2、學習訓練方法:采用BFGS算法對樣本序列做訓練，采用Wolfe非精確的一維搜索尋找迭代步長，經過多次訓練后，當最大誤差滿足要求時，停止訓練。最后將訓練得到的參數(shù)固定在網絡中，再對實際信號進行預測。
[0031]3、模型參數(shù):本發(fā)明中，模型參數(shù)包括高斯隸屬函數(shù)(隸屬關系的表示方式)中的中心參數(shù)U、尺度參數(shù)O和小波函數(shù)中的平移參數(shù)b、伸縮參數(shù)c以及模糊規(guī)則輸出的權值系數(shù)用q表示這些未知參數(shù)向量，即q=[U，o，b，c，《]。本發(fā)明中，網絡結構有4個輸入，每個輸入對應有2個隸屬關系，因此ii和O分別有8個。每個X對應模糊規(guī)則的個數(shù)等于16,故[b, C，to]分別有64個,未知網絡參數(shù)的總數(shù)目為208個。[0032]4、初始化參數(shù)選擇:本發(fā)明中，初始化參數(shù)選擇包括:C。=[1.0],σο =[1.0],
(,λ'Α?為O到I的隨機向量；初始化訓練迭代參數(shù)，Wolfe搜索方向的系數(shù)矩陣HQ[i][j]=l，i=l:208, j=l:208 ；Wolfe搜索初始化區(qū)間的上下限參數(shù)分別為C1=0.0001，C2=0.5。
[0033]5、學習訓練信號類型:根據(jù)輸入模擬信號類型的不同，應該采用不同的有針對性的樣本信號進行學習訓練。本發(fā)明中，針對干涉信號的特性，采用類sine信號進行學習訓練，學習訓練次數(shù)小于300次，預測誤差可小于1%。對其它規(guī)律性較強的正弦波、三角波等的預測效果更好，但對方波等具有很強突變性信號的預測效果較差。訓練的次數(shù)以滿足最大誤差要求為準，通常在幾百次范圍內。
[0034]四、數(shù)據(jù)合成模塊
[0035]數(shù)據(jù)合成模塊用于將FWNN預測的數(shù)字信號與第二級ADC轉換的結果Diff_D合成一路輸出，即最終的數(shù)字輸出信號y。根據(jù)圖1的原理框圖，輸入模擬信號
[0036]
【權利要求】
1.基于FWNN預測網絡的流水線結構的模數(shù)轉換系統(tǒng)，其特征在于:包括兩個AD轉換模塊、一個FWNN預測網絡、一個DA轉換模塊、一個延時模塊、一個誤差放大器和一個數(shù)據(jù)合成模塊，其中: 第一 AD轉換模塊:位寬為M1，對外部輸入的模擬信號Al進行數(shù)字采樣后得到數(shù)字信號Dl并送至FWNN預測網絡； 延時模塊:對外部輸入的模擬信號Al進行時長為T的延時后得到延時模擬信號A2并送至誤差放大器的同向輸入端；所述的時長T為第一 AD轉換模塊的模數(shù)轉換時間、FWNN預測網絡的預測時間以及DA轉換模塊的數(shù)模轉換時間之和； FffNN預測網絡:利用數(shù)字信號Dl，采用BFGS訓練算法構建FWNN預測模型，并利用FWNN預測模型預測得到模擬信號Al在進行時長為T的延時后對應的數(shù)字信號D2并送至DA轉換模塊；利用誤差數(shù)字信號Diff_D對構建的FWNN預測模型的參數(shù)進行校正，提高FWNN預測模型的預測精度； DA轉換模塊:對數(shù)字信號D2進行數(shù)模轉換得到預測模擬信號A3并送至誤差放大器的反向輸入端； 誤差放大器:對延時模擬信號A2和預測模擬信號A3進行誤差放大，放大倍數(shù)為G，得到放大后的誤差模擬信號Diff_A并送至第二 AD轉換模塊，其中G〈l/ Δ，Δ為FWNN預測網絡的相對誤差； 第二 AD轉換模塊:位寬為M2，對放大后的誤差模擬信號Diff_A進行模數(shù)轉換得到誤差數(shù)字信號Diff_D并同時送至FWNN預測網絡和數(shù)據(jù)合成模塊，其中N>M1≥M2 ； 數(shù)據(jù)合成模塊:對數(shù)字信號D2和誤差數(shù)字信號Diff_D進行信號合成，得到M3位的數(shù)字信號向外部輸出，其中M3=M1+[1g2 (G)]-1，其中符號[X]表示取不大于X的最大整數(shù)。
【文檔編號】H03M1/12GK103684463SQ201310612076
【公開日】2014年3月26日 申請日期:2013年11月26日 優(yōu)先權日:2013年11月26日
【發(fā)明者】劉正敏, 張玉貴, 李輝, 彭妮娜, 汪洲, 王旭, 李強, 韓志學, 王衍, 曹偉 申請人:北京空間機電研究所