Достижения в области технологий обработки цифровых сигналов для максимизации полезности данных ADC

Введение: Растущее значение использования данных ADC

Современные системы сбора данных полагаются на аналого-цифровые преобразователи (ADC) для захвата сигналов реального мира - от радиочастотных форм волн до физиологических измерений - и перевода их в цифровые данные для обработки. Однако сырой выход ADC часто страдает от шума, искажения, псевдонимов и ограниченного динамического диапазона. Максимизация полезности данных ADC означает извлечение максимально возможной точности, разрешения и действенной информации из каждого образца. За последнее десятилетие цифровая обработка сигналов (DSP) превратилась из набора классических методов фильтрации в сложную экосистему, которая использует адаптивные алгоритмы, машинное обучение и статистические модели в реальном времени. Эта статья исследует, как последние достижения в технологиях DSP превращают данные ADC в представления более высокой точности, что позволяет прорывы в телекоммуникациях, медицинской визуализации, аудиотехнике, научных приборах и за ее пределами.

Понимание полезности данных ADC

Утилита данных ADC является мерой того, насколько эффективно отобранный сигнал может быть реконструирован, проанализирован или использован для принятия решений. Факторы, которые ухудшают утилиту, включают шум квантования, тепловой шум, джиттер, нелинейности и ограничения полосы пропускания. Традиционные подходы к улучшению утилиты сосредоточены на использовании преобразователей с более высоким разрешением или увеличении скорости выборки, но эти решения приходят с крутыми компромиссами в стоимости, мощности, размере и пропускной способности данных. DSP заполняет этот пробел обработкой оцифрованного сигнала вычислительно, а не полагаясь исключительно на аппаратные улучшения. Ключевые показатели полезности включают:

Применяя передовые DSP, инженеры могут улучшить эти показатели без изменения базового оборудования, эффективно выжимая большую производительность из существующих архитектур ADC.

Основные методы DSP для максимизации полезности данных ADC

В нижеследующих подразделах рассматриваются наиболее эффективные методы DSP, применяемые в настоящее время для повышения ценности данных ADC. Каждый метод касается конкретного ограничения процесса преобразования.

Сверхотбор и определение

Пересортировка означает отбор проб аналогового сигнала со скоростью, во много раз превышающей частоту Nyquist. Это распространяет шум квантования по более широкой полосе пропускания, эффективно снижая его плотность в интересующей полосе частот. Затем шаг децимации по низким частотам и понижает частоту сигнала пересчета до желаемой скорости вывода. Чистый эффект - это улучшение отношения сигнал-шум, эквивалентное добавлению дополнительных битов разрешения. Например, пересборка в четыре раза дает дополнительный бит разрешения в идеальных условиях. Современные ADC сигма-дельта в значительной степени полагаются на этот принцип, интегрируя пересчет и децимацию непосредственно в преобразователь. Этот метод особенно ценен в аудио высокого разрешения, прецизионном измерении и сенсорных интерфейсах, где шумовые полы должны быть чрезвычайно низкими.

Адаптивная фильтрация для шума и отторжения помех

Фиксированные фильтры не могут оптимально обрабатывать изменяющиеся во времени шумовые среды, такие как среды, обнаруженные в мобильной связи или промышленном мониторинге. Адаптивные фильтры постоянно обновляют свои коэффициенты на основе сигнала ошибки, полученного от входа и желаемой ссылки. Общие типы включают в себя Наименее средние квадраты (LMS) и Рекурсивные наименьшие квадраты (RLS) .

Поскольку адаптивная фильтрация работает в режиме реального времени, она может следовать за изменением интерференционных моделей без ручной перекалибровки, что напрямую увеличивает полезный динамический диапазон данных ADC.

Окончание и уменьшение спектрального утечек

При выполнении анализа Фурье на конечной длине выборки данных ADC, спектральная утечка происходит, если сигнал не является идеально периодическим в окне наблюдения. Функции окна - такие как Ханн, Блэкман-Харрис и Кайзер - умножают данные по форме оболочки, которая уменьшает разрыв по краям. Выбор правильного окна имеет решающее значение для таких приложений, как анализ спектра в радаре, гидролокаторе и тестировании связи . компромисс между шириной основной доли и подавлением боковой доли должен соответствовать характеристикам сигнала. Правильное окно может выявить слабые сигналы вблизи сильных носителей, которые в противном случае были бы похоронены в артефактах утечки.

Sigma-Delta модуляция и формирование шума

ADC Sigma-delta (ΣΔ) - это класс преобразователей избыточной выборки, которые формируют шум квантования от полосы низкочастотных сигналов. Цифровой фильтр децимации затем удаляет высокочастотный шум, обеспечивая цифровой выход высокого разрешения. Последние достижения в топологиях модулятора ΣΔ - такие как , многоступенчатое формирование шума (MASH) и - постоянное время ΣΔ - выдвинули достижимый ENOB за пределы 20 бит при скоростях выборки, превышающих 100 MSPS. Это делает ADC Σ D доминирующими в приложениях, требующих высокого разрешения и широкой полосы пропускания, включая программно-определяемые радио, ультразвуковое изображение и высокопроизводительные аудиосистемы. Цифровой сигнальный процессор является неотъемлемой частью цепи преобразователей, и оптимизация конструкции фильтра децимации непосредственно влияет на окончательное качество данных.

Цифровая коррекция неидеалов ADC

Нет ADC идеально; нелинейности, несоответствия времени (в чередующихся ADC), ошибки усиления и ошибки смещения все ухудшают утилиту данных. DSP теперь включает цифровую фоновую калибровку , которая постоянно оценивает и компенсирует эти несоответствия. Например, временные чередованные ADC страдают от несоответствия между каналами. Вводя известный тон калибровки или используя статистический анализ выхода, цифровой двигатель коррекции может выровнять коэффициенты усиления, смещения и время. Это позволило интерливенированным преобразователям достигать впечатляющих частот выборки (десятки GSPS) при сохранении SFDR более 70 дБ - критически важно для осциллографов и широкополосных приемников.

Сжатие и восстановление скудного сигнала

Сжимающее зондирование (CS) является революционной парадигмой, где аналоговый сигнал отбирается со скоростью, намного ниже частоты Nyquist, используя редкость в некоторой области преобразования (например, Фурье, вейвлет). Блок DSP затем решает неопределенную систему уравнений для реконструкции полного сигнала. Хотя он все еще более распространен в исследовательских контекстах, CS успешно применяется к:

Полезность данных ADC в системах CS измеряется не количеством необработанных образцов, а способностью точно реконструировать основную информацию, часто превосходя традиционную сборку на основе Nyquist для редких сигналов.

Интеграция машинного обучения в DSP для ADC

Машинное обучение (ML) стало незаменимым инструментом для продвинутого DSP. Вместо того, чтобы полагаться на явные математические модели, алгоритмы ML могут изучать сложные характеристики сигналов из данных обучения, а затем применять их в режиме реального времени для улучшения выходов ADC.

Автокодеры и нейронные очистители

Автокодер денозации — это нейронная сеть, обученная реконструировать чистый сигнал от шумного наблюдения. При обучении репрезентативным данным ADC такая сеть может эффективно подавлять шум квантования, тепловой шум и даже гармонические искажения. Этот метод особенно эффективен в приложениях, где характеристики шума неподвижны или медленно меняются. Современные реализации работают на FPGA или небольших встроенных нейронных ускорителях, позволяя денозировать в реальном времени с задержкой менее 1 мкс .

Обнаружение аномалий в промышленных сенсорных массивах

В процессе предиктивного обслуживания и структурного мониторинга здоровья сотни или тысячи каналов ADC производят массивные потоки данных. Модели ML (например, одноклассные SVM, вариационные автокодировщики) могут изучать нормальную картину сигналов и аномалий флага, вызванных надвигающимся сбоем. Вместо хранения и передачи всех исходных данных ADC системы могут передавать только функции или индикатор аномалии, резко снижая требования к хранению данных и пропускной способности при сохранении полезности первоначальных измерений.

Цифровое искажение для усилителей мощности

Беспроводные базовые станции используют цифровое преискажение (DPD) для линеаризации усилителей мощности. ADC оцифровывает выход усилителя, а блок DSP/ML вычисляет обратную функцию передачи для компенсации нелинейности. Расширенные алгоритмы DPD на основе Volterra серии или нейронных сетей могут достигать смежных коэффициентов утечки каналов лучше, чем −60 дБк. Это позволяет использовать данные ADC не только для мониторинга, но и как неотъемлемую часть системы линеаризации замкнутого цикла, непосредственно повышая спектральную эффективность.

Специфические эффекты расширенной полезности данных ADC

Описанные выше методы привели к измеримым улучшениям в нескольких областях.

Телекоммуникации и программно-определяемое радио

Современные стандарты сотовой связи и Wi-Fi требуют высокой линейности и широкой мгновенной полосы пропускания. Используя избыточную выборку, формирование шума и цифровую калибровку, ADC в базовых станциях теперь достигают ENOB > 14 бит при 1 GSPS. В сочетании с адаптивной фильтрацией это позволяет одному радио обрабатывать несколько частотных диапазонов одновременно. DSP также позволяет цифрового формирования луча в массивах массивов MIMO, где данные из сотен ADC должны быть согласованно объединены. Без надежного DSP для исправления межканальных несоответствий производительность формирования луча будет неприемлемо ухудшаться. Аналоговые устройства обеспечивают отличные учебные пособия по этим основополагающим принципам ADC .

Медицинская визуализация

В таких системах, как КТ-сканеры, ультразвук и МРТ, данные ADC непосредственно определяют качество изображения. Пересэмплирование и децимация повысили динамический диапазон ультразвуковых фронтендов до более чем 100 дБ, что позволяет одновременно визуализировать глубокие ткани и структуры ближнего поля. Шумообразующие ADC ΣΔ теперь стандартны в высокопроизводительных датчиках градиентной катушки МРТ, в то время как денозирование на основе машинного обучения существенно сокращает время сканирования без ущерба для разрешения. Например, денозирующий автокодер, обученный на данных КТ с низкой дозой, может реконструировать диагностические качественные изображения из образцов ADC под-Nyquist, уменьшая радиационное воздействие пациента. Обзорная статья IEEE по ИИ в медицинской визуализации обсуждает эти методы в глубине .

Аудио- и акустическая обработка

Потребительские и профессиональные аудиосистемы получают прямую выгоду от пересэмплирования и модуляции сигма-дельта для достижения динамических диапазонов, превышающих 120 дБ. DSP выполняет дополнительные задачи, такие как фильтрация цифрового кроссовера, коррекция помещения и сжатие динамического диапазона. Адаптивная фильтрация отменяет обратную связь в слуховых аппаратах и подавляет фоновый шум в интеллектуальных динамиках. Эти методы гарантируют, что данные ADC обеспечивают высокоточный звук даже в сложных акустических средах.

Научное оборудование и радар

Радарные системы, от метеолокаторов до автомобильных LIDAR, требуют чрезвычайно высокой полезности данных ADC, потому что цели часто похоронены в беспорядке. Расширенная обработка импульсов-доплеров использует оконное обнаружение, адаптивную фильтрацию беспорядка и обнаружение CFAR (постоянная частота ложной тревоги) для извлечения значимых целей. Сжимающее зондирование использовалось в ступенчатой частоте радара для уменьшения количества скачков частоты, ускоряя получение при сохранении разрешения. В научных инструментах, таких как анализаторы спектра, цифровая коррекция неидеалов ADC теперь является стандартной функцией, толкая полы измерения ниже −150 дБм / Гц. Примечания приложения Keysight по тестированию ADC обеспечивают подробный взгляд на проверку производительности .

Практические соображения и проблемы

Хотя DSP предлагает огромные преимущества, внедрение этих методов на практике требует тщательного компромисса.

Задержка и ограничения в реальном времени

Многие алгоритмы DSP, особенно адаптивные фильтры и вывод машинного обучения, вводят задержку обработки. Для систем управления замкнутым контуром (например, усилители мощности, приводы двигателей) задержка должна быть сведена к минимуму. Выделенные аппаратные реализации (FPGA, ASIC) часто необходимы для удовлетворения субмикросекундного времени при выполнении сложных алгоритмов. Фильтры пересчета выборки, например, требуют нескольких операций MAC на входной образец; тщательная пиплайнинг имеет важное значение.

Власть и тепловой бюджет

Увеличение сложности цифровой обработки увеличивает энергопотребление. В устройствах IoT с батарейным питанием простые линейные фильтры могут быть предпочтительнее моделей с высоким расходом ML. Дизайнеры должны сравнивать улучшение утилиты данных ADC с дополнительными затратами энергии. Часто гибридный подход - с использованием грубых аппаратных методов и тонкой настройки DSP - наносит оптимальный баланс.

Алгоритм надежности и обучающие данные

Модели машинного обучения хороши лишь в той мере, в какой хороши их обучающие данные. Если тестовая среда существенно отличается от обучающего набора данных, то деноизирующая производительность может ухудшиться. Может потребоваться регулярная переподготовка или адаптация домена (с использованием трансферного обучения). Аналогично, адаптивные фильтры могут стать нестабильными, если входной сигнал нарушает предположения вроде стационарности. Надежный дизайн требует тщательного моделирования и полевых испытаний.

Цифровой фильтр арифметика и конечные эффекты длины слова

Все DSP работает на фиксированных или плавающих числах с ограниченной точностью. Ошибки округления, квантование коэффициентов и переполнение могут ухудшить саму утилиту данных, которую DSP предназначен для улучшения. Данные ADC высокого разрешения (например, 24 бита) требуют, чтобы процессор использовал по меньшей мере 32-битную внутреннюю арифметику, чтобы избежать введения большего количества шума, чем сам ADC. Это особенно важно в рекурсивных фильтрах и структурах IIR.

Будущие направления в DSP для использования данных ADC

Область продолжает быстро развиваться. Несколько новых тенденций будут формировать следующее поколение обработки сигналов для АЦП.

Нейроморфные вычисления и ADC на основе событий

Нейроморфные процессоры имитируют биологические нейронные архитектуры, обрабатывая временно редкие события, а не плотные потоки выборки. В сочетании с ADC на основе событий, которые выводят данные только тогда, когда сигнал изменяется за порогом, комбинация может резко снизить потребление энергии. DSP в этом случае становится вопросом обработки на основе всплеска, которая все еще находится в ранних исследованиях, но обещает на порядок повысить энергоэффективность для таких приложений, как кохлеарные имплантаты и всегда на сенсорных узлах.

Обученные DSP-цепочки End-to-End

Вместо ручной переборки, фильтрации и уравнивания блоков исследователи изучают сквозные нейронные сети, которые непосредственно отображают от сырых образцов ADC до желаемого выхода (например, демодулированные символы или классифицированные объекты). Этот подход может совместно оптимизировать всю цепочку обработки, потенциально превосходя традиционные методы в сложных сценариях, таких как многолучевые помехи или негауссовый шум.

Когнитивное радио и спектральный обмен

Будущие беспроводные сети потребуют ADC, которые могут оцифровывать широкие полосы спектра при использовании DSP для динамического распределения ресурсов обработки. Когнитивные радиостанции будут ощущать электромагнитную среду и адаптировать свои фильтры и скорости децимации на лету. Это потребует высоко реконфигурируемых ускорителей DSP, которые могут переключаться между режимами - переборка, фильтрация выемок, формирование луча - без остановки потока данных.

Заключение

Утилита данных ADC больше не ограничена только преобразователем. Достижения в области цифровой обработки сигналов - начиная от классической избыточной выборки и адаптивной фильтрации до машинного обучения и сжатия - предоставили инженерам мощные инструменты для извлечения более чистой, богатой и более действенной информации из каждого образца. Будь то в телекоммуникациях, медицинской визуализации, аудио или научных приборах, эти методы позволяют системам приближаться к теоретическим пределам производительности преобразователя, предлагая гибкость, с которой не могут сравниться только аппаратные решения. Поскольку сложность алгоритма и аппаратное ускорение продолжают развиваться, граница между ADC и его цифровым процессором будет только размываться, что приведет к новым архитектурам, где полезность данных максимизируется благодаря неразрывной комбинации физики и вычислений. Для тех, кто ищет более глубокие технические знания, руководство Texas Instruments по практической интеграции ADC и DSP предлагает прочную отправную точку для реализации.