[发明专利]一种基于神经网络的有源复数滤波器

说明书

本发明属于模拟集成电路技术领域，特别涉及一种基于神经网络的有源复数滤波器，包括有源复数滤波器模块、自动修正控制模块和自动调整电路。本发明利用神经网络在不同温度和工艺角下对模数转换器ADC转换过的滤波器输出信号进行学习，得到可以调节滤波单元的网络权重值，之后遇到相同温度和工艺角时以实现对滤波单元的调节，稳定输出信号。通过人工神经网络产生非线性控制电压，自动修正输出电压，减小因工艺容差和温度漂移等产生的偏差，锁定滤波器的输出响应。本发明结构简单，容易实现，有效降低了滤波器的复杂度，不会引入新的误差。且修正范围广，精度高，具有通用性，能用于不同滤波器的修正。

技术领域

本发明属于模拟集成电路技术领域，特别涉及一种基于神经网络的有源复数滤波器。

背景技术

滤波器是电子技术中最基本的信号处理模块，最早是由美国人和德国人于1915年首先提出。时至今日，滤波器的理论和技术已经不断的改进和创新。随着半导体产业的迅速发展以及手持移动式设备(例如手机、可穿戴电子设备等)的广泛发展应用，在无线收发机系统的结构越来越复杂的情况下，势必要求其内部基本单元在满足系统性能的前提下，使其电路结构尽量简单且容易实现。

传统的Gm-C复数滤波单元的每个跨导放大器要使用多个晶体管，同时还要求额外的共模反馈电路稳定输出共模电压，这样就增加了电路的复杂度和功耗。Gm-C复数滤波器的频率参数(中心频率、截止频率)是由Gm和C决定的，OPAMP-RC复数滤波器的频率参数主要是由R和C决定的。在集成电路制造过程中，电容、电阻、晶体管存在20％左右偏差，同时由于温度等外部环境的影响，这样滤波器的频率参数会偏离设计期望值，导致电路性能无法满足要求。这时需要设计一个频率调谐电路，将中心频率或是截止频率锁定在所需的值。

传统的Gm-C滤波器频率调谐电路主要有直接、间接、开关调谐电路。然而这些方法存在以下问题：直接调谐电路，滤波器需要分时复用，一个时钟周期对滤波器进行调谐，一个周期滤波器正常工作，这在很多应用中是不可行的；间接调谐电路需要两个滤波器，调谐质量的高低与主从滤波器的匹配程度有关；开关调谐电路缺点在于需要开关，当工作频率较高时，时钟馈通、电荷注入等效应会严重影响电路性能。

神经网络是一项以生物大脑的结构和功能为基础，以网络节点模仿大脑的神经细胞，以网络连接权模仿大脑的激励电平的技术，能有效的处理问题的非线性、模糊性和不确定关系。在传统的计算机中，我们告诉计算机要做什么，将大问题分解成许多小的，精确定义的任务，计算机可以很容易的执行。相比之下，在神经网络中，我们不告诉计算机如何解决我们的问题。相反，它从观察数据中学习，自己找出解决问题的方案。神经网络相应的有全连接神经网络也叫前馈神经网络(FNN)，例图见图2。

发明内容

针对上述存在问题或不足，为解决现有滤波器的模拟修正时精确度不够，通常只能修正部分误差参数，修正模块复杂，以及模拟修正模块又会引入新的误差的技术问题，本发明提供了一种基于神经网络的有源复数滤波器。

该基于神经网络的有源复数滤波器，包括：有源复数滤波器模块、自动修正控制模块和自动调整电路。

所述有源复数滤波器模块为Gm-C滤波器或OPAMP-RC滤波器。

所述自动修正控制模块由人工神经网络和模数转换器(ADC)、温度传感器和工艺角编码器构成，并与自动调整电路和输出信号相连。ADC与温度传感器、有源复数滤波器模块相连，将滤波器输出信号和温度信号转换为数字信号输入神经网络中。工艺角编码器直接与神经网络相连，将工艺偏差编码输入神经网络中。人工神经网络为前馈网络，其输出端接自动调整电路，作用是对输入数据按照预期训练做出非线性响应，产生调整电路所需要的电压。

所述自动调整电路与自动修正控制模块、有源复数滤波器模块相连，对神经网络输出的非线性电压产生响应，调整有源复数滤波器模块中可调模块的值，从而修正输出电压，锁定滤波器的输出响应。可调模块为可变跨导Gm模块与可变电容C模块或可调电阻R模块与可调电容C模块。