[发明专利]一种闪速型模数转换器

说明书

技术领域

本发明涉及模数转换技术，尤其涉及一种闪速型模数转换器。

背景技术

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。学习是一项复杂的智能活动，学习过程与推理过程是紧密相连的，按照学习中使用推理的多少，机器学习所采用的策略大体上可分为4种——机械学习、通过传授学习、类比学习和通过事例学习。学习中所用的推理越多，系统的能力越强。机器学习领域的研究工作主要围绕以下三个方面进行：(1)面向任务的研究，研究和分析改进一组预定任务的执行性能的学习系统。(2)认知模型，研究人类学习过程并进行计算机模拟。(3)理论分析，从理论上探索各种可能的学习方法和独立于应用领域的算法。机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展。

ADC(Analog-to-Digital Converter，模数转换器)是一种计算机与人，与真实世界的沟通的重要工具，它可以将真实世界中广泛存在的模拟信号转换为计算机可以识别的数字信号。目前市面上有很多ADC的类型，包括逐次逼近寄存器型ADC,流水线型ADC,∑-Δ型ADC，Flash ADC(Flash Analog-to-Digital Converter，闪速型模数转换器)等等。其中，Flash ADC是其中速度最快的一种ADC类型。

虽然FLASH ADC的速度是其他类型ADC难以企及的，但是它也有一些缺点，比如随着分辨率的增加，其需要的比较器数量呈指数关系增加，同时就会带来功耗的急剧增大。每一个比较器的失调电压和电阻或电容之间的误匹配都将引入非线性误差。正因为这样的缺点，也导致了FLASH ADC的分辨率不能像其他类型的ADC一样做到比较高的水准。

发明内容

针对上述问题，本发明提出了一种闪速型模数转换器，包括：

多个比较器，每个所述比较器分别包括：

第一输入端，用于接收一输入模拟量；

第二输入端，用于接收一参考电压；

输出端，用于输出一比较信号，所述比较信号由比较所述参考电压和所述输入模拟量形成；

编码器，分别与每个所述比较器的所述输出端连接，用于接收所述比较信号，并根据由所有所述比较信号组合形成的一综合比较信号输出一编码信号；

处理器，与所述编码器连接，用于持续接收并分析所述编码信号，并持续输出分析结果；

存储器，与所述处理器连接，用于对所述处理器输出的所述分析结果进行存储；

所述处理器持续更新所述存储器中存储的所述分析结果，以实现所述处理器对所述分析结果的自学习更新过程；

控制器，分别与所述存储器和每个所述比较器连接，所述控制器从所述存储器中读取所述分析结果，并根据所述分析结果调节至少一个所述比较器的运行。

上述的闪速型模数转换器，其中，所述分析结果包括所述处理器持续分析预设时段内的所述编码信号获得的所述输入模拟量的取值范围。

上述的闪速型模数转换器，其中，还包括：

总参考电压输入端，用于接收一总参考电压；

多个串联的电阻，连接于所述总参考电压输入端和接地端之间；

每个所述比较器的所述第二输入端分别接入相邻两个所述电阻之间的节点，且每个所述节点分别对应一个所述第二输入端，使得每个所述第二输入端接收的所述参考电压为对应所述节点处的电压。

上述的闪速型模数转换器，其中，所述控制器根据所述分析结果改变至少一个所述电阻的电阻值。

上述的闪速型模数转换器，其中，所述存储器包括非易失性挥发存储器。

上述的闪速型模数转换器，其中，所述存储器采用与CMOS工艺兼容的后端非易失性挥发存储器生产工艺制造。

上述的闪速型模数转换器，其中，所述存储器采用鳍式场效晶体管制成。