应用于时钟发生电路的亚采样锁相环设计

来源 :辽宁大学 | 被引量 : 0次 | 上传用户:venicego
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
许多集成电路中都需要时钟信号,如本文设计的为时间-数字转换器所提供的多相位时钟信号。而对于高精度多相位时钟电路来说,一个小的抖动就有可能造成相位之间的混乱,进而扰乱后续电路的时序,因此对时钟信号质量的要求也更加严格。锁相环为时钟电路提供本振时钟信号,所以一个高杂散性能、高噪声性能的锁相环不可或缺。本文设计的亚采样锁相环,可以避免电荷泵锁相环中因电流失配等非理想因素而造成杂散性能的降低,并且因为环路锁定时,只有核心环路工作,核心环路中不存在分频器,因此电荷泵主导的带内噪声不会被放大分频比的平方倍。通过采用虚拟采样器保证了压控振荡器的电容负载恒定,降低了锁相环锁定时的控制电压纹波,使得压控振荡器的输出频率稳定,从而降低了亚采样锁相环的参考杂散;由于亚采样锁相环本身具有低带内噪声特性,因此可以选择大环路带宽来抑制压控振荡器所主导的带外噪声,同时大的环路带宽也能够加速锁相环的锁定时间;改进的可调窄死区发生器能够调节死区时间,通过减小死区时间可以使亚采样锁相环的锁定时间加快。本文主要内容包括:1、阐述了锁相环具体的研究背景和国内外发展情况,介绍了锁相环的理论,并且详细分析了电荷泵锁相环的每个模块单元及它们的线性模型,随后研究了电荷泵锁相环的噪声模型,并分析了其环路特性。2、分析了亚采样锁相环的整体架构和工作原理,对亚采样锁相环的杂散性能以及噪声模型进行了详细的分析,推导了每个模块单元的线性函数从而得到了亚采样锁相环的传输函数,按照设计指标,初步算出了亚采样锁相环的环路参数,之后利用MATLAB程序对亚采样锁相环进行了稳定性分析。3、基于110 nm CMOS工艺,根据设计指标设计了亚采样锁相环和多相位时钟发生电路。首先设计了亚采样锁相环核心环路和锁频环路的相关模块电路,详细阐述了各模块电路的具体设计思路和过程,从而完成低噪声低杂散亚采样锁相环的设计,之后对其进行了仿真分析,通过一系列技术优化了亚采样锁相环的锁定时间和杂散性能。通过注入锁定的原理,实现了8通道16相位时钟信号的输出,从而完成了整个时钟发生电路的设计,并对其进行了仿真分析。4、讲述了模拟版图设计的一些规则以及要点,分析了亚采样锁相环各模块版图的布局问题,通过合理布局布线,完成了亚采样锁相环及时钟发生电路的版图设计,之后进行了后仿真分析。本设计采用110 nm CMOS工艺,供电电压为1.2 V,仿真结果表明,环振的调谐增益为1.06 GHz/V,输出频率在541~966 MHz范围内,其相位噪声是103.5dBc/Hz@1 MHz。亚采样锁相环能够在2.84μs时锁定,参考杂散为-71.25 d Bc,带内相位噪声为-115.2 dBc/Hz@200 kHz,功耗为13.2 mW,面积约为1.2 mm×0.3mm。时钟发生电路能够输出8通道16相位时钟信号,相邻时钟间隔为104 ps,整体时钟电路相邻时钟的输出间隔最大偏差小于1%,总功耗为96 mW。
其他文献
学习路径推荐是智能导学系统中的重要组成部分。优秀的智能导学系统能够根据不同用户的不同学习需求与学习能力为用户提供个性化的教育资源,帮助用户在学习较少内容的前提下,掌握目标知识技能。强化学习算法善于解决序列决策问题,因此被广泛应用于学习路径推荐场景中。基于强化学习的推荐技术将推荐问题建模为序列决策问题。相较于将推荐问题建模为分类问题和预测问题的传统方法,强化学习不仅考虑到用户的及时反馈,而且能够考虑
随着网络通信技术、教育数据挖掘分析等技术的快速发展,网络逐渐过渡到web3.0时代,技术的不断更新给教育带来了新的挑战和要求。因材施教、个性化学习的需求剧增。为满足用户个性化课程学习需求,有效的课程推荐方法成为目前的研究热点。现有MOOC平台课程推荐方法,通常由用户历史学习记录,获得其主导学科领域来刻画用户偏好模型,进而完成推荐。该推荐方法在主导学科领域课程推荐中具有良好的推荐效果。但用户常常需要
近年来,知识图谱在推荐系统中的应用越来越受研究人员的重视,它不但可以提高推荐的准确性,而且有效的解决了传统推荐算法中存在的数据稀疏性问题和冷启动问题。但是,现有的基于嵌入和基于路径的知识感知推荐算法都存在各自的局限性,并且在使用知识图谱作为辅助信息时并未考虑知识图谱的不完整性。为了解决上述问题,本文提出了基于注意力机制的知识感知融合推荐算法,通过注意力机制合并知识图谱中的实体获取用户偏好,使用知识
随着信息技术的迅猛发展,知识推荐系统在智慧教育领域被广泛应用。知识推荐的两个基本任务是预测学习者偏好分布情况以及预测学习资源知识分布情况。传统的学习者偏好模型通常基于学习者学习状态进行推荐,忽略了知识结构中蕴含的整体性学习规律和学习者行为结构中蕴含的个体性学习规律,进而导致学习者偏好拟合不够准确、知识推荐效果不够理想等问题。而现有推荐方法中对学习资源知识分布情况进行预测时,未能充分利用学习者与学习
网络中的数据量迅速增长,如何挖掘并利用网络数据中有用的信息是当前自然语言处理领域关注的重点问题。网络中的数据通常是以自然语言的形式存在,但计算机处理自然语言时只能获取到自然语言的一些表面信息而不能对其进行更高层次的语义分析,因此不能有效挖掘到这些数据中的有用信息。知识图谱把非结构化的自然语言转换成结构化的形式,在对数据的描述方面具有特别大的优势。如果能把网络数据和知识图谱关联起来,运用知识图谱中的
近年来,随着信息技术的发展,时间序列的应用越来越广泛,如灾害监测、安全分析、金融商业等领域都包含海量带有时间属性的数据。这些数据具有规模大、类型多等特征,蕴藏着巨大的价值。因此,如何对时间序列进行精确分类,是流式数据事件分析和数据挖掘的基础,也是数据流领域研究的重点和难点。时间序列数据是按某一给定采样频率,对某一过程进行监测得到的一段实值数据波形,随时间戳变化连续记录,不受系统环境等因素影响。时间
信息时代产生了海量数据,这些数据中潜藏着巨大的信息价值,对人们的生活、工作起着愈发重要的作用。但在实际应用中,数据缺失现象在工业、医学、商业和科学研究等诸多领域中普遍存在,存在不完整数据集。如何使缺失数据充分的为人所用,挖掘出缺失数据中潜在的有价值的信息对于我们来说十分重要。若缺失值处理不当会在数据聚类中造成较大误差或错误结果,因此不完整数据聚类问题已经成为不完整数据分析中的一个重点。首先,为了解
随着互联网技术的不断进步发展,个性化推荐技术逐渐成为计算机领域的研究热点。随着教育的重要性日益提高以及互联网和大数据等技术的发展,越来越多的研究人员将大数据研究应用于教育领域。在教育大数据应用中,对新用户的教育资源推荐易导致信息量不足,从而产生冷启动推荐问题。冷启动推荐问题是指新用户刚刚进入系统,无任何历史行为,无法依据历史数据获得用户偏好,从而给推荐带来巨大挑战。如何进行冷启动推荐,同时保证推荐
近年来,随着通信、网络、集成电路领域的高速发展,对于数据的传输量和传输速度都有了更高的要求。但传统接口电路受技术所限,已经无法满足高速信号传输的需求。为解决这一问题,低压差分信号(Low Voltage Differential Signaling,LVDS)接口技术和电流模逻辑(Current Mode Logic,CML)接口技术应运而生。本文基于SMIC 180 nm CMOS工艺,分别设计
随着各种语音和视频即时消息传递方法的兴起,大屏幕,高像素和便携性已成为移动手持终端发展的主流趋势。尤其是可穿戴设备的出现,对数据传输速度,功耗和接口集成提出了更高的要求。为了降低不同模块之间通信的复杂性并使其易于集成和标准化,制造商开发了各种标准协议。其中,移动工业处理器接口(MIPI)标准由于其完整的技术和强大的适用性而被广泛用于移动手持终端显示应用中,因此具有极高的研究价值。本文以MIPI D