模拟数字信号处理的相关性

1、模拟数字信号处理的相关性Paul Hasler 和 David V.Anderson佐治亚州电子与计算机工程技术研究院，亚特兰大市，GA30332, 1#摘要我们介绍了模拟数字信号处理的相关性的定义和实时信 号处理函数的含义.我们也讨论了模拟计算和数字计算 电路中操作运算的平衡行问题，并且展示了模拟数字信 号相关性处理系统的构架.该系统在模拟VLSI电路处理 中的新特性使用采用可编程单元方法改进模拟信号处理 系统成可能。1模拟数字信号处理相关性的定义在最近和将来 DSP的应用中,VLSI模拟电路的 新特性得到了使用12

2、3,4,5,6,7。并且，模拟电 路系统具有可编程性，可配置和良好的适应性，同时集成度可以和数学存储单元相比（例如，能 将超过10万的加法器集成到单一芯片上） 8,9,10,11,5.通常，单一芯片不会同 时具有模拟 和可编程特性，模拟电路主要用在前置放大器中，而可编程器件专门用于数字处理 域中。因此， 我们必须清楚是否要具有数学和模拟信号处理 两中特性，或者针对 特殊用途选择专门的解决方 案。本论文所关注的就是确定问题所在。本文章 描述了一种创建模拟数字信号处理系统相关性 方案。与简单将各部分拼接起 来相对，该系统更 能发挥各部分 的优势。本论文中我们定义了模拟数字信号相关性 处理的概念（C

3、ADSP），并且在实时系统中使用 了可编程模拟信号处理和数字信号处理相融合的方法。在现在技术中无论是模拟信号处理 还是 数字信号处理 均不会单独使用，因为现实世界中 信号均为模拟量然而大多数的控制器都是数字 量。最终问题就是如何区分模拟和数字的 界限， 如图1所示，使用互动有益方法时，利用模拟/ 数字计算来 形成系统的总体框架。对于计算时模 拟量和数字量如何区别，CADSP能灵活地设 定。 在数学运算和电路计算方 面，CADSP是复合信 号研究的 超集。在模拟系统中 增加函数功能性后，我们能改进数字系统的性能，因此这样的整个产品正在研发中。图1模拟/数字信号相关性处理的 结构图。我们认为从现

4、实传感器中获得信号的模型是模拟的，它需要由计算机 处理。相反的数字信号经过执行机构作用于现实。一种 方法是将A/D传感器放置在尽量接近被监测信号的位 置，将计算机的 残差直接输岀。另一种交互的方式是通 过模拟信号处理，获得简单A/D转换器，减小数字计算 机的计算 误差的步骤来完成。可 以将上述模拟计算和 A/D转换器组合起来组成复杂的A/D转换器，与引入信 号的字面地图相比它能提供更多的信息（如傅立叶系数， 音位等）。模数界限的确定特殊应用的需要。对模数界限划分的讨论将会占用数篇论文。 该方法的应用 领域包括语音 处理，多维信号处 理，雷达波计算，会话处理和图像处理和识别。 下面的部分进行结论

5、分析，过程分析并讨论能源 消耗的含义，生产量和工程设计时间。第二部分 讨论当前技术环境和模数信号处理可行性 融合 方式的改进。第三部分对模拟信号处理能 力进行 了总结。第四部分对已给定系统的解决方案进行 了比较和讨论。在这一部分，将对相关的论文进 行致谢。2综合化模拟数字信号处理案例可能有人会问为何要介绍模拟信号处理，因 为图1的上半部分已经说明了实时信号处理的 架构。它在实际中似乎运作得很好，首先经晶体 管放大，然后由软件稳定。现在和以前的方法都 是寻找一个新的策略来完成目的。另外，在DSP 上模拟VLSI能安静地使模拟信号处理 完成。图2使用浮点门内存元素的简单模拟计算 体系结构。典 型系

6、统均是由浮点门计算元素矩阵组成的，前面为输入 电路来预处理或分解传感器信号，后面是进行后加工矩 阵输岀的外围电路。电路 被用来区分每个模拟浮点门元 素的。与数字系统相关的模拟信号处理的一些因素如下：1. 电能消耗/效率。2. A/D转换要求。3. 大小约束。4. “适应性”问题（在第三部分将作简短 介绍）。DSP微处理器的电能消耗单位是： mW/MIPS,根据基因法则12每18个月功耗就降 低一半。该法则与摩尔法则一样有利于便携式电 子产品的生产。虽然如此，设备功能的多样性和 信号处理的总量在电能预算中被首先考虑。与通 常的数字方案相比，模拟方案能提高每104之一 的效率。如何基因法则生效，数

7、字系统将在 20 年后才能赶上现在模拟系统的 效率。因此移植一 些功能到模拟处理 过程与一个纯数字系统相 比 要功能上有20年的增进。在信号处理系统中模数 转制器也是一个很 重要因素，在系统设计约束中模数的需求也是一 重要部分。现在系统要求很丰富的资源，很高的 A/D转换率，和系统设计时间一样，A/D转换模 块也是电源预算中一部分。由于转换精度的原 因，数字处理器可能会提高，然而转换精度并不 会对影响A/D转换器。按相同精度，A/D转换 器大体上每5年增加1.5bits，并迅速地达到该过 程中传统物理上的限制。在许多问题中，对速度 和决定的需要是因为要 从很宽的动态信号或噪 声背景中恢复“低-

8、信息”（例如，CMOS图像化, 软件收音等）。通过在开始和结尾使用模拟信号 处理，可以较大地减小A/D转换器和系统的复 杂度。图3可编程模拟 傅立叶处理器的高级别图像。我们通过 一系列带通滤波器而不是使用DFT算法来将信号 分离 到频率域里。我们用频率域指数形式来代替经典的DFT 算法，这是一种针对 音频和底频的滤波器。这里使用傅 立叶变换作为基本算法，与使用 DFT和反DFT算法的 DSP滤波器相似。模拟VLSI电路对电路大小有限制的应用非 常适合。下一章将会进一步讨论，通过少数的晶 体管，这方式经常被用作完成复杂的操作。例如， 一个模拟乘法器能通过尽可能少的器件来完成， 然而数字乘法器却要

9、四比特位的存储单元。3模拟信号处理能力对模拟和数字信号处理讨论 之间，我们将评 价模拟信号处理的 体积，尤其是在位于整体电路 中时。许多模拟技术的除数很大和高效，它们被 认为是速度和能量消耗的产品而不被当作数字 产品13。当将问题的物理特性与 硅介质的物理 特性作比较时，它的高效性就体现出来了。效率 的提高能降低产品的能耗，并解决在现在数字电 路中被认为是棘手的计算问题。模拟信号处理 不单适用于单输入单输出系 统，而且对于视差矩阵计算也同样适用4,5。硅 化IC芯片是二维的，其表面性质受到限制，这 与数字处理 器是一建立一矩阵存储单元，这样输入 和输出的信号均是矩阵形 式。经研究发现向量-矩阵

10、复合式输入是线性 的，如果能把计算分成矩阵一向量形式时，矩阵-矩阵的输入也是可行的。并且，我们发现矩阵 的特征向量计算是很复杂的，但通过矩阵一向量 复合计算方法，计算协方差矩阵的特征向量是较 为容易的。因为要处理的元素是信号内存元素的列向 量方式，除了在单一列内存访问时，结果结构与 数字内存结构相似，现在我们正对矩阵-向量乘 法运算进行计算。与数字内存不同，第个单元均 为乘法器，它能将存储于浮点门中的模拟 量传递 给另一个单元。通过在内存单元中自行地计算， 可以突破大部分数字处理 器中出现的输入输出 瓶颈。通常地，这些内存计算单元 允许私自访 问 （针对读出操作）或者在矩阵中使用全速差分访 问

11、（如矩阵乘法或适配器）。每个输入信号被获 得时，每个内存就被访问，即当信号（最大频率 输入）进入时系统就会运作；因此减少对整个系 统的设计。InpulAltar 1-Input应礙序DSP 图4针对不同方案（信号-噪声）的不同模拟数字信号 处理方针。（a）在别的地方16数字计算的复杂程度与要 解决方案的位数有关，同时，数字计算的成 本与需解决 问题的位数成指数关系。这是典型的8位与16位的区别， 详细信息与实际应用有关。图（b）为针对SNR运算结果的 实例和两个普通应用例子：第一个采用单纯的DSP解决 方案，第二个采用了模数融合方案。最后每种方法都给 岀了每个输岀通道下的信息结果。系统结构确定

12、以后，这些计算单元内存元素 的体积和能耗标准将是很重要的，因为我们需要 尽可能多的信息。该方法采用的技术 是浮点门电 路技术，此技术可对于单个或双个的 EEPROM9,17,18单元进行 调试、计算、和编程。 图2所示为浮点门计算矩阵的框图。在标准数字 CMO处理器或者标准双CMO处理器中该技术 均 适用。我们将其称为高密度模拟计算矩阵的计算 内存行列（与计算矩阵有关）。该模拟计算 矩阵对 已存储或输入的信息均能处理。因为输入信号的 相关性，每个单元均能处理，同时不会相互影响。 因此，该矩阵在相同电路复杂度和电源能耗上提 供了全差分计算，数字内存需要用4比特位精度 来存储该矩阵（双转换器单元）

13、。除此之外，这种 方法还能将合并模拟信号处理模 块加入到FPGA 和标准ASIC中去。图3对片上可编程模拟 滤波器概念作了大 体上分析5,19.,20。每块均由两片组成，一片设 计信号如何完成模拟功能，另一片负责对存储单 元中数据作乘法运算。整个过程都是使用IFFT 通过FFT在每次采样，称重和输出结果时生成 滤波器。输出是一个能产生普通相互关联的电 流。电压带通滤波器将输入信号分割成时域上的 基本函数。通过对滤波器中浮点门元素进行编 程，拐角频率能划分到音频到MHz之内的任意 域（例如线性或指数域）。通过单个处理器我们 能输出原始信号的版本号。4信号到噪声的消耗即使模拟信号处理能 完成不同重

14、要的功能， 并且为可编程的，但问题是这些计算系统的 效率 如何。在特别的方案中相关能确定计算的成本。 图4展示了典型信号到噪声方案的网状消耗16。当对区域计算，能源消耗，计算掩饰，设 计和加工费用作研究时 会得出相似结果。数字计 算的费用与具体方案的位数有关，呈现非线性状 态，而是与其位数呈指数关系。因此，需要较少 答案而不是 瓶颈 的模拟计算 效率低 ，需要较 少答 案而不是瓶颈的方法不如数字计算方法。 Sarpeskar16的详细研究表明，当系统信息阶数 不是很高，低于10时，模拟计算有 很强的优势。 但在许多实时信号处理 传感 器或 控制器方面，模 拟执行器的定义 还存在争议。数字格式的

15、两种类 型是，模拟计算电路 表现动浮点系统尽管实际系 统 是 定 浮点 系统。无论是在模拟 还是数字信号处理 部分 中，关 键因素很大程序上依赖 于信息总量和需要重现 的量。图 4b 显示了一个应用该结果的例子。对 后来传感器数据处理的关 键步骤 是使用 FFT 和 傅立叶 变换。对于 DSP 处理 器，我们 需要一个 16位的模数 转换器来得到 10比特的 输出。模拟 系统设计有相同的复杂度， 因为 16位模数转换 器比 10位设计的复杂度是以指数级增长的。对 于工程师来说算法的 更新是透明的，因此可以保 持平衡。 模型模拟信号处理方 案，尤其是在信号 噪声比率（SNR）分析时必须考虑电路的

16、具 体 影响和连续信号处理的 严格建立时间。使用有 限 注册结果将模拟元 素当 成定 点算法时 会低估 SNR 算法的实 际效 果。5. 结论：进入模拟数字设计由上可知，实际中我们设计系统 是采用模拟 信号处理 或是 数字信号处理， 以及系统的 复杂度 如何均是未知？ 我们需设计处理 器从传统 IC 工 程开始，还是使用具有模拟 FPGA ，数字 FPGA（s） 加经典 DSP 处理器的开发板或片上 系统， 后者 可以在需要时完全关闭其中任意部分的电源。我 们从经典的 DSP 算法开始， 因为数字方法 经常 是技术的 开始和数字方法的 分界线，也可能 是某 些灵感的来源（例如神经生物学）。我们

17、 一旦选 择某种算法， 就会 在以下框 架中 思考。l 模拟信号处理 是否 使用 于已选用的算 法。l 对首个框架主要部分 的估计：方案，电 源预算， 规范说明 和推向市场的时间 表。l 模数信号处理的信号 仿真级别（例如 在 MA TLAB 中）对系统优化的效果。对以上 有些步骤反复 思考是很必要 的。论文的后续的部分对 处理过程中的 某一方 面或其它方面作了介绍。 然后对某些实例和实验 IC 描述作了大体上说明 ，并指明了其中的某些 问题。参考文献1 Carver Mead,Analog VLSI and Neural Systems,Addison-Wesley,Reading,MA,1

18、989.2 K.Boahen andA.Andreou, ”Acontrast-sensitive retina whit reciprocal synapses, ” in Advances in Neural Information Processing Systems 4,J.E.Moddy,Ed.Morgan Kaufman Publisher,San Mateo,CA,1991.3 L.Watts,D.A.Kerns,andR.F.Lyon,”Improved implementation of the siliconcochlea,”IEEEJournal of Solid-sta

19、teCircuits,vol.27,no.5,pp.692-700,1992.4 J.Lazzaro andC.A.Mead, ”Awinner-take-all circuit in o(n) complexity, ”in Advances in Neural Information Processing Systems 1,Gerald Teasuro and DavidS.Touretzky,Eds,pp.817-824.MIT Press,Cambridge,MA,1989.5 Matt Kucic,Paul Haslcr,Jeff Dugger,and David V.Adners

20、on,”Programmable and adaptive analog filers using arrays of floating-gate circuits, ”in 2001 Conference on Advanced Research in VLSI,Erik Brunvand and Chris Myers,Dds,IEEE Computer Society,March 2001,pp.148-162.6 Asad A.Abidi G.Tyson Tuttle,Siavask Fallahi, ”An 8b coms vector a/d converter,”in Proce

21、edings of the IEEE International Solid State Circuits Conference,Monterey,CA,1 993,pp.257- 2597 Jeremy Lubkin and Gert Cauwenberghs,”A micropower learning vector quantizer for parallel analog-to-digital data compression,”in Proceedings of the IEEE International Symposium on Circuits andSystemMontere

22、y,CA,1998,vol.川，pp.191-1968 M.Holler,S.Tam,H.castro,and R.Benson,”An electrically trainable artifical neural network with 10240 floating ate'synapses,”in Proceedings of the International Joint Conference on Neural networks ,Washington,D.C.,1 989,vol. n ,pp.191-196P.Hasler,C.Diorio,B.A.Minch,and4

23、onCircuitsandII ,vol.48,no.1,pp.90-99,Jan.2001.SystemsC.A.Mead, 'Single transistor learning synapses,'in Advances in Neural Information Processing Systems 7,Gerald Tesauro,David S.Touretzky,and Todd K.Leen,Eds.,pp.817-824.MIT Press,Cambridge,MA,1995.9 Paul Hasler,Bradley A.Minch,and Chris Di

24、orio, ”Floating-gate devices:They are not just for digital memories anymore,”in IEEE International Sympositum on Circuits and SystemsOrlando,Florida,1999,vol. n ,pp.399-391.10 P.Hasler and T.S.Lande,”Special issue onfloating-gate devices,circuits,and systems,”IEEE JournalofCircuitsandSystems,vol.48,no.1,Jan.200111 Gene Franz,”Digitalsignal processortrends,”IEEE Micro ,vol.20,no.6,pp.52-59,Nov-Dec 200012 CarverA.Mead, ”Neuromorphicelectronicsystems,”IEEEProceedings,vol.78,no.10,pp.1629-1636,Oct.1990.13 Gert Cauwenbergs,Learning in Silicon ,Kluwer Academic,1999.14 S.Y.Kung,VLSIarrayp