过采样∑-△ADC的原理及单片机实现方法

论述了过采样 Σ- ΔADC的基本原理及结构 ,分析了 Σ- Δ调制器的频域传输特性和系统的信噪比 ,给出了实现不同的 A/D转换精度必须满足的条件和用单片机实现 Σ- ΔADC的具体方法和电路 .实际使用表明 ,该方法测量结果可靠 ,具有实用价值     

高收敛阶采样定理的构造

基于过采样技术,对Shannon采样定理进行了改进,得到高逼近阶采样定理,提升了其收敛速度.     

过采样∑Δ调制器结构参数设计自动化

采用基于最小偏差逼近多项式和递推法求解待定系数方程的方法 ,开发了一套内插式过采样 ∑ Δ调制器设计自动化软件 ,动态调整调制器的结构参数 ,使∑ Δ调制器的性能得到优化 .给出了一个具体的内插式∑ Δ调制器的设计实例 ;为了解设计的性能 ,给出了该∑ Δ调制器的谱特性 .实验结果证明 ,使用该自动化软件 ,可以进行采用过采样技术的数 -模转换器中内插式∑ Δ调制器的参数设计     

过采样技术CDR分析及应用

在串行数据通信领域中,过采样法CDR是一种便于单芯片集成、具有快速同步特点的低成本数字技术.文中经过理论分析给出了一个基于过采样技术的时钟数据恢复电路(CDR)设计.该设计采用4倍过采样技术并使用多数判决规则从输入数据位流中提取时钟和恢复数据.实验结果表明在至少1/4位宽抖动容差范围内,传输系统满足面向USB应用的差错率设计要求.     

基于熵权法集成异质分类器的窃电检测

针对传统检测模型仅通过单一方法进行窃电检测具有局限性且用电数据中存在类不平衡的问题,从集成学习的角度出发,本文提出一种基于熵权法融合异质分类器的窃电检测模型。首先,通过少数类样本合成过采样技术（synthetic minority oversampling technique,SMOTE）处理用电数据不平衡的问题,其次综合考虑个体分类器之间的多样性以及各自的检测性能和训练机理进行基分类器的优选,最后,引入信息熵的概念,基于各个基分类器分类结果的分散程度,计算其权重占比,并以该权重占比集成各基分类器的输出。实验结果表明,对比传统的窃电检测模型,本文所提模型在多项评价指标下表现较好,具有良好的检测性能。     

一种宽带双采样Σ△调制器结构及其系统仿真

提出了一种适合于宽带应用的单环高阶双采样Σ△调制器系统结构.该结构采用双采样技术,在不提高系统时钟频率的条件下,可使系统的过采样率增至原来的两倍.提出了一种新的实现噪声传递函数fs/2处零点的双采样电路,使得该系统结构能够灵活实现优化了的噪声传递函数和信号传递函数.采用SIMULINK对包含了电容失配的调制器进行了建模和仿真,仿真结果表明该结构能有效地抑制采样支路失配引起的折叠噪声,提高了调制器的性能.     

过采样Δ－Σ模数转换器的噪声特性

定量分析了过采样Δ－Σ模数转换器电路的噪声源（包括由开关引入的热噪声、运放的噪声和时钟抖动噪声等）及其对转换器性能的影响．通过对量化噪声及电路噪声的比较分析，获得了过采样Δ－Σ转换器在不同的电路参数下的噪声特性曲线，为转换器电路设计提供了理论依据。     

∑-Δ ADC中数字抽取滤波器的多级实现

设计和实现了一个应用于音频∑-Δ模数转换器的数字抽取滤波器.该抽取滤波器采用多级多采样率结构,由梳状滤波器、补偿滤波器和2个FIR半带滤波器构成.补偿滤波器补偿梳状滤波器的通带滚降,补偿后整个抽取滤波器带内纹波小于0.006 dB,同时补偿滤波器实现了2倍降采样,减少了一个FIR半带滤波器的硬件开销.滤波器系数均采用规范符号编码实现,避免使用规模很大的乘法器单元.数字抽取滤波器采用SMIC 0.18μm CMOS工艺实现,芯片测试表明,该滤波器对256倍过采样率、三阶∑-Δ调制器的输出码流进行处理得到的信噪比达到107 dB,能够满足高端音频模数转换器的要求.     

Σ-ΔADC调制器中的模拟电路设计

在简要介绍Σ-ΔADC基本原理的基础上,分析了Σ-Δ调制器的噪声特性,并对调制器自上而下的设计方法做了介绍。结合实际的性能要求,重点对模拟电路部分设计中的关键以及设计方法进行了详细分析,并给出了有关的电路结构和仿真结果。     

基于SMTE算法和条件生成对抗网络的到港航班延误分类预测

由于航班延误数据集类别分布不均,传统分类器的性能受到一定程度的制约。为了能够对到港航班延误情况进行精准预测,提出了一种基于合成少数类过采样技术算法(synthetic minority oversampling technique, SMOTE)和条件生成对抗网(conditional generative adversarial nets, CGAN)的航班延误预测模型。首先,利用SMOTE算法对原始数据集进行上采样,并融合经过训练的CGAN生成指定样本数据集,缓解原始数据集中某些类别样本量少和数据非平衡等问题;再次,采用XGBoost模型在四种模式训练集上进行训练和超参数寻优;最后,以K近邻、支持向量机和随机森林为基准模型进行性能对比分析。经试验分析,通过分类器在融合样本集的训练,整体上可以在一定程度上提高模型的泛化性,尤其在轻度延误和中度延误类别中提升较为明显,与不采用融合方法比较,宏平均下的Precision、Recall、F1-score值分别提升了0.16、0.29、0.24个百分点。实验结果表明,该方法能够有效地对航班延误非平衡数据进行建模,在保持模型整体性能较高的前提下,能够显著的提升少数类的预测能力,可以为空管、航空公司和机场等提供决策依据。