逐次逼近型ADC转换器(SAR ADC)的原理与应用

 

逐次逼近型ADC(SAR ADC,Successive Approximation Register Analog-to-Digital Converter)是一种广泛应用于模拟信号数字化的模数转换器。它以其高速度、低功耗以及适中的分辨率而著称,特别适合于各种嵌入式系统、传感器接口以及物联网设备等应用场景。本文将介绍SAR ADC的工作原理、特点以及其在实际中的应用。

cf4e262c75fd4826b2f39aad4d993393.png

一、SAR ADC的工作原理

SAR ADC基于逐次逼近的工作方式,本质上就是通过二分法逐步缩小输入信号的数值范围,以确定该信号的数字表示。在整个过程中,模拟信号的每一位都通过比较器和数字逻辑进行判断,确定该位是0还是1。

1. 二分法的逐步逼近

在SAR ADC中,转换过程可以类比为一个二分法的逼近过程:每次比较将模拟信号划分为两个区间,逐步确定每一位的值。具体过程如下:

1. 初始状态:ADC的测量范围由其供电电压决定,通常是0到供电电压范围(例如0V到5V)。首先,SAR寄存器将最重要的位(MSB,Most Significant Bit)设置为1,其余位为0,此时的数值代表测量范围的一半。例如,假设供电电压为5V,则DAC生成的电压为2.5V。

2. 第一次比较:将输入的模拟电压与2.5V进行比较。如果输入电压大于2.5V,表示真实电压在2.5V至5V之间,此时保持最高位为1;反之,将最高位清零,表示电压在0V至2.5V之间。

3. 逐位逼近:接下来,SAR继续处理次高位(例如,在第一次比较后,如果最高位为1,则次高位将控制的电压在2.5V至5V范围内细分)。这种方式通过不断缩小电压范围,逐次确定每一位的数值,直到最末位。

这种逐次逼近实际上就是通过二分法确定每一个位的数值。每次比较都相当于将当前剩余的范围一分为二,确定当前电压位于哪个区间。这与二进制系统中位的权重密切相关:最高位的权重最大,控制范围的一半,次高位控制范围的四分之一,依此类推。

2. 供电电压与测量范围

SAR ADC的测量范围由供电电压决定。典型的供电电压范围可能是3.3V或5V,表示ADC能够测量的模拟信号电压范围在0V到供电电压之间。因此,如果ADC供电为5V,输入的模拟电压范围为0V至5V,数字输出的值相应地反映了该电压范围内的电压。例如,8位SAR ADC输出的数字值范围是0至255,对应的每一步电压变化为5V/255 ≈ 0.0196V。

二、SAR ADC的特点

1. 高速转换

由于逐次逼近的二分法非常高效,SAR ADC能够在相对较短的时间内完成一次转换。典型的SAR ADC能够在微秒级别完成转换,适合对速度要求较高的应用。

2. 分辨率与位权的关系

SAR ADC的分辨率通常在8位至16位之间。分辨率决定了ADC能区分的电压变化的最小值。例如,12位ADC的输出范围为0至4095,这意味着每个数字值代表测量范围内的更精细的电压变化。同样地,每一位的权重代表测量范围的一部分,最高位决定的电压区间最大,最低位决定的区间最小。

3. 低功耗与简单架构

与其他类型的ADC(如ΔΣ ADC)相比,SAR ADC具有较低的功耗,特别适用于低功耗应用场景。此外,SAR ADC的电路设计相对简单,通常由比较器、DAC、SAR寄存器等几个主要部件构成,适合集成到各种微控制器中。

三、SAR ADC的应用场景

1. 传感器数据采集

在物联网和嵌入式系统中,SAR ADC常用于从传感器获取模拟信号(如温度、压力、光强等)并将其转换为数字信号。这类应用中,速度和功耗往往是关键考虑因素,而SAR ADC恰好能够在这些方面提供优势。

2. 工业自动化与控制

SAR ADC广泛用于工业自动化中的数据采集与控制系统。这类系统需要实时监控传感器的模拟信号并进行快速响应,SAR ADC的高速转换能力使其在这种场景中表现良好。

3. 音频和图像处理

在音频信号和图像采集中,SAR ADC可以以适中的分辨率和速度处理模拟信号,使其在中等分辨率需求的音频处理和图像传感器中应用广泛。

四、SAR ADC的局限性

1. 分辨率与速度的权衡

尽管SAR ADC在中低分辨率(8-16位)下表现优异,但随着分辨率增加,转换速度可能会下降。如果应用场景需要高于16位的分辨率,ΔΣ ADC可能是更好的选择。

2. 对噪声的敏感性

SAR ADC在高噪声环境中的表现不如其他一些类型的ADC(如ΔΣ ADC)。因此,在高精度、低噪声要求的应用中,它可能不如其他类型的ADC有效。

结论

逐次逼近型ADC(SAR ADC)通过二分法的逐步逼近,将输入的模拟信号转换为数字信号,其核心逻辑与二进制位的判断密切相关。每次比较相当于在二进制表示中判断当前位是0还是1,逐步逼近真实的模拟电压值。SAR ADC凭借其高速、低功耗和适中分辨率,广泛应用于传感器接口、嵌入式系统以及工业自动化等领域。在您的项目中,您是否曾遇到过模数转换的需求?您是否尝试过调整ADC的供电电压范围以适应特定的测量需求?欢迎分享您的经验和想法。

 

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.xdnf.cn/news/1557025.html

如若内容造成侵权/违法违规/事实不符,请联系一条长河网进行投诉反馈,一经查实,立即删除!

相关文章

下标记数(一)

第1题 0~5出现次数(程序填空) 统计出一串0~5数字构成的数列中,6种数字各自出现的次数。 输入格式 第一行1个正整数:N,范围在[1,100]。第二行N个由0~5组成的数列。 输出格式 一行6个整数,分别是0~5出现的…

数据结构--线性表双向链表的实现

目录 思路设计 总体思维导图 插入部分 头插法尾插法 任意位置插入 删除部分 头结点 尾节点 中间节点 只有头结点且删除的就是头结点 ​编辑 清空链表部分 遍历清空链表的所有节点 不遍历清空 各部分代码 Main部分 MyListedList部分 IndexOutOfException部分 …

深入了解卡尔曼滤波:最优状态估计的数学神器

深入了解卡尔曼滤波:最优状态估计的数学神器 卡尔曼滤波是一种递归的状态估计方法,它通过系统模型和测量值来更新状态的最优估计。我们先来了解一下卡尔曼滤波的基本原理。 1. 假设条件 卡尔曼滤波的基本假设如下: 线性动态模型&#xff…

【大模型理论篇】精简循环序列模型(minGRU/minLSTM)性能堪比Transformer以及对循环神经网络的回顾

1. 语言模型之精简RNN结构 近期关注到,Yoshua Bengio发布了一篇论文《Were RNNs All We Needed?》,提出简化版RNN(minLSTM和minGRU)。该工作的初始缘由:Transformer 在序列长度方面的扩展性限制重新引发了对可在训练期…

IO重定向

文章目录 IO重定向概念3个标准文件描述符“最低可用文件描述符”原则 默认的连接:tty使用close then open将stdin定向到文件使用open..close..dup..close将stdin定向到文件使用open..dup2..close将stdin重定向到文件课上实验 IO重定向 大多数的程序不接收输出文件名…

015 品牌关联分类

文章目录 后端CategoryBrandEntity.javaCategoryBrandController.javaCategoryBrandServiceImpl.javaCategoryServiceImpl.javaBrandServiceImpl.java删除 npm install pubsub-jsnpm install --save pubsub-js这个错误是由于在尝试安装 pubsub-js 时,npm 发现了项目…

计算机毕业设计 基于Python的荣誉证书管理系统的设计与实现 Python毕业设计 Python毕业设计选题 Django框架 Vue【附源码+安装调试】

博主介绍:✌从事软件开发10年之余,专注于Java技术领域、Python人工智能及数据挖掘、小程序项目开发和Android项目开发等。CSDN、掘金、华为云、InfoQ、阿里云等平台优质作者✌ 🍅文末获取源码联系🍅 👇🏻 精…

【自动驾驶】UniAD代码解析

1.参考 论文:https://arxiv.org/pdf/2212.10156 代码:https://github.com/OpenDriveLab/UniAD 2.环境配置 docs/INSTALL.md (1)虚拟conda环境 conda create -n uniad python3.8 -y conda activate uniad (2&#…

哀牢山“禁区”爆改“景区”,双卫星智能终端给驴友多一份保障

在这个国庆假期,以神秘莫测、地势凶险著称的哀牢山走红,一天之内占据了多个微博热搜。但是,哀牢山的美丽背后隐藏着不可小觑的风险。景区方面已发出安全警示,提醒游客勿轻易涉足未知地带和未开发区域,以免发生危险。 …

论文翻译 | Dynamic Prompting: A Unified Framework for Prompt Tuning

摘要 已经证明,在从预训练的基础模型中高效提取知识方面,提示调整(prompt tuning)技术是非常有效的,这些基础模型包括预训练的语言模型(PLMs)、视觉预训练模型以及视觉-语言(V-L&…

【网络协议大花园】应用层 http协议的使用小技巧,用好了都不用加班,效率翻两倍(下篇)

本篇会加入个人的所谓鱼式疯言 ❤️❤️❤️鱼式疯言:❤️❤️❤️此疯言非彼疯言 而是理解过并总结出来通俗易懂的大白话, 小编会尽可能的在每个概念后插入鱼式疯言,帮助大家理解的. 🤭🤭🤭可能说的不是那么严谨.但小编初心是能让更多人…

HCIP--以太网交换安全(二)

端口安全 一、端口安全概述 1.1、端口安全概述:端口安全是一种网络设备防护措施,通过将接口学习的MAC地址设为安全地址防止非法用户通信。 1.2、端口安全原理: 类型 定义 特点 安全动态MAC地址 使能端口而未是能Stichy MAC功能是转换的…

[运维]6.github 本地powershell登录及设置ssh连接

当我在本地的git hub 进行修改后,需要推送到远程github仓库。 当我运行了git add . git commit -m "ingress-controller image" 以后,运行git push origin main,发现由于网络原因无法连接到远程github仓库。 此时开始设置ssh连…

数组与集合的应用-数组演练

1、获取一维数组最小值 1.1 实例说明 一维数组常用于保存线性数据,例如数据库中的单行数据就可以使用一维数组保存。本实例接收用户在文本框中输入的单行数据,其中数据都是整数数字,以不同数量的空格分割数字,如图1所示。这个先行…

Spring相关知识补充

目录 一、将Bean存储到spring(容器)中 1、使用spring-config的方式将对象存储到spring容器中 2、使用类注解的方式将Bean对象存储到容器中 1️⃣、配置扫描路径(使用注解的方式存对象的前提) 2️⃣、使用五大类注解存储Bean对…

C语言练习

接下来一段时间,博主要参加军训没有时间更新C语言知识点,但博主会每天更新一道C语言的题作为分享。 1.计算并显示整数的差 分析:1.题目并不难,首先我们要知道printf这个库函数,是用来打印数据到屏幕的库函数 2.设置变…

【AI知识点】反向传播(Backpropagation)

反向传播(Backpropagation) 是训练神经网络的核心算法,它通过反向逐层计算损失函数对每个权重的梯度,来反向逐层更新网络的权重,从而最小化损失函数。 一、反向传播的基本概念 1. 前向传播(Forward Propag…

文件丢失一键找回,四大数据恢复免费版工具推荐!

丢失数据的情况虽然不经常出现,但一旦出现都会让人头疼不已,而这时候,要如何恢复丢失的数据呢?一款免费好用的数据恢复工具就派上用场了!接下来就为大家推荐几款好用的数据恢复工具! 福昕数据恢复 直达链…

Redis list 类型

list类型 类型介绍 列表类型 list 相当于 数组或者顺序表 list内部的编码方式更接近于 双端队列 ,支持头插 头删 尾插 尾删。 需要注意的是,Redis的下标支持负数下标。 比如数组大小为5,那么要访问下标为 -2 的值可以理解为访问 5 - 2 3 …

【韩顺平Java笔记】第8章:面向对象编程(中级部分)【272-284】

272. 包基本介绍 272.1 看一个应用场景 272.2 包的三大作用 272.3 包的基本语法 273. 包原理 274. 包快速入门 在不同的包下面创建不同的Dog类 275. 包命名 276. 常用的包 一个包下,包含很多的类,java 中常用的包有: java.lang.* //lang 包是基本包,默认引入&…