PLL-分频器

news2024/12/23 11:35:32

概念

分频器的性能一般用四个参数来规定:(1)分频比,(2)最大允许输入频率fmax,(3)功耗,(4)最小允许输入电压摆幅(也叫“灵敏度”)。虽然分频器的相位噪声也很重要,但在大多数情况下它可以忽略不计。

把一般分频器的输入灵敏度画成输入频率的函数。我们期望更高的频率需要更大的输入波动。其中灵敏度Vp是输入频率的函数。该图上的每个点代表一个fmax对应于某一输入摆幅。当f > f1时,无论摆幅有多大,电路都会失效。当输入为零时,一些分频环可以作为振荡器,表现出如右图的行为。在这种情况下,电路在fosc处振荡,输入幅度为零。

大多数分压器在轨对轨输入波动时运行,如果这些波动下降超过10%,就会接近故障。在某些情况下,即使频率远低于f1,也会发生故障。必须区分两种类型的故障,“静态”或“动态”。前者即使在低频时也会发生,表明电压波动不足、跨导或直流电压增益不足。后者是由阶段的有限延迟引起的。因此,在高速下发生故障的分频器必须首先在较低频率下进行测试,以确保适当的静态条件。例如,针对输入频率为10ghz的分频器首先在几GHz测试以检查其静态行为。如果输入边缘不够锐利,分频器也可能在非常低的频率下失效。此外,必须仔细设计压控振荡器和分压器之间的接口。

假设LC振荡器的振荡摆幅只有0.5Vpp(为了降低闪烁噪声),如何驱动需要轨对轨摆动的分频器?

VX和VY在半个周期内低于零。也就是说,即使他们的波动高达1vpp,也不能直接驱动分频器(幅度为-VDD/2-VDD/2,需要将波动改成0-VDD才能驱动分频器)。

可以在VCO和分压器之间插入电容耦合、自偏置逆变器。由于其电压增益,逆变器提供轨道到轨道的摆动。耦合电容的选择大约是逆变器输入电容的5到10倍,反馈电阻必须远大于逆变器的输出电阻此外,该网络的高通角频率必须选择远低于最小输入频率。

当频率较大时,自偏置逆变器的小信号输入电阻近似等于1/(gmN + gmP)。这个电阻在一定程度上降低了振荡器Q。

该电路一个问题是电源噪声:该噪声会调制逆变器的延迟,从而在振荡器信号中增加相位噪声。出于这个原因,逆变器(和VCO)通常由片上低噪声稳压器(例如LDO)提供。

锁存器类型

感兴趣的是最大速度、功耗和时钟晶体管数量(以及输入端呈现的负载)等参数。

静态

D锁存器

一些分频器必须在低频可靠地工作。对于低于100 MHz的操作,我们更喜欢静态锁存器,因为它们不容易由于晶体管的亚阈值和结漏而发生故障。至于上限,静态锁存器在当今的CMOS技术中可以达到5到10 GHz的速度。

当CK高时,Din被传输,当CK低时,它的值被存储。单端拓扑结构由8个晶体管组成,每个时钟相位各有2个晶体管。注意,当电路从感测模式切换到锁存模式时,时钟转换时间必须足够短,以最小化Din和DF之间的冲突。

互补输入D锁存器

具有互补数据输入和输出的D锁存器。CK变高时,M1或M2导通,覆盖之前由两个逆变器保持的状态。当CK变低时,新状态无限期保留。采用七个晶体管,只有一个时钟器件,这种拓扑结构往往比上一个锁存器的更有效。然而,设计需要适当的器件比例。如右图,为了使输入数据覆盖之前的状态,MCK和M1(或M2)的串联组合必须足够强,以克服其中一个逆变器的PMOS晶体管。即使在SF角的过程中也必须满足这个条件。因此,我们选择M1,2和MCK至少与PMOS器件一样宽。

实现“与”功能的锁存器

在一侧插入一个NMOS NAND分支,在另一侧插入一个NMOS NOR分支。请注意,与分支使左侧更弱,除非它包含更宽的晶体管。

上面的拓扑中,状态通过两个背靠背的逆变器或背靠背的“逆变放大器”来存储。这是静态锁存器的一个特征:当时钟器件失活时,该状态由通往地或VDD的低阻抗路径保持。

CML

第三个静态锁存器结合了电流转向和非轨对轨输入和输出摆动。这种结构被称为“电流模式逻辑”(CML)拓扑,它吸收静态功率,仅在非常高的频率下使用。在感测模式下,CK高,M5导通,M6关断,电路简化为图(b)。因此,输入被M1和M2放大,并在节点X和Y上留下印象。接下来,CK变低,M5关断,M6导通,再生对M3-M4继承、放大并存储差分电压VX−VY[图(c)]。将这一对及其负载电阻视为两个背靠背反相(共源)放大器。如果晶体管完全开关,则单端电压摆幅=RDISS。

CML电路的速度优势源于两个特性:(a)使用适度的电压波动,例如ISSRD≈300-400 mV,因此转换可以更快地发生;(b)在数据和时钟路径中仅使用NMOS器件。然而,静态功率损失限制了它们的使用,只有在其他宽带分频器拓扑失败的情况下。

τreg = RDCD/(gm3,4RD−1)为再生时间常数。指数增长是由正反馈引起的,更根本的是由电路在右半平面的极点引起的。如图(e)所示,VXY遵循下式,直到电路进入大信号状态,一个晶体管的跨导下降,尾电流完全转向一侧。只有当τreg > 0,即当gm3,4RD > 1时,指数放大才会发生。

单端电压摆幅IDRD通常选择在300至400 mV左右。然而,M1-M2和M3-M4对叠加在M5-M6对之上,使得CML锁存器无法低压工作。作为补救措施,我们移除尾部电流源,并通过电流反射镜布置使时钟晶体管偏置。偏置电流由IREF定义,耦合电容器将M5和M6的栅极偏置与CK共模电平隔离开来。电阻器和电容值足够大,可以产生远低于时钟频率的高通角频率。

可以选择C1和C2的值为M5和M6栅极处电容的5到10倍,以便尽量减少时钟波动的衰减。但是,如果时钟摆动是轨道到轨道的,我们可以允许一些衰减,例如,对达到A和B的振幅进行2或3倍的衰减,因为M5和M6可以以适度的摆动工作。事实上,避免A和B的轨对轨振荡是可取的,这样M5和M6就可以在饱和状态下工作,而电路对M1和M2保持一定的共模抑制。为了理解这一点,假设VA上升到VDD,从而驱动M5进入深三极管区域。然后,流过M1和M2的电流对其栅极处的CM电平有很强的依赖性。在这种情况下,电路(通过数据路径)的CM增益可能超过1,在锁存器级联中引起显著的CM误差。

由于其有限的输入波动,CML锁存器不能轻易地使用NAND门。互补输入D锁存器所示的NAND原理在这里失败了,因为只有适度的输入波动才能关闭M1和M±1。下图显示了一个包含适当NAND操作的CML锁存器,其中只有当A和B在感测模式下都高时,VX才会低。该电路需要对B输入进行直流电平移,以确保M1和M2不进入三极管区域。这种结构在低压设计中很少使用。

CML锁存器可以包含OR门,如图所示,其中M1和M1'可以在X处施加低电平,在Y处施加高电平。在这种情况下,M2简单地由恒定偏置电压Vb驱动,该恒定偏置电压=A和B的共模电平。输入的单端特性使得该电路的鲁棒性比全差分CML拓扑略低,需要密切关注输入。具体而言,A和B电压摆动以及M1和M1'的宽度必须足够大,以确保尾电流的完全转向。此外,如图右图所示,R1和I1以生成Vb以跟踪A和B的CM水平。例如,如果前级的平均尾电流为ISS,负载电阻为RD,则其输出CM电平等于VDD−RDISS/2,要R1I1=RDISS/2。
CML电路消耗静态功率,只有当所需的速度太高以至于其他拓扑无法满足时才应使用。在本节研究的三个静态锁存器中,前两个不消耗静态功率但速度有限,而CML拓扑可以在非常高的频率下运行并消耗高功率。另一方面,动态锁存器通常比前两种拓扑运行得更快。

动态

在动态锁存器中,状态存储在器件电容上,而不是通过背靠背的放大级。这种锁存器比静态锁存器包含更少的晶体管,并且通常提供更有利的速度-功率权衡。但是,由于器件泄漏,如果时钟频率不够高,它们可能会失去其状态。也就是说,动态锁存器对工作频率施加了一个下限。

Clocked CMOS

时钟CMOS”(c2mos)动态锁存器。当CK高时,

该电路充当逆变器,感应输入。当CK变低时,P和N支路被禁用,状态存储在输出电容上。与前一节研究的静态结构相比,这一阶段只需要四个晶体管,没有正常工作所需的电流率。

使用C^{2}MOS构建二分频器,这个分压器能跑多快?对于给定的输入频率fin,我们要求环路支持频率为fin/2的波形。如果粗略地将电路视为三个逆变器,是一个环形振荡器,可以估计最大输出频率约为1/(6TD),其中TD表示各级的平均延迟。我们认为电路的自振荡频率为1/(6TD)。此时,fin≈2/(6TD) = 1/(3TD),(逆变器内的时钟晶体管增加了它们的延迟)。我们甚至可以说这个电路是一个对输入时钟“注入锁定”的三级环形振荡器。注意,这个÷2电路不提供正交输出。

c2mos锁存器的主要缺点是它们在时钟转换期间的“透明性”。为了理解这一点,考虑图中具有真实时钟波形的主从FF。当CK上升到将从机置于存储模式而将主机置于感知模式时,这两个阶段在一段时间内变得透明。因此,D可以改变B,从而改变Q。存储在Q处的寄生电容上,如果D的新值与Q不一致,则由于这种“馈通”,输出状态会大幅降低。作为保守措施,两个锁存器应该由不重叠的时钟相位驱动:即两个不重叠的时钟及其互补。但对于分频器实现,快速时钟转换就足够了。

True单相时钟

避免使用互补时钟,真单相时钟电路比c2mos表现出更高的速度和更低的功耗。

含非与门

不想写了。。。。。。

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.coloradmin.cn/o/1676828.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

微信支付商户的“商家转账到零钱”产品快速开通指南

微信支付商户的“商家转账到零钱”功能为商家提供了便捷的转账途径,尤其适用于费用报销、员工福利发放、合作伙伴货款或分销返佣等多种场景。那么,如何快速开通这一功能呢,需要快速开通的商户可以联系小编。 首先,确保你的企业已经…

C++基础与深度解析 | 表达式 | 操作符

文章目录 一、表达式基础1.表达式的值类别2.表达式的类型转换 二、表达式详述1.算术操作符2.逻辑与关系操作符3.位操作符4.赋值操作符5.自增与自减运算符6.其他操作符三、C17对表达式的求值顺序的限定 一、表达式基础 表达式由一到多个操作数组成,可以求值并 ( 通常…

Node.js 学习笔记 express框架

express express 使用express下载express 初体验 express 路由什么是路由1路由的使用验证的方法 2获取请求报文参数3获取路由参数4响应设置响应报文 express 中间件5中间件全局中间件路由中间件 6静态资源中间件注意事项案例 7请求体数据8防盗链实现防盗链 9路由模块化router E…

Linux: Make工具以及Makefile文件

make工具 人们通常利用 make 工具来自动完成编译工作。这些工作包括:如果仅修改了某几个源文件,则只重新编译这几个源文件;如果某个头文件被修改了,则重新编译所有包含该头文件的源文件。利用这种自动编译可大大简化开发工作&…

TreeMap详解:Java 有序 Map 原理与实现

哈喽,各位小伙伴们,你们好呀,我是喵手。运营社区:C站/掘金/腾讯云;欢迎大家常来逛逛 今天我要给大家分享一些自己日常学习到的一些知识点,并以文字的形式跟大家一起交流,互相学习,一…

论文解读:Self-Prompt Mechanism for Few-Shot Image Recognition

文章汇总 存在的问题 由于提示文本和图像特征之间固有的模态差异,常规的提示方法的性能受到限制。 动机 让视觉信息自己给自己提示 解决办法 SPM涉及到图像编码器跨空间和通道维度产生的固有语义特征的系统选择,从而产生自提示信息。随后&#xff…

【yolov8分类任务-全流程】【公开数据白内障-101:101例白内障手术的视频数据集】

文章目录 1.公开数据集1.1.白内障-101:数据集文件结构1.1.1.视频文件1.1.2.注释文件(1)videos.csv(2) phases.csv(3)annotations.csv 1.2. 数据处理1.2.1.抽帧脚本全部代码(每行都有注释)1.2.2.分类任务划分数据集脚本 2.yolov8分类任务训练2…

【教程】Jetson安装PyQt5和CUDA版OpenCV

转载请注明出处:小锋学长生活大爆炸[xfxuezhagn.cn] 如果本文帮助到了你,请不吝给个[点赞、收藏、关注]哦~ 安装PyQt5 注意目前似乎只支持Python3.6!!! sudo apt install pyqt5* -y sudo apt-get install python3-pyqt…

Java | Leetcode Java题解之第89题格雷编码

题目&#xff1a; 题解&#xff1a; class Solution {public List<Integer> grayCode(int n) {List<Integer> ret new ArrayList<Integer>();for (int i 0; i < 1 << n; i) {ret.add((i >> 1) ^ i);}return ret;} }

每日一题12:Pandas:数据重塑-融合

一、每日一题 解答&#xff1a; import pandas as pddef meltTable(report: pd.DataFrame) -> pd.DataFrame:reshaped_report report.melt(id_varsproduct, var_namequarter, value_namesales)return reshaped_report 题源&#xff1a;Leetcode 二、总结 melt()函数是Pa…

Python 机器学习 基础 之 监督学习 [线性模型] 算法 的简单说明

Python 机器学习 基础 之 监督学习 [线性模型] 算法 的简单说明 目录 Python 机器学习 基础 之 监督学习 [线性模型] 算法 的简单说明 一、简单介绍 二、监督学习 算法 说明前的 数据集 说明 三、监督学习 之 线性模型 算法 1、用于回归的线性模型 2、线性回归&#xff0…

SpringCloud------Feign,Geteway

Feign 所以我们使用一门新的技术&#xff1a;声明式的http客户端Feign 第一步&#xff1a;引入依赖 <dependency><groupId>org.springframework.cloud</groupId><artifactId>spring-cloud-starter-openfeign</artifactId></dependency> …

Vue 封装axios

【一】准备工作 &#xff08;1&#xff09;安装必要插件 安装Axios&#xff0c;这是必要的。默认最新版 npm install axios -S 或 cnpm install axios -S安装elementui-plus&#xff0c;用于提示信息 npm install element-plus --save # 或 cnpm install element-plus --s…

Selenium自动操作鼠标的方法及示例(鼠标左右键单击、左键双击、拖动等)

天行健&#xff0c;君子以自强不息&#xff1b;地势坤&#xff0c;君子以厚德载物。 每个人都有惰性&#xff0c;但不断学习是好好生活的根本&#xff0c;共勉&#xff01; 文章均为学习整理笔记&#xff0c;分享记录为主&#xff0c;如有错误请指正&#xff0c;共同学习进步。…

五分钟“手撕”时间复杂度与空间复杂度

目录 一、算法效率 什么是算法 如何衡量一个算法的好坏 算法效率 二、时间复杂度 时间复杂度的概念 大O的渐进表示法 推导大O阶方法 常见时间复杂度计算举例 三、空间复杂度 常见时间复杂度计算举例 一、算法效率 什么是算法 算法(Algorithm)&#xff1a;就是定…

BakedSDF: Meshing Neural SDFs for Real-Time View Synthesis 论文阅读

&#xff08;水一篇博客&#xff09; 项目主页 BakedSDF: Meshing Neural SDFs for Real-Time View Synthesis 作者介绍 是 Mildenhall 和 Barron 参与的工作&#xff08;都是谷歌的&#xff09;&#xff0c;同时一作是 Lipman 的学生&#xff0c;VolSDF 的一作。本文引用…

234.回文链表

给你一个单链表的头节点 head &#xff0c;请你判断该链表是否为 回文链表 。如果是&#xff0c;返回 true &#xff1b;否则&#xff0c;返回 false 。 示例 1&#xff1a; 输入&#xff1a;head [1,2,2,1] 输出&#xff1a;true示例 2&#xff1a; 输入&#xff1a;head …

项目管理-案例重点知识(风险管理)

项目管理 : 每天进步一点点~ 活到老&#xff0c;学到老 ヾ(◍∇◍)&#xff89;&#xff9e; 何时学习都不晚&#xff0c;加油 二、风险管理 案例重点 重点内容&#xff1a; &#xff08;1&#xff09;风险划分 &#xff08;2&#xff09;SWOT 分析&#xff0c;提示清单 …

5.10.10 用于图像识别的深度残差学习

1. 介绍 深度卷积神经网络为图像分类带来了一系列突破。深度网络自然地以端到端的多层方式集成低/中/高级特征和分类器&#xff0c;并且特征的“级别”可以通过堆叠层的数量&#xff08;深度&#xff09;来丰富。 学习更好的网络是否像堆叠更多层一样容易&#xff1f; 这个问…

RK3568平台开发系列讲解(SPI篇)SPI数据的传输

🚀返回专栏总目录 文章目录 一、数据结构1.1、spi_transfer 结构体1.2、spi_message二、数据发送程序分析沉淀、分享、成长,让自己和他人都能有所收获!😄 📢 参考资料: spi_transferspi_message一、数据结构 spi 数据传输主要使用了 spi_message 和 spi_transfer 结构…