目录：
        ADC常用指标分类
        静态性能：微分非线性：DNL
                          积分非线性：INL
                          仿真测试DNL：（码密度法）（code density）
                          等效输入噪声：（Noise referred to input，NRI）
        动态性能：
        

ADC常用指标分类：

• 功能指标：
          采样速度、数据位宽、分辨率、单端or差分、架构、功耗、输入范围、供电模式or参考电压、封装、应用场景、等
• 静态性能指标：
          DNL、INL、Offset、Gain Error、单调性、无丢码、等效输入噪声、等
• 动态性能指标：
          SNR、SFDR、ENOB、SNDR、THD、THD+N、等

LSB = VFS/2^N，其中VFS：voltage full scale
差分结构不是一定就比单端好。eg：有些sensor就是传来一个【0~VREF】的单端信号，如果用差分机构的话，需要另加一个单端to差分电路，并且相同位数下，差分结构的分辨率更大（单端VFS=VREF，差分VFS=2VREF），差分的输入范围是【-VREF~+VREF】，浪费了一半的范围。

---

静态性能

微分非线性：DNL

实际步长和理性步长(1LSB)之间的最大差值。通常用LSB为单位表征。

积分非线性：INL

实际量化输出与理性量化输出的最大差值。通常用LSB为单位表征。INL是DNL的累加。

对于DNL主要取决于电容的匹配，除了校准很难通过其他方法改善。校准本质还是校准电容的匹配误差。
对于INL主要是在MSB反转的时候(code翻转最多的时候)，除了通过校准，也可以改变电路结构来改善。

仿真测试DNL：（码密度法）（code density）

        输入一个满量程的ramp波，ADC会对该ramp量化n次，然后ADC有2^N-1个step，那我ideal每个code出现的次数一定是 【 n/(2^N-1) 】，即数据量除以code数。用 【(real - ideal) / ideal】就得到DNL。
        INL就是DNL的累加。

        以上是仿真的方法，但是测试中，产生一个ramp并不容易，所以用sin波。但是思想差不多，不同的是每个code出现的概率不相等了，通过数学推导可以得到，当然程序是现成的。澡盆曲线。

既然如此，为什么不用sin做仿真呢，这样仿真测试共用一套代码就可以了？
        ​​​​​​​因为在sin slope大的地方，出现code的概率自然小，为了保证all code appear，需要的数据量就很大，仿真时间非常长。

等效输入噪声：（Noise referred to input，NRI）

输入一个DC值，理想情况输出就是一个code，由于有noise，可能出现其他code，测试多次，应该符合高斯分布。

---

动态性能

信噪比：SNR，signal-to-noise ratio

基频信号的能量与奈奎斯特频率以下除了直流和谐波以外的所有频谱分量的总能量之和（即噪声功率）的比值，单位为dB。

量化噪声能量：         信号能量：

加上over sample后，有个sample gain项：

有效位数：ENOB，effective number of bit

一般 SNR 随 fin 显著下降，THD显著上升。