【摘 要】
：
近年来,随着通信、网络、集成电路领域的高速发展,对于数据的传输量和传输速度都有了更高的要求。但传统接口电路受技术所限,已经无法满足高速信号传输的需求。为解决这一问题,低压差分信号（Low Voltage Differential Signaling,LVDS）接口技术和电流模逻辑（Current Mode Logic,CML）接口技术应运而生。本文基于SMIC 180 nm CMOS工艺,分别设计
论文部分内容阅读
近年来,随着通信、网络、集成电路领域的高速发展,对于数据的传输量和传输速度都有了更高的要求。但传统接口电路受技术所限,已经无法满足高速信号传输的需求。为解决这一问题,低压差分信号（Low Voltage Differential Signaling,LVDS）接口技术和电流模逻辑（Current Mode Logic,CML）接口技术应运而生。本文基于SMIC 180 nm CMOS工艺,分别设计了一种低功耗LVDS收发器和一个高速CML发送器。在LVDS收发器的设计中,发送器使用电流源驱动结构,使用3.5 mA的驱动电流,在100Ω匹配电阻上获得350 mV的差模电压。为了获得稳定的驱动电流,使用正负温度系数补偿的方法设计了一种基准电流源电路。同时,还设计了一种基准电压源电路,稳定发送器输出信号的共模电平,以保证传输信号的稳定性。此外由于发送器使用恒流源驱动,发送器在使能关闭状态仍存在电流的通路,因此为了有效降低芯片的功耗,还设计了一种衬底电位控制电路,通过动态控制晶体管的衬底电位,减少关闭状态下漏电,降低实际功耗。为了拓宽输入共模电平的范围,设计了一种互补差动轨到轨（Rail-to-Rail）型接收器电路,使用NMOS差分对和PMOS差分对并联,从而拓宽共模电平的输入范围,使接收器电路在较大的共模输入范围内具有比较稳定的输出。本文所设计的低功耗LVDS收发器电路版图面积为1420μm×1150μm,后仿真结果表明:在3.3 V的工作电压下,传输速率可达800 Mbps,整体功耗为120.8 mW,输出差模电压范围为280 mV～400 mV,满足设计指标要求。在CML发送器的设计中,采用预驱动模块对信号进行预处理,主驱动模块中加入2抽头有限长单位冲激响应滤波器（Finite Impulse Response,FIR）滤波器,对信号进行预加重,降低信号在高频传输时的损耗。使用AC耦合的方式对发送器输出信号进一步处理,使输出符合LVDS电平标准。仿真结果表明,该电路最大信号传输速率可达2.5 Gbps。
其他文献
随着互联网时代的到来,人工智能行业成为了国家经济和科技的引领行业,其中通过面部情绪的人工智能识别已经成为当前社会的一个研究热点。根据现阶段的研究发现,用户在相互交流的过程中,绝大多数信息都是借助表情这个媒介进行传达的,用户在进行表述的同时,面部表情也会发生相应的变化,因此,可以利用用户的面部表情变化进而来识别用户的情感变化趋势。情绪可以用肉眼看不见的许多不同形式表示。使用正确的工具,可以检测和识别
随着互联网和人工智能的迅速发展,图像描述任务在人机交互和儿童教育等领域越来越受到重视。图像描述是通过结合计算机视觉中的特征提取与自然语言处理中的序列输出,将图像内容利用计算机生成自然语言描述,从而完成从视觉到语言的形态转换。不同于目标检测、图像识别等图像理解任务,图像描述不仅要识别出图像中包含的物体对象,还需要准确识别出图像中的背景、对象之间的关系等信息。近年来,研究人员对基于深度学习的图像描述方
学习路径推荐是智能导学系统中的重要组成部分。优秀的智能导学系统能够根据不同用户的不同学习需求与学习能力为用户提供个性化的教育资源,帮助用户在学习较少内容的前提下,掌握目标知识技能。强化学习算法善于解决序列决策问题,因此被广泛应用于学习路径推荐场景中。基于强化学习的推荐技术将推荐问题建模为序列决策问题。相较于将推荐问题建模为分类问题和预测问题的传统方法,强化学习不仅考虑到用户的及时反馈,而且能够考虑
随着网络通信技术、教育数据挖掘分析等技术的快速发展,网络逐渐过渡到web3.0时代,技术的不断更新给教育带来了新的挑战和要求。因材施教、个性化学习的需求剧增。为满足用户个性化课程学习需求,有效的课程推荐方法成为目前的研究热点。现有MOOC平台课程推荐方法,通常由用户历史学习记录,获得其主导学科领域来刻画用户偏好模型,进而完成推荐。该推荐方法在主导学科领域课程推荐中具有良好的推荐效果。但用户常常需要
近年来,知识图谱在推荐系统中的应用越来越受研究人员的重视,它不但可以提高推荐的准确性,而且有效的解决了传统推荐算法中存在的数据稀疏性问题和冷启动问题。但是,现有的基于嵌入和基于路径的知识感知推荐算法都存在各自的局限性,并且在使用知识图谱作为辅助信息时并未考虑知识图谱的不完整性。为了解决上述问题,本文提出了基于注意力机制的知识感知融合推荐算法,通过注意力机制合并知识图谱中的实体获取用户偏好,使用知识
随着信息技术的迅猛发展,知识推荐系统在智慧教育领域被广泛应用。知识推荐的两个基本任务是预测学习者偏好分布情况以及预测学习资源知识分布情况。传统的学习者偏好模型通常基于学习者学习状态进行推荐,忽略了知识结构中蕴含的整体性学习规律和学习者行为结构中蕴含的个体性学习规律,进而导致学习者偏好拟合不够准确、知识推荐效果不够理想等问题。而现有推荐方法中对学习资源知识分布情况进行预测时,未能充分利用学习者与学习
网络中的数据量迅速增长,如何挖掘并利用网络数据中有用的信息是当前自然语言处理领域关注的重点问题。网络中的数据通常是以自然语言的形式存在,但计算机处理自然语言时只能获取到自然语言的一些表面信息而不能对其进行更高层次的语义分析,因此不能有效挖掘到这些数据中的有用信息。知识图谱把非结构化的自然语言转换成结构化的形式,在对数据的描述方面具有特别大的优势。如果能把网络数据和知识图谱关联起来,运用知识图谱中的
近年来,随着信息技术的发展,时间序列的应用越来越广泛,如灾害监测、安全分析、金融商业等领域都包含海量带有时间属性的数据。这些数据具有规模大、类型多等特征,蕴藏着巨大的价值。因此,如何对时间序列进行精确分类,是流式数据事件分析和数据挖掘的基础,也是数据流领域研究的重点和难点。时间序列数据是按某一给定采样频率,对某一过程进行监测得到的一段实值数据波形,随时间戳变化连续记录,不受系统环境等因素影响。时间
信息时代产生了海量数据,这些数据中潜藏着巨大的信息价值,对人们的生活、工作起着愈发重要的作用。但在实际应用中,数据缺失现象在工业、医学、商业和科学研究等诸多领域中普遍存在,存在不完整数据集。如何使缺失数据充分的为人所用,挖掘出缺失数据中潜在的有价值的信息对于我们来说十分重要。若缺失值处理不当会在数据聚类中造成较大误差或错误结果,因此不完整数据聚类问题已经成为不完整数据分析中的一个重点。首先,为了解
随着互联网技术的不断进步发展,个性化推荐技术逐渐成为计算机领域的研究热点。随着教育的重要性日益提高以及互联网和大数据等技术的发展,越来越多的研究人员将大数据研究应用于教育领域。在教育大数据应用中,对新用户的教育资源推荐易导致信息量不足,从而产生冷启动推荐问题。冷启动推荐问题是指新用户刚刚进入系统,无任何历史行为,无法依据历史数据获得用户偏好,从而给推荐带来巨大挑战。如何进行冷启动推荐,同时保证推荐